Every: когда AI-эксперимент пора превращать в продукт (Рубрика #Management)

После выхода новой AI-модели легко набрать идей на пересборку всего продукта. При этом у команды остаются клиенты, обязательства и план. Дэн Шиппер, сооснователь и CEO Every, предлагает выделить маленькую лабораторию, которая исследует новые возможности, пока продуктовая команда развивает то, что уже работает.

Я уже разбирал его доклад об устройстве Every. В этом новом 18-минутном выступлении на Lenny and Friends Summit интересен следующий шаг: как понять, что эксперимент заслуживает дальнейших вложений. Кстати, масштаб компании здесь стоит держать в голове. По словам Шиппера, на момент записи 10 сентября 2026 года в Every около 30 человек. Его предложение о лаборатории из одного-двух сотрудников опирается на опыт небольшой организации.

Шиппер разделяет два режима работы
1) Исследование требует пробовать разные подходы, допускать дублирующие эксперименты и спокойно выбрасывать результат.
2) Развитие продукта требует фокуса, надёжности и понятного опыта для клиентов. Когда каждый постоянно занимается обоими, команда тянет себя в разные стороны.

Для лаборатории он предлагает пару «пират + архитектор»
- Пират быстро собирает грубые прототипы и ищет полезное
- Архитектор превращает перспективную находку в систему, которую можно поддерживать и развивать
Шиппер предлагает заранее смириться с тем, что около 90% экспериментов отправятся в корзину. Это его установка для поиска, а не измеренный норматив успешности.

Дальше начинается самая содержательная часть: люди должны возвращаться к инструменту для своей работы. Сначала его пробуют внутри команды или с несколькими ранними клиентами. Затем проверяют, сохраняется ли польза, когда первый восторг прошёл. Шиппер прямо предлагает посмотреть на результат через месяц.

Он называет три критерия продвижения эксперимента:

- Пользуются ли им люди и возвращаются ли к нему?
- Насколько он лучше существующего решения? Его ориентир — «в 10 раз», без строгой методики измерения в докладе.
- Можно ли обслуживать клиентов по приемлемой стоимости, если использование вырастет?

Хороший пример — Kate Bench, помощник для редакторской правки. Шиппер рассказывает, что несколько лет экспериментировал с AI на основе правок главреда Кейт. Когда Кейт начала пользоваться результатом и инструмент стал распространяться среди коллег, появился повод подключить архитектора.

Тот добавил учёт принятых предложений и правок, которые Кейт приходится делать после агента. По словам Шиппера, объём её работы над такими правками сократился на 12% относительно предыдущего месяца. Это внутренний результат Every; методику расчёта он подробно не раскрывает. Но сама последовательность полезна: рабочий прототип → регулярное использование → вложения в систему и измерение результата → проверка с клиентами.

Здесь есть граница, которую легко пропустить. Шиппер не задаёт порога: сколько пользователей должно вернуться, с какой частотой и за какой срок. Регулярное использование у него даёт основание продолжить разработку. Коммерческую состоятельность ещё предстоит проверить.

И переносить опыт Every стоит с учётом их бизнеса. Они превращают даже неудачные эксперименты в публикации, привлекающие читателей и потенциальных клиентов. В другой компании такой способ окупать поиск может не сработать.

Из этого подхода я бы забрал в еженедельный разбор экспериментов один вопрос: кто продолжает пользоваться результатом в своей работе через месяц и что именно ему это даёт? Ответ помогает решить, куда направить следующую неделю разработки.

#Management #AI #Product #Engineering #Metrics