Продукт

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!

Иногда неплохо и похандрить, сразу работа начинает кипеть. Вчера обсуждали новые источники привлечения трафика после того, как получили уведомление Яндекса о сбоях в работе, и как в том старом фильме «вспомнить все», в ход пошли и старые инструменты в том числе: 📍 2ГИС; 📍 соседские чаты; 📍 отбивки по автоматическим коммуникациям; 📍 витрины онлайн-записи; 📍 оффлайн объявления во всех возможных точках уже непосредственно внутри помещения; 📍 наклейки на окнах, растяжки при входе, iPad на ресепшене; 📍 списки/выгрузки своей же клиентской базы на возврат. Я вчера выгрузила всю базу по салону в ЖК Событиях. У нас прошло, по-моему, 550+ клиентов. Загрузила своему другу Клоду и с остервенением, только присущим дамам в хандре, начала кромсать ее под разными соусами, научно говоря дифференцировать, кто был, что делал, по оборотам, по визитам, по услугам, по чистоте, по возвратности, по давности визита, возможное развитие клиента, поведенческие паттерны. Соответственно, у меня получилась такая раскрашенная разными цветами радуги с разными сценариями, предложениями, как коммуницировать клиентская база, проанализированная буквально за 20-30 минут, для работы. 📍 поменяли тайминг по проставлению задач на каждого клиента, увеличили горизонт до 120 дней отсутствия и количество касаний до 5! Эх, держитесь, клиенты, мы идем 🙃. Что у нас продолжает НЕ работать: 📍 соц сети; 📍 любые оффлайн мероприятия или кооперации; 📍реферальная программа Причина причем не в инструментах, просто мы так и не научились с ними работать, что ж, отличное время для новой попытки 😂💕

Как понять, что вам врут? На этой неделе вышло сразу на два интереснейших интервью с людьми, которые профессионально распознают ложь. Первое с Брэдом Биллером, который 25 лет проработал в Секретной службе США, из них 17 лет специалистом по полиграфу. Второй с Озом Перлманом, одним из самых известных менталистов мира, который занимается чтением людей и предсказанием их поведения. Собрал конспект самого интересного из обоих 1. Большинство популярных признаков лжи (отведение взгляда, нервозность, касание лица) не работают. Обычные люди угадывают ложь с точностью 54%, т.е. почти как подбрасывание монетки. 2. Профессионалы больше фокусируются не на языке тела, а на несоответствиях в деталях истории. Лжец хорошо помнит придуманный сценарий, но путается в мелочах, которые не отрепетировал. 3. Эффективная техника задавать вопросы в обратном хронологическом порядке. Человек, рассказывающий правду, легко восстанавливает события с конца. Лжецу это тяжело, потому что он учил историю линейно. 4. Паузы перед ответом не признак лжи, а нормальный признак конструирования ответа. А вот моментальные, слишком гладкие ответы на неожиданные вопросы, как раз могут говорить о заготовленной версии. 5. Эффект ореола работает мгновенно, если человек похож на преступника, ты подсознательно начинаешь искать подтверждение своей картинки, а не правду. 6. Эффективная техника заменить «почему ты это сделал» на «помоги мне понять» и человек получит способ сохранить лицо, вместо того чтобы защищаться или оправдываться. 7. Важнее научиться слушать. Проявляйте больше интереса к собеседнику, чем желания произвести впечатление. Чем больше человек говорит, тем больше информации вы получаете и тем больше возможностей проверить его историю. Почти все их этого можно смело использовать и в переговорах, и в продажах, и при найме людей.

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.

Общепит никогда не был лёгкой прогулкой в бизнес. По разным оценкам, от трети до половины новых заведений не доживают до второго дня рождения. Но то, что творится сейчас, тянет уже не на нормальную текучку, а на какой-то мор. По данным “Коммерсанта”, с января по сентябрь в РФ закрылось 28 тысяч компаний и ИП, работающих в сфере общепита. Понятно, что какую-то часть ликвидаций можно объяснить плановой реорганизацией и закрытием нерентабельных точек сетями. Но это всё равно не объясняет тот факт, что смертность юрлиц год к году подскочила на 15%. Для понимания масштаба: даже в пандемию, когда всех принудительно заперли по домам, заведения схлопывались медленнее. Сами участники рынка объясняют происходящее ростом операционных расходов и выросшей фискальной нагрузкой: порог для НДС на упрощёнке снизили втрое, и у множества небольших точек модель перестала сходиться. Прибавьте сюда дикий кадровый голод, который взвинтил зарплатные ожидания персонала. Переложить всё это на гостей уже не получается: реальные доходы россиян падают, и поход в ресторан стал той статьёй бюджета, которая первой идёт под нож. Но корень проблемы, думаю, лежит ещё глубже – в фундаментальном изменении потребительских привычек. Люди не стали меньше есть – они стали есть по-другому. Повседневный спрос перетёк туда, где быстрее и дешевле: в вездесущую доставку и супермаркеты. Продуктовый ритейл расширяет ассортимент готовой еды, устанавливает столики и кофемашины в торговых залах, тем самым безжалостно отъедая аудиторию у классического общепита. Вдобавок молодёжь всё меньше пьёт, о чём уже открыто говорят владельцы баров. Это, напомню, общемировой тренд, и Россия здесь не исключение. Вывод напрашивается неприятный: рынок общепита, похоже, не просто чистится от убыточных проектов – он физически сжимается. И выживут на нём только те, кто способен тонко настраивать бизнес-модель под меняющиеся реалии, предлагать клиенту нечто по-настоящему конкурентоспособное и при этом иметь юнит-экономику с конским запасом маржи.

Хочешь убрать сыр из блюда? Плоти! Недавно в X обсуждали видос, где видно, как в приложении DoorDash за буррито "без сыра" и "без яйца" накидывают по $0,09 сверху. Бонусом там же чек, где за "разрезать буррито пополам" взяли 75 центов. Но это ладно - разрезать это типа доп услуга, куда ни шло. А вот доплата, чтобы не добавить продукт, а наоборот убрать - это всех удивило. Но на самом деле DoorDash тут ни при чём (ну, почти). Дело в том, что меню в приложении настраивает сам ресторан - он сам решает, что входит в блюдо по умолчанию, что можно убрать или добавить, и сколько за это брать. Большинство убирает ингредиенты бесплатно, но некоторые решили, что "без лука" или "убрать сыр" - это тоже своего рода допуслуга. И своя логика в этом есть - требуется слегка поменять процесс, повару вместо конвейерной сборки бургера придётся вчитываться в чек, а это тоже не бесплатно. Ну а доставка просто транслирует эти условия юзеру. Ещё имеет место быть гипотеза, что это такая... "страховая премия". Если клиент пожалуется, что ему положили не то - DoorDash вряд ли будет разбираться. Проще вернуть деньги и не портить лояльность, а потом просто оштрафовать ресторан. Собственно, так они и делают. И чем серьёзнее промах (например, положили аллерген тому, кто на него сильно среагировал), тем выше у ресторана риск нарваться на штраф. И тогда каждое платное "без" - это такая микростраховка от возможного штрафа, размазанная по всем юзерам, ну вы поняли. Ну и наконец - чтобы кастомизацией страдали только те, кому реально очень надо, и кто готов за неё платить. А вы что думаете? Оправдано или перебор? Фичизм

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?

Метрики: OMTM Про то, что правда важно качать на определенном этапе развития продукта. Определение OMTM (One Metric That Matters) - самая важная метрика для команды на конкретном отрезке времени. Зачем нужна OMTM Чтобы сфокусироваться командой на решении основной задачи. Чаще всего OMTM используется на ранних этапах развития продукта, но по факту может быть полезна и позже. Примеры Для нового продукта в качестве OMTM может быть выбрана метрика Retention в целевое действие. Почему? Потому что она лучше всего отражает силу ценности продукта для клиента product market fit. После того как команда прокачает Retention в качестве OMTM может быть выбрана конверсия в активацию, оплату или что-то подобное. Команда побежит работать над этой целью и так далее, расшивая узкие места в росте продукта. Но ведь это похоже на NSM (North Star Metric) Не совсем. NSM больше про долгосрочные цели и поэтому редко меняется во времени. Она отражает скорее общий объем создаваемой продуктом ценности для всех своих пользователей, а не точку приложения усилий в моменте, как OMTM. NSM становится полезнее по мере усложнения структуры команды и приближения к этапу масштабирования. Она задает общую цель и помогает в приоритизации решений на разных уровнях системы. При этом у отдельных команд чаще всего будут свои цели на каждый квартал или полугодие - OMTM до уровня конкретной команды. По сути NSM - стратегический уровень, а OMTM - тактический. Одна про далекий горизонт, к которому бежим, другая - про этапы, шаги, которые нужны, чтобы добежать. Итого OMTM - фокусная метрика, которую вы выбираете для решения конкретной задачи на конкретном промежутке времени. Со временем она может меняться и это нормально. Важно то, что все понимают куда нужно прикладывать усилия, а значит вероятность успеха будет расти, ну и красивый цвет лица останется😎 #продуктовыеметрики

Вы знаете, что хуже бесполезной метрики? Бесполезная метрика, на основе которой менеджеры начинают принимать решения! 😁 Короче, тут ребята из Google опубликовали интересную статью — What Makes a Good Productivity Metric о том, как правильно мерить продуктивность! Начнем с метрик. Мы, менеджеры, очень любим что-нибудь измерять. Сколько задач закрыли, сколько коммитов сделали, сколько дней провели в офисе (пу-пу-пууууу). Проблема в том, что мы часто измеряем не то, что действительно важно, а то, что проще посчитать. Авторы предлагают 4 критерия хорошей метрики: 1. Понятность. Метрику можно объяснить нормальному человеку без защиты кандидатской по математике. 2. Соответствие реальности. Если ситуация объективно ухудшается, метрика должна это замечать. 3. Отсутствие странностей. Метрика не должна показывать ерунду там, где мы точно знаем, как устроен мир. 4. Полезность. По результатам измерений можно принимать решения. Вот такой вот вам проверочный вопрос для хорошей метрик:

Если метрика изменилась, а вы не понимаете, что теперь делать, то зачем вы вообще её измеряете?

А теперь самое интересное! В Google решили разобраться, что сильнее связано с продуктивностью инженеров: количество дней в офисе или стабильность рабочего графика. Для этого рассмотрели 13 вариантов метрик и выбрали довольно хитрую штуку — Weekly Markov Consistency. Не буду грузить вас математикой, но смысл простой: 👉🏼 Если человек каждую неделю работает по понятному расписанию, то его график предсказуем. Причём совершенно неважно, ходит он в офис пять дней или два. Метрику проверяли на искусственно изменяемых расписаниях, реальных данных и даже просили людей оценивать графики, чтобы сравнить человеческое восприятие с математикой. И что выяснилось? На данных десятков тысяч инженеров Google обнаружили: • Разработчики со стабильным гибридным графиком (1–3 дня в офисе) не имели статистически различимой производительности по CL throughput от тех, кто стабильно работал в офисе всю неделю. • А инженеры, которые появлялись в офисе не чаще одного дня в неделю, но придерживались стабильного графика, по тому же показателю не отличались от тех, кто ходил туда большую часть недели, но нерегулярно. То есть предсказуемость рабочего графика может быть важнее, чем количество дней, проведённых в офисе. Правда, есть нюанс: это наблюдательное исследование, а CL throughput лишь одна из метрик продуктивности. Причинно-следственную связь авторы тут не доказали. Но сама мысль отличная! Какие выводы забрать с собой? Мы часто пытаемся повысить эффективность, управляя тем, что удобно измерять. Проще контролировать посещаемость офиса, чем качество взаимодействия между людьми. Проще считать закрытые задачи, чем созданную бизнес-ценность. Проще измерять количество коммитов, чем реальный эффект от работы инженера. И, кажется, главный вопрос, который менеджер должен задавать себе при появлении очередного KPI: «А какое именно решение я буду принимать на основе этой цифры?» Если ответа нет, возможно, нам просто очень хотелось красивый дашборд. 😁

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

Как сделать пивот, чтобы не заняться очередной хренью? Меняя идею, стартаперы периодически попадают в ад бесконечных пивотов (pivot hell). Это когда ты меняешь всё каждую неделю, переключаешься с одной идеи на другую, начитавшись соцсетей. Просто гонка за хайпом и тем, что пишут в Твиттере. Вот на что опереться, чтобы не влезть в фигню: • Попробуй найти идею, в которой ты хоть что-то понимаешь. • Или попробуй найти идею, для которой ты можешь привлечь первых клиентов. • И не тяготей к тому, что на хайпе. Когда мы смотрим на успешные стартапы, почти всегда можно проследить эту глубокую связь с тем, чем увлекался фаундер. Майкл сам прошёл через это в Twitch. Сначала они пытались «создавать» знаменитостей — Джастин (один из основателей) был первым, кто хотел стать знаменитостью. Они решали его проблему. А потом наступил этап, когда всё наконец по-настоящему заработало. Это был период, когда Эмметт, ещё один кофаундер, увлёкся видеоиграми (и они сделали стриминг для геймеров, а потом продались Amazon почти за $1B — прим.ред.). Задавая вопрос YC-фаундерам: «Почему вы всё-таки занимаетесь именно этим?», мы часто слышим что-то вроде: «Ну, мой отец был фармацевтом» или «Я вырос в семье, у которой был ресторан». Если конкурируют два человека — один, просто наугад перебирающий «перспективные» идеи, и второй, занимающий делом всей жизни, то… кто победит? Твоя лучшая «ставка» будет в игре, в которую ты умеешь играть. То есть лучший шанс — идея, где ты уже что-то понимаешь ещё до того, как сел обдумывать идеи для стартапа. Даже если это сейчас не в моде. Хороший пивот ощущается как возвращение домой. Нам, консультантам, гораздо интереснее работать с фаундером, который действительно разбирается в том, что делает. Это приносит гораздо больше удовлетворения. Когда основатель может научить тебя чему-то новому, у тебя появляется больше энергии и желания ему помогать. А когда ты работаешь с фаундером и чувствуешь, что сам лучше понимаешь проблему, которую он пытается решить, — это выматывает. Нам бы очень хотелось, чтобы люди начинали с собственной экспертизы, а не с того, что сейчас в тренде. Это было бы просто шикарно. Пересказ кусочка видео Should You Pivot Your Startup? от Майкла и Далтона. Рекомендую посмотреть видео целиком, если вы думаете о пивоте (ссылка в первом комментарии). @y_everyday — рефлексируем об акселератор, создавший 100+ стартапов-единорогов

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).

А вы знали, что первые 15 минут дубляжа могут многое решить? Зритель знакомится с героями, привыкает к атмосфере и решает, смотреть ли дальше. Netflix отдельно отмечает это в своих гайдлайнах по дубляжу. Многие ключевые моменты, требующие особого внимания, приходятся именно на начало. И понятно почему. Неестественная реплика, заметное несовпадение с движением губ или слишком «студийный» голос легко выбивают из сцены. Чтобы всё работало, нужна вся команда: адаптация скрипта, режиссёр, актёры, монтажёры и звукорежиссёр. Реплики должны звучать живо, актёрская игра — соответствовать персонажу, а голос — вписываться в пространство сцены. Особенно мне нравится рекомендация переслушивать первые записи, когда актёры уже освоились в ролях. Бывает, что характер и манеру речи героя находишь только через какое-то время. И тогда первые сцены стоит перезаписать. Такого внимания заслуживает весь дубляж. Но именно в начале мы завоёвываем доверие зрителя.

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

Самая дорогая покупка года 🤑 Короче, посчитал тут сколько стоит твой pet project Например, ты мидл, получаешь условно 300к в месяц, это примерно 1800₽ в час И по выходным ты не отдыхаешь, а чуть-чуть что-то допиливаешь Когда я говорю чуть-чуть, то имею в виду 8 часов в субботу и 8 в воскресенье))) 16 × 1800 × 52 = ~1,5 млн ₽ в год Хорошая новость: ты копишь на BMW M5 Плохая: она стоит 20,5 млн, так что заберёшь её лет через 14 Начал в 28, к 42 будешь при тачке и красиво зайдёшь в кризис среднего возраста 🤩 Пока что расклад такой: у M5 - 727 лошадей, у тебя - 0 платящих юзеров и третий рефакторинг авторизации. Потому что так чище типа Я не говорю бросай свой проект. Просто ты в этот проект уже вкинул как в нормальную тачку и было бы неплохо, чтобы он когда-нибудь тоже поехал Кидай в комменты, сколько часов в неделю сидишь над проектом и сколько месяцев уже А я проведу расчёты и скажем, что у тебя уже есть от M5: колесо, руль или целый капот 😋

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.

😩 Что-то я наблюдаю массовое падение качества всего вокруг. И я сейчас даже не про софт. Я состою в разных клубах, прохожу обучения и вижу, как люди всё активнее используют нейронки для подготовки материалов, раздаток, монтажа видео и прочих задач. Казалось бы, технологии должны помогать делать лучше. Но по моим наблюдениям, происходит ровно наоборот. 🤷‍♂️ Да, можно отдать видео ChatGPT или Claude и попросить его смонтировать. Он справится. Но почти наверняка оставит какие-то ляпы, несостыковки и мелкие ошибки, которые нужно найти и исправить. 🫠 И вот этот последний этап люди, похоже, всё чаще пропускают. В погоне за скоростью всех постепенно начинает устраивать результат на троечку. Нейронка что-то выдала? Ну и нормально, пойдёт. 🤦‍♂️ 😔 И меня это расстраивает. Потому что я всегда придерживался простого принципа: либо делай хорошо, либо вообще не делай. А сейчас складывается ощущение, что скорость стала важнее качества. И это уже заметно буквально везде: от роликов в TikTok до платных обучающих материалов. 🤔 Вы же тоже это замечаете? Или мне одному кажется, что мы массово скатываемся к принципу «и так сойдёт»? Свята место | 10МДК | Чатик | YHub