Продукт

Используем ChatGPT как апскейлер до полноценных 8к 😌 Не путайте с обычным image gen, если просто закинуть туда картинку она конечно может стать четче, но разрешение останется прежним Тут фишка в другом. Агент разбивает картинку на 9 частей, апскейлит каждую по отдельности с помощью GPT Image 2, и потом сшивает обратно в одно целое Да обычные апскейлеры делают точно так же, но тут у ChatGPT преимущество в виде отличного зрения и огромных знаний о реальном мире. Скилл:

--- name: flowers-upscale description: Photo to 8K; 2/3-pass contextual AI crop enhancement and registered blending. --- INPUT S=uploaded photo; missing→request. Unspecified→ask "2 passes (recommended) or 3? 8K default; another resolution?" Await choice. N=2|3; L=specified longest edge else8192; preserve aspect. Discover available AI image-editing+raster-processing capabilities; missing→report requirement. Use environment-native tools/paths; create helpers as needed. Preserve S; separate outputs. Execute end-to-end after choice. E(C): inspect; AI-edit inputs=[S=context,C=target], maximum practical supported resolution; retain actual output dimensions. Prompt=Q+only relevant material constraints. Concurrent independent calls where supported; persist outputs+source-coordinate boxes+prompts immediately. P1: S→3×3 cores; pad each side20% core dimension, clip to S→9 overlapping C→E→register/blend→M1; resize assembled M1 to L. P2: M1→4–8 padded salient ROIs(face/hair/hands/objects/textiles as present)→E→register/blend→M2. Exclude low-information regions. N=3: M2→4–8 tighter focal ROIs(individual eyes/lips/nose/fingers/material details as present)→E→register/blend→M3. Keep homologous features consistent. Every E receives S, never crop alone. Q="1=original: identity/anatomy/color/light authority. 2=target: return exact crop/framing/geometry. Reconstruct plausible photographic detail; preserve expression, pose, contours, clothing, genuine imperfections, focus falloff. Optical clarity; natural edge transitions; spatially varied texture. Repair inherited artifacts. Skin: irregular pores/fine creases, quiet intervals. Hair: cohesive groups, selective fibers, natural sparse fringe. Iris: source color, irregular branching fibers, coherent pupil, restrained reflections. Textiles: original weave direction/spacing/motifs. Avoid invented structures/marks, beautification, relighting, halos, ringing, embossed/crosshatched/repeated texture, synthetic grain, blanket sharpening." ASSEMBLE: map recorded boxes→master; global similarity registration first; bounded smooth local correction only with reliable correspondence, never distort rigid geometry/repeating patterns. Unreliable→retain prior pixels. Match broad exposure/color without transferring old fine texture. Normalized overlap/multiband blend; feather15–25% border→alpha0 at interior patch boundaries. Preserve native enhanced crops. Before next pass: inspect full image+100% focal/overlap crops; repair doubling/seams/drift/texture mismatch. ≤2 targeted retries/defect; rejected/failed→retain prior content+disclose. EXPORT: M_N→lossless PNG at L; verify dimensions+decode; deliver file+preview+prompts/settings. Describe detail as reconstructed; distinguish exported resolution from native generated resolution.

И еще важно: запускайте в Codex/Work, а не в обычном чате, и повысьте effort хотя бы до high Из минусов, думает он оооочень долго. У меня на первую картинку ушло 10 минут, а каждая следующая еще больше чем прошлая 😐 Так же можно юзать вместо GPT любого другого агента с генерацией картинок, например Gemini + нанобанана, но итог сильно зависит от мозгов агента Самое качественное у меня получилось в связке Opus 5.5 + codex cli image gen (фотка с молодым Илоном), но это был одновременно и самый долгий прогон 😁 @tips_ai #tools

Заметил, как по соцсетям форсят старое интервью Чески. Он говорит, что не верит в 1-1 и что почти ни у одного великого CEO их не было, а недавно сказал, что регулярные 1-1 не просто не нужны, а хуже других форматов. Претензия у него конкретно к регулярной часовой встрече, где повестку задаёт сотрудник. По его словам, руководитель на ней превращается в психотерапевта, а вопросы, которые стоило бы слышать всей команде, обсуждаются приватно вдвоём. Забавно, что учиться менеджменту Чески сам советует по книге Гроува, в которой как раз 1-1 это встреча подчинённого, где повестку и тон задаёт он. Видимо, Гроув, который построил Intel, в клуб великих CEO не прошел. Чески вообще любит громкие спорные заявления, то founders mode, то "продакты не нужны" (правда, потом объяснял, что продакты никуда не делись), теперь вот 1-1. И каждый раз у меня ощущение, что он путает причину со следствием. То, что работает у него и в его положении, он выдаёт за свойство самого инструмента и правило для всех. Справедливости ради, претензии у него по делу. Если на 1-1 пересказывают статус задач, это тупо потерянный час, а если там принимают решения, остальная команда в них не участвует и потом их, как правило, хуже поддерживает. Только это проблемы плохо проведённых встреч, а не формата. Смешно, что лучше всего пользу встречи предсказывает то, сколько на ней говорит сам подчинённый, а хуже всего работают 1-1, где больше говорит руководитель. Я уже писал, что про работу на 1-1 говорить можно и нужно, а статус обсуждают в других местах. Вторую претензию отрабатывает принцип из поста про управление менеджерами. Если к тебе пришли через голову твоего менеджера, выслушай, а решение оставь ему. Со скипами так же. Слушать людей через уровень нужно, иначе видишь только то, что тебе пересказали твои менеджеры, но решать за спиной менеджера нельзя. Чем опытнее человек, тем меньше его надо контролировать, и сеньора не нужно каждую неделю спрашивать, как там у него движуха с проектом. Но на 1-1 же ты узнаёшь ещё и то, что человек никогда не скажет при всех, и эта часть с опытом никуда не девается. По опросам чем выше уровень, тем чаще люди сами хотят встречаться с руководителем один на один. Почему, исследования не объясняют, но по моим наблюдениям людям не хватает контекста сверху Отказ от 1-1 у Чески работает, потому что у него совсем другая система. Он лично участвует в управлении 40-50 сотрудниками, в том числе через уровень, занимается их наймом и продвижением, а ещё ревьюит десятки проектов с периодичностью от недели до нескольких месяцев. Контроль у него идёт через эти ревью, контекст топы получают на общих встречах, а его главная задача в том, чтобы топы договорились между собой, и это проще делать всем вместе. Если же у топа что-то личное или неудобное для общего стола, он сам наберёт CEO, и такие разговоры Чески как раз признаёт. Но у такой системы есть и удобная сторона. По моим наблюдениям, чем ближе к CEO, тем хуже человек как пипл менеджер, а запрос на развитие у его людей никуда не девается, его просто отдают внешним коучам. Так что когда CEO говорит, что 1-1 не нужны, стоит помнить, кто это говорит. Иногда это просто удобный способ не делать то, что у тебя плохо получается. Но главная проблема в том, что сейчас отрывки интервью Чески смотрят условный Group PM или EM с пятью репортами, а регулярный слот нужен как раз тем, кто со своей проблемой сам не придёт, и внизу орг чарта таких большинство. Результат работы своих людей он, конечно, видит, но не всегда понимает, почему один из них вторую неделю буксует на месте или почему другой принял именно такое решение. При этом развивать этих людей, кроме него, особо некому. И при всех никто из них не расскажет ни про выгорание, ни про то, что ему уже вовсю пишут рекрутеры. Отменит такой руководитель 1-1 и о проблемах начнёт узнавать, когда они уже вылезли в метриках, а об уходе человека из заявления на увольнение. И ведь отменить захочется многим. 1-1 это скучная регулярная работа, а тут ещё и красивый аргумент подвезли. Даже Чески не проводит!

AI LEAD — новый тренд? На днях проскочила новость: сколково запустил программу AI mini MBA, разработчик Павел Розов сделал фокус на улучшение P&L за счет ИИ-инициатив (расчет фин.эффектов, защита бюджета, питчи и вот это всё, чем занимается любой топ). На практике, что интересно, недавно «Детский мир» ввел должность директора по внедрению ИИ, наняли Па­вла Лат­ве­наса, а сейчас на hh ДетМир ищет тимлида AI-автоматизаций. На практике считать P&L ≠ внедрять AI. Где подвох? Традиционно топ-менеджер по ИТ/ИИ это не про процесс, а про результат (ответственность за рост): защиту бюджета, красивые графики, ROI, лидерство и найм, а делают проекты — лиды направлений. Поэтому в AI трансформациях (как и в digital) это разные роли, а не одна, как учит Сколково на программе Директор по ИИ Давайте разбираться на реальных данных в чем разница. Спрос на роль, по ощущениям, вырос в 2-3 раза. По факту — соотношение 3.6 : 1 (анализ вакансий hh.ru с «ИИ»), в опросе сколково - 79% участников столкнулись с дефицитом Мой агент проанализировал вакансии с 01.08 до 08.10, что я для себя выделил: 1️⃣ Локальна автоматизация = Профиль работодателей у всех разный, соответственно чаще и бОльше вакансий ищут специалиста (чтобы и аудит провел, сам прототип запустил с eval-ами, людей обучил). Поэтому «Собирать руками / играющий тренер» — 50%, это второе по частоте требование после архитектуры. 2️⃣ Осмысленная автоматизация = Определить ЧТО и КАК автоматизировать. Такой специалист (иногда менеджер, играющий тренер) в 38% вакансиях должен уметь определить бэклог ИИ-инициатив и приоритизировать. Я разделяю здесь: 100% автоматизируемые процессы / частично автоматизируемые с HITL / ко-пилоты, которые помогают человеку. Это не совсем про AI-native, т.к. компании стремятся к текущим процессам прикрутить AI, а не полностью переосмыслить процессы и, возможно, даже убрать их и полностью заменив AI агентами (боятся паники на корабле). 3️⃣ Автоматизация с гарантией = Способность дать импакт на Бизнес за счет ИИ в 52% вакансиях — это уже не про пилоты где 1 из 10 дает фин. эффект, а про коммерческую выгоду, должен быть опыт / наличие кейсов в с пруфами. Такой опыт ценится, т.к. эксперт понимает как показать фин. эффекты. По BPR фреймворку обычно это значит, что ты уже неоднократно прошел путь: аудит → запуск прототипа/PoC → MVP → прод. решение → провел обучение/воркшопы с сотрудниками (по сути отчасти ф-ционал проджекта и консультанта). 4️⃣ Автоматизация которая обеспечит лидерство в нише/индустрии = ИИ-стратегия встречается в 43%, что под ней понимается в каждой вакансии — вопрос хороший (часто там кроется Roadmap, иногда обучение, иногда с расчетом PnL и ROI, иногда всё сразу). По сути стратегия это КАК бизнес сможет БОЛЬШЕ зарабатывать с применением ИИ в разных его вариациях использования. 5️⃣ Ускорение автоматизации за счет обучения других = Обучать других нужно в 47% вакансиях, и это самое важное на мой взгляд, т.к. нужен кто-то будет постоянно в тренде, ибо скорость изменения в индустрии — самая быстрая, и не достаточно что-то знать в моменте, что завтра уже устрареет, поэтому я бы добавил что важно не само обучение, а нужен постоянно свежий взгляд, понимание новых технологий, желание исследовать новые подходы/инструменты. По сути ключевое здесь — soft skills любознательного исследователя, который не боится эксперементировать→учиться и передавать полученный опыт коллегам в формате воркшопа. ЗП по таким обязанностям от 100 до 300 тыс. Дальше уже более масштабные инфраструктурные изменения в крупном бизнесе: 6️⃣ Автоматизация агентами вместо людей = Агенты (agentic / multi-agent) — 47%, здесь хотят видеть опыт внедрения агентов на масштабе (банки, корпы), как правило на базе LangGraph (уже стандарт) с observability этих агентов (с опыт использования LangFuse/LangSmith — мониторинг как функция: оценка качества, анализ ошибок, галлюцинаций, расходы, точность, ложные срабатывания) и Guardrails (PII, 152-ФЗ/ПДн) 7️⃣ Устойчивый фундамент автоматизации: Архитектура / system design — 52.4%: выбор модели, схема размещения (on-prem / private / public / hybrid), отказоустойчивость, масштабируемость, проектирование API-интеграций. Без этого «AI Lead» не читается — читается «продакт, который разобрался в агентах». Инфра — 21.4% это про tech-экспертов, нужно уметь развернуть on-prem (vLLM, Docker Sandbox, Kubernetes, Git), определить какое железо нужно, какой инференес может дать, заказать CPU/GPU, стойки и всё это настроить «чтоб работало», организовывать dev и prod контуры (индекс готовности ИИ-инфраструктуры российских компаний по методике Orion soft = 38 из 100 баллов) 8️⃣ Обучение — 15% (менторство / skill sharing — 19%, обучить C-level — 14.3%) 9️⃣ Стандарты, регламенты — 21.4%: разработка методологии, управления изменениями или орг. развития, единые стандарты разработки моделей, политик и процессов, методология оценки AI Maturity Index. На head-уровне это половина работы: не делать самому, а задавать стандарт для чужих команд. 🔟 Найм и построение команды — 19% дословно, 26.2% управление людьми, 40.5% агрегированно. === Вывод: Head of AI / AI Transformation Lead, и «AI Lead» — про разное. - Head of AI – про бизнес и как с ИИ заработаем. - AI Lead – как и на чем это будет работать + орг. слой (команда, методология, вендоры) - Руководитель внедрения ИИ – MVP руками, интеграции с системами, автоматизация процессов, агенты - AI Product – P&L digital-каналов + запуск ИИ-продуктов, метрики продукта Разброс по рынку кого ищут: lead — 29, head — 12, middle — 1 Опыт: 3–6 лет — 23, 6+ — 13, 1–3 года — 6 (медиана — 3–6 лет.) Зарплата указана только в 26% вакансиях ср. уровня от 100 до 400 gross

Вчерашним кофе на собесе мы только разогрелись! (пост про кофе на собесе) Как вам такое: СЕО миллиардной компании из европейского Fortune 500 сам проводит трёхэтапные шестичасовые интервью, которые неизбежно заканчиваются в ресторане, а вы что подумали? Мужик считает, что классического интервью длиной до часа маловато будет, поэтому сам разработал систему весёлых конкурсов и оценок, через которые прогоняет кандидатов. Финальный босс процесса — обед, и вот тут вам важно знать, что если вы собеседуетесь в Bupa (так называется контора), ваш потенциальный шеф не любит подхалимов и тех, кто стремится во всём угодить начальнику. Он берёт воду, но работу даст тому, кто скажет что-то вроде "Вы не против, если я прибухну винишка?", ну и прибухнёт. На третьем свидании и шестом часу с незнакомым мужиком и я бы не удержался, хоть и не пью! Смелость, инициатива, вот это всё ценнее подозрения на алкоголизм. Если перевести с корпоративного, то Ereño, твой будущий лояльный к выпивке начальник, говорит: "Мне не нужны ссыкуны. Будь смел, проактивен, бери инициативу и ответственность, будь лидером!" На что ещё смотрят СЕО, которые обедают с кандидатами: — Насколько ты вежлив с официантом — Посолил еду прежде чем попробовал — редфлаг — Как ты реагируешь, когда официант (по просьбе нанимающего) перепутал твой заказ Ну и вишенка на торте: Bupa, про СЕО которой этот пост, работает в домене healthcare. Шах и мат трезвенники и зожники!

Как вести журнал ошибочных решений в команде: от простого к сложному Цель журнала в том, чтобы фиксировать и показывать паттерны ваших ошибок на всём протяжении изменяющейся жизни а) продукта; б) команды и устранять именно их (паттерны-причины), которые создают следствия (ошибки). – Тегируйте каждую запись по типу ошибки: неверные изначальные данные, неправильная оценка, спешка, избегание конфликта, и т.п. причины. Анализируйте ошибки, ищите повторы, устраняйте причины ошибок, чтобы не лечить следствие ошибок каждый раз. Разделяйте плохое решение и плохой исход Четыре разных типа задач: хорошее решение и хороший исход / хорошее и плохой исход / плохое решение, но хороший исход / плохое решение и плохой исход. Самый недооценённый тип: «плохое решение / хороший исход», при правильном заполнении и поиске тех самых причин, в таких идеях спрятан ключ как вам прийти к самым успешным решениям. Пишите «пре-мортемЫ» заранее, а потом сравнивайте с настоящей причиной. Помогает подложить ту самую соломку где надо, знаю команду, в которой есть чел с отдельной ролью именно под это.

«Мы ожидаем изменение метрики на X%, уверенность в этом 70%». Это два разных ощущения, понимание их помогает калибровать общее ощущение вашей реальности

– Обогащайте пост-контекст принятого ранее ошибочного решения отдельным полем «Что мы проигнорировали / не заметили / поняли не так» + состояние, в котором принимаете решения: стресс, дедлайн, кто был в комнате, какой информации не хватало. Фиксируйте, какие данные вы не стали собирать и почему Потому что уже через полгода каждая ошибка вспоминается как очевидная, а состояние и условия в которых она возникла забываются. Так, спустя время, ошибку можно легко приписать глупости, хотя причина в была условиях (ошибка после ошибки – точно глупость).

Записывайте, какую историю вы рассказали о решении с ошибкой (совет на будущее из прошлого: старайтесь избегать одной яркой истории)

– Самое полезное поле: «первые звоночки или первый момент, когда мы заметили/могли заметить ошибку». Ловите самые ранние сигналы ошибок. И эти сигналы могут приходить ощущениями ещё на стадии планирования (и даже раньше). – Второе по полезности поле: «что мы защищали»: утверждённый ранее родмэп, упрямство, личное авторство, бюджет, обещание СЕО/инвесторам, красивую историю-презу. Ошибки держится на подобном, пойми на чём именно. – Добавьте поле «Чья это была ошибка: человек / процесс / Система». Люди – без имён, это не поиск виноватых! Видя как ошибка живет на каждом из этапов, вы сможете лучше видеть слабые и сильные места в командных и продуктовых процессах и понимать, как на них влиять. Ещё одно недооцененное поле «Кто возражал и чем закончилось» для фиксации возражений которые вы систематически игнорите и недослушиваете (почему?). Часто, те кто возражают это: 1) люди с низким статусом в команде; 2) те, кто говорит осторожно; 3) тот, кто говорит самую больную правду и именно они часто оказываются правы. Ещё раз – без имён! – История побочных эффектов ошибок – то, что решение сломало в соседних фичах/механиках/процессах/метриках. Помогает видеть и лучше понимать связи внутри продукта. – Ведите журнал и по ошибкам конкурентов, это а) чужие; б) бесплатные уроки, и они могут делают вас лучше, чем собственные провалы, потому что в них нет эго, которое защищается. – Статус: «ошибка признана / решение пересмотрено / отменено» превращает журнал из архива в рабочий инструмент. Раз в год перечитывайте журнал и ищи решение, которое тогда казалось ошибкой, а теперь нет (или наоборот). Время переворачивает оценки чаще, чем кажется и является лучшим лекарством от уверенности в собственных суждениях (о времени). Будьте абсолютно честны, только так этот журнал будет работать. Честность в том, чтобы записывать даже те ошибки, которые страшно/некомфортно признавать. Свежий взгляд в журнал продукт возвращает честность. Spend ten minutes every day deliberately writing down what you got wrong. Not journaling about ego gratitude lists, but a f***ing. daily. error. log.

Как писать тексты с AI Очевидно, что откровенный AI слоп заметен почти сразу, и как мы поняли из вчерашнего опроса, - сильно раздражает получателя или просто читателя. Простое правило: никогда не брать формулировки AI! Они по-отдельности безобидные, но даже несколько AI предложений часто отдают слопом. И что хуже - быстро теряется голос автора. А как мы знаем, writing is thinking, и с LLM авторский образ мышления быстро теряется. LLM может быть отличным критиком, если не давать писать за себя, а просто давать покритиковать текст. Но тут тоже нужно быть осторожным: если слишком прислушиваться к AI критике, то тоже легко потерять себя. Вот чел завайбкодил себе простой AI редактор текста - он read-only! То есть не редактирует текст, а только подсвечивает шероховатости (на картинке). В кириллике я иногда давал llm покритиковать длинные посты, и если критика и новые тезисы мне казались хорошими, лучше моих, то этот пост я навсегда хоронил в черновиках. Потому что если LLM может написать пост, то значит я сам не могу нормально донести мысль, и такой пост не достоин ленты кириллика 🙂 Но например расставить флаги стран в посте или дать отсылки на старые посты (у меня они все в .md) - с этим LLM справляется отлично, я иногда использую. А еще я заметил, что люди стали толерантнее к опечаткам, стилистическим и другим человеческим ошибкам. Кажется даже такой признак человечности сегодня работает в плюс. @kyrillic

Антрикриз и отработка негатива В кризисные моменты (да и не только) в рабочих коммуникациях и каналах часто складывается настолько нервозная обстановка, что у сотрудников компании, от кмов/smmщиков и разработчиков до собственников может возникнуть соблазн раздавать удары банхаммером направо и налево — буквально за все, от сарказма и троллинга до обычно строго запрещенных тем, вроде политоты (особенно если кризис, как в случае с ударами по ДЦ, вызван военным противостоянием). Эт плохая тактика, и вот почему. Сама по себе та или иная негативная реплика не опасна. Сообщество и аудитория сами способны отработать негатив, закидать тролля дислайками или, чаще, просто не поддержать тему. Одинокий негативный комментарий не опасен а, наоборот, полезен — на фоне поддержки и конструктива он маячит, как белая ворона и случайный или неслучайный читатель видит, что здесь такое не поддерживают. Проблемой это становится только тогда, когда такие комментарии и разговоры начинают съедать обсуждение. Видите негатив — выдохните, посмотрите на него через какое-то адекватное время (в зависимости от темпов обсуждения), как отреагировала аудитория — тогда и принимайте решение, оставлять или удалять. Повторюсь, одинокие выплески негатива не проблема, а ценный сигнал и вам и сообществу, что поддержки такие авторы не получают.

Пользовательский опыт (UX) UX — это впечатление, которое человек получает от взаимодействия с продуктом: насколько всё понятно, удобно и приятно. Чем легче пользоваться сервисом, тем охотнее клиент остаётся и возвращается. Что формирует хороший UX? Минимум действий — чем быстрее пользователь достигает цели, тем лучше Быстрая загрузка — медленные платформы отталкивают Понятный интерфейс — всё должно быть логично и не вызывать вопросов Приятное оформление — гармоничные цвета, удобочитаемые шрифты и заметные кнопки увеличивают вовлечённость Компании вроде Airbnb или Notion инвестируют в UX, потому что довольные пользователи — это не только продажи, но и повторные визиты. Фаундер | Бизнес и Стартапы

Помните репликаторы из Star Trek🖖? Atomic Machines пытается сделать первые шаги в эту сторону: загружаешь код — получаешь работающий микромеханизм. Пока вместо чашки кофе из воздуха у них миниатюрное электрическое реле, но направление интересное😯 Atomic Machines после шести лет закрытой разработки выкатила «компилятор материи» — Matter Compiler. По сути, это автоматическая мини-фабрика: загружаешь цифровой проект, а оборудование изготавливает маленький работающий механизм из разных материалов. Главная фишка: чтобы сделать другое устройство, достаточно поменять программу, вместо того чтобы каждый раз переделывать производство. В перспективе хотят дойти до «описал, что нужно → ИИ спроектировал → фабрика собрала», но эта универсальность пока остаётся целью. Первым показали PrimeSwitch, электрический выключатель размером около сантиметра, предназначенный в том числе для питания ИИ-датацентров. По заявлению компании, он пропускает до 150 ампер и размыкает цепь за 50 микросекунд, сочетая быстрое отключение с небольшими потерями энергии. Сейчас предлагают образцы для тестирования. Идея масштабнее одного выключателя: сделать разработку новых физических устройств похожей на разработку софта, где новую версию можно быстро изготовить, проверить и улучшить. Первый продукт. Получается вайб-производство становится реальностью? Фантастика да и только💎

🤖Не Jev, а FRIDA-Decisions FRIDA-Decisions: @artyfishl поделился рецептом как в кратчайшие сроки сделали свою decision-модель — FRIDA Decisions, всего на 0,8B и по качеству сравнимую с оригинальным Jev на бенчмарках. Спойлерить не буду, читайте статью, из которой вы узнаете: • почему роутинг, guardrails и реранкинг не обязательно отдавать LLM • упаковка: как прогнать текст через модель один раз сразу для всех вариантов ответа и ускорить запрос в разы • какие результаты показывают модели на razvilka, новом открытом бенчмарке, • честный разбор скорости и цены, вплоть до рублей за тысячу запросов • как устроено обучение: один текст, несколько вопросов, своя функция потерь на каждый тип. 💡Полезно тем, кто строит LLM-пайплайны и платит за каждый вызов судьи. 📝 Habr 🎮 Демо 🤗 Модель 🖥 Код 📊 Бенчмарк 📓 Примеры #jev #ai #frida

Chess.com: куплен за $56,000, вырос до $200M ARR без венчурных денег В 2005 году Эрик Аллебест выкупил с банкротных торгов домен chess.com за 56 тысяч долларов. Инвесторы из Долины крутили пальцем у виска: какие шахматы, там нет рынка и денег. Спустя 20 лет у Chess.com больше 200 миллионов долларов годовой выручки, 250 миллионов пользователей и ноль венчурных инвесторов на борту. Я разобрала, за счет каких продуктовых рычагов они построили эту монополию: 1. SEO и ежедневная рутина Домен забирал поисковый трафик по праву рождения. Но вместо пассивного ожидания они завязали пользователей на ежедневные задачки Puzzle of the Day, превратив поисковый заход в утреннюю привычку. 2. Психохак в аналитике Игроки ненавидели разбор партий, потому что движки сухо тыкали их в ошибки. Эрик зафиксировал инсайт: люди не хотят знать, где они ошиблись, они хотят гордиться собой. Они запустили AI-тренера, который подсвечивает удачные ходы карточкой "Brilliant Move!". Этот впрыск дофамина взвинтил конверсию в платные подписки ($150M+ выручки в год). 3. Инфраструктура для стримеров ДО хайпа Задолго до ковида и сериала "Ход королевы" они запустили турнир PogChamps и учили популярных Twitch-стримеров играть в эфире. Когда началась пандемия, весь мировой спрос зашел к ним, потому что платформа была готова. 4. Продуктовая виральность (Бот Mittens) В 2023 году они запустили бота в виде милого котенка, который троллил пользователей и уничтожал гроссмейстеров. Итог: 850 миллионов партий за месяц и гигантский спайк органики из TikTok. Вроде ничего особенного, но стабильность, однако, в который раз дала свои плоды. #PG_кейсы @productgames

У Salesforce 50 тысяч человек, а AI-агентом пользуются 5% клиентов Все бизнесы сейчас хотят зарабатывать с помощью AI. Все о нём слышали, все хотят его себе внедрить, все пробуют. И проблема в том, что у них не получается) Например, Salesforce. У них около 50 тысяч сотрудников, компания стоит больше 100 миллиардов, CRM-бизнес до сих пор очень прибыльный. А их AI-агента за четыре года внедрили примерно 5% клиентов… Это открытые данные, они сами публиковали их перед Dreamforce. И если посмотреть, что компания сделала с AI за три года, то это, по сути, чат-бот в Slack, который присылает тебе информацию из CRM. Я много думала, почему так, и мне кажется, тут сразу несколько причин. Во-первых, каждая компания за годы накопила огромное количество данных, но они разбросаны везде: что-то в CRM, что-то в ERP, что-то в почте и в Slack, где-то записались звонки, где-то нет. Во-вторых, сейлы сейчас сами покупают себе ChatGPT, Claude и другие инструменты и пользуются ими, а компания запрещает это из-за безопасности. То есть AI вроде бы есть, но у каждого свой. Владелец процесса по-прежнему сейл, а не компания. И компания не понимает, как из этого начать зарабатывать. И в-третьих, есть огромный разрыв между технологией и тем, как в компании реально принято работать и закрывать выручку. Есть квартальные ревью, еженедельные встречи с РОПом, своя культура. А CRM даёт очень типовые процессы, которые ни на что из этого не ложатся. Поэтому мой тезис простой: почти любая интеграция AI в продажи сегодня - это AI-слоп, который всё равно требует много ручной работы от людей. И вопрос, над которым мы сейчас работаем каждый день: как сделать так, чтобы это перестало быть слопом. Честно, до конца ответа у меня пока нет, мы ищем его на каждом клиенте. А у вас в компании как используют AI: каждый сам по себе или есть общий процесс? Напишите, мне правда интересно, как это у вас устроено👇🏼

Находки в опенсорсе: мир питона за сентябрь 2026 Сентябрь в Python прошёл в режиме «от работы дохнут кони, ну а я бессмертный пони». В CPython сделали сообщения об опечатках в __future__ чуть человечнее, два новых PEP'а предложили синтаксис для работы с None, а в msgspec поковыряли доступ к __dataclass_fields__ и в отдельных кейсах получили ускорение до 73%. Но больше всего работы за месяц досталось django-modern-rest. Там вышло два релиза, создали 92 задачи и закрыли 85, а число уникальных контрибьюторов дошло до 150. Заодно подтянули производительность, DX, OpenAPI, AI-туллинг и провели масштабный аудит безопасности. И этим сентябрь не закончился. В проектах сообщества появились async ORM на Rust, терминальный редактор для кодинг-агентов, мониторинг PostgreSQL, локальный k8s одной строкой, браузерный Markdown-редактор и ещё пачка релизов.

Progressive Disclosure для MCP/API - экономия токенов в ~99% Я вчера писал про 12 итерацию эксперимента с Personal OS, где я упаковал весь интерфейс для работы агентов и людей с версионированными документами (аналог своего GitHub + markdown) в две команды для CLI/MCP: (1) start “task name” - начинает сессию и получает описание текущего SDK (2) run “Python script” Это позволило упаковать сложный функционал работы с документами, версиями в SDK. Агент начинает новую сессию, получает текущий SDK, видит его возможности и начинает писать код для выполнения задач. Код выполняется на сервере в песочнице (настоящей, а не контейнер) с ограничениями пользователя. Это позволило перестать, наконец, делать новый деплой серверов API-шек и всех клиентов на каждое улучшение тулзов. Я смог прогнать пяток экспериментов по оптимизации SDK (более удобные функции) и сократил время праздношатания агентов в два раза. А потом Дима @kuchin (спасибо тебе!) скинул ссылку на Cloudflare Code Mode, где сделали что-то подобное, только масштабом сильно больше - им надо было паковать 1M-2M токенов описывающих их 2549 AI tools. Благодаря progressive disclosure и Code Mode + SDK они смогли уменьшить расход токенов для типичных задач агентов этак раз в 1000, а число инструментов сократить до двух. И вот тут я понял, что с таким подходом у нас не просто появилась среда, которая чуть улучшает подход с shared git repo + markdown и позволяет людям с агентами быстро обмениваться информацией без риска что-то безвозвратно потерять. Теперь же можно в этот SDK вшивать процессы по работе с информацией в компании не словами, а кодом (например - как создавать инвойсы, где их хранить, откуда брать статистику, как версионировать), выкатывая новые версии SDK на лету (они подхватываются новыми сессиями агентов). И все это без опасения, что контекст моделек переполнится. Благодаря progressive disclosure, он как был в 1000 токенов, так и останется, даже если SDK вырастет до двух с половиной тысяч инструментов, как у Cloudflare. Теперь только остается осознать все открывающиеся возможности. Ваш, @llm_under_hood 🤗