Бороздин Дмитрий

Есть М.Видео, а есть Nvidia. У первой почти 60 млрд руб убытка, у второй — 60 млрд долларов прибыли. Вроде и там, и там техника. В чём разница?

У М.Видео за 2025 год убыток 63,6 млрд рублей, а сеть за год сократилась более чем на 40%: с 1100+ до 638 магазинов. У Nvidia за один квартал — $59,7 млрд чистой прибыли: выручка $96,2 млрд, рост на 106% год к году. Это лучший квартальный результат среди всех компаний за всю историю, если не считать разовые бухгалтерские переоценки вроде $99 млрд, которые Google в этом году получил от роста доли в SpaceX. На третий квартал Nvidia прогнозирует выручку уже $108 млрд.

Куда девать такие деньги? 2 сентября Nvidia подписала соглашение о покупке Hugging Face за $12,93 млрд: $11,9 млрд деньгами и до $1 млрд акциями для сотрудников. Закрытие сделки ожидается в первой половине 2027 года.

Параллельно компания вывела в серийное производство Groq 3 LPX: стойку для сверхбыстрого инференса, 3400 токенов в секунду на модели Gemma 4 31B, при том что у Cerebras сейчас порядка 1400.

Dylan Patel из SemiAnalysis недавно сказал, что Anthropic вышла в прибыль во втором квартале, и OpenAI может повторить это в третьем.

М.Видео закрывает магазины и режет товарные остатки, чтобы выжить в мире, где технику всё чаще покупают через агента и маркетплейс. Nvidia в этом же мире продаёт саму инфраструктуру, на которой строятся эти агенты, и зарабатывает за квартал больше, чем М.Видео теряет за год.

Я бы включил Git в обязательную программу MBA

А вместе с ним — работу с данными, правами доступа и наблюдаемостью процессов.

Давайте на примере:

С 1 сентября компания снизила стандартную скидку с 15% до 10%. AI-помощник нашёл старую редакцию регламента и предложил клиенту прежние условия. Хочется списать это на галлюцинацию модели и искать вариант поточнее. Но модель пересказала документ абсолютно верно — ошибка произошла на этапе выбора источника, а не генерации текста.

Дальше интереснее: если 5 сентября кто-то положил в то же хранилище черновик правил на октябрь, а система выбирает документ просто по дате изменения — она возьмёт черновик вместо действующей редакции.

Сама модель может быть идеальной и всё равно взять не тот документ. Вот здесь и пригождается Git в качестве способа мышления о версиях.

На MBA я бы дал группе регламент согласования скидок и провёл через историю изменений, разницу версий, откат ошибки без потери истории. Из этого сразу вылезают управленческие вопросы: кто вправе менять скидки, достаточно ли согласия одного коллеги, как убедиться, что клиенты вообще получили новую редакцию.

На зачёте менял бы одно условие, не говоря заранее, какое 🙂 Оставлял бы в поиске старую редакцию правил, отзывал доступ у участника или имитировал сбой при отправке, о котором AI всё равно отчитался как об успехе. А группе давал задание: восстановить, что произошло, найти затронутые заявки и проверить, что исправление дошло до всех систем.

Собрал целую статью — там разбираю и другие темы, которые обязательны для этой же программы. Например, как задавать AI права доступа так же явно, как сотрудникам.

Читать полностью 🔗

Собрал топ-9 постов прошедшего лета, которые стоит прочитать, если пропустили ⚡️

Июнь

1. Разделяй и делегируй — ВкусВилл запустил ИИ-бота, который подбирает продукты с чистым составом. Рутинная часть продуктовой корзины скоро перестанет требовать участия человека.

2. 70% пользователей не завершают покупку — и это не всегда проблема конверсии. Треть использует корзину как список «куплю попозже», у таких пользователей LTV в 2-4 раза выше импульсивных покупателей.

3. Боты впервые обогнали людей по трафику в интернете — по данным Cloudflare Radar, 57,4% запросов к сайтам уже от ботов. Вся экономика интернета строилась под человеческое внимание, и это меняет её основание.

Июль

1. Отличие харнесс-инжиниринга от вайбкодинга — харнесс-инженер проектирует среду, где агенты пишут и доводят код до качества: правила, тесты, границы, ревью.

2. Кто круче управляет компанией — ИИ или скрипт на 200 строк — бенчмарк CEO-Bench: простой rule-based алгоритм обошёл все языковые модели в управлении SaaS-стартапом на дистанции 500 дней.

3. Кейс Blue Sleep: сон и терпение — как выстроить систему продаж в категории с длинным циклом сделки, где скидка уже не главный аргумент.

Август

1. ИИ провёл аудит работы разработчика — поставили Skillum задачу собрать данные для решения о повышении. Агент сам разделил, каким цифрам можно доверять, а каким нет.

2. Как Salesforce учит CRM достраивать самому себя — Agentforce Vibes создаёт разделы CRM, формы и проверки по запросу на обычном языке, но план утверждает человек.

3. Офлайн не умирает, хотя все уверены в обратном — число юрлиц в fashion-ритейле упало с 4 741 до 3 451 за четыре года, то есть на 27,2%, а выручка сектора выросла на 38,3%.

Дайте знать, если нравится формат дайджеста.

М.Видео закрыли больше 40% магазинов за год. Чистый убыток вырос до 36,1 млрд рублей против 25,2 млрд годом ранее. Выручка упала на 36,8%, до 108,2 млрд.

Первая реакция: вот ещё один ритейлер, которого добили маркетплейсы. Но я предлагаю смотреть на цифры внимательнее.

Онлайн-продажи компании — 63,4 млрд рублей, это уже 41,5% оборота против 32,2% годом ранее. Собственный маркетплейс вырос за год в четыре раза, до 17,7 млрд.

Компания сама объясняет закрытие магазинов не капитуляцией, а переходом от классического ритейла к мультикатегорийной платформе.

Часть падения выручки — это не потеря бизнеса, а смена модели учёта. М.Видео переводит крупнейших поставщиков на агентскую схему: в выручке теперь отражается только комиссия, а не полная цена товара. Формально цифра просела на 36,8%, а по факту это может значить, что через компанию по-прежнему проходит сопоставимый объём продаж, просто он теперь считается иначе.

Товарные запасы компания тоже сократила на 14,7% (до 70,6 млрд рублей) и связывает это с тем же переходом на агентскую модель: расширять ассортимент, не закупая товар себе на баланс.

Получается, что с одной стороны, реальный структурный кризис офлайна в категории бытовой техники: цикл замены устройств растягивается, потребитель сдержан, маркетплейсы давят по цене. С другой — намеренная перестройка бизнеса под модель, где меньше физических точек и меньше собственных товарных остатков, но выше маржинальность на сделку.

Data Insight и Яндекс прогнозируют 2–3 трлн рублей продаж через ИИ-агентов к 2032 году

Триллионы может и будут, но не все через встроенного копилота на сайте 🙂, а скорее через собственный чат или агента покупателя.

Начну с Microsoft Copilot, самого раскрученного корпоративного ассистента в мире. Куплено 3,3% от 450-миллионной базы Microsoft 365, и из этих мест работает примерно треть. Реальная используемость — около процента.

Агент — инструмент покупателя. Никто не станет разговаривать с двадцатью ассистентами двадцати магазинов: у человека будет один свой агент, и по магазинам он пойдёт сам.

ChatGPT уже покупает через Instant Checkout, Meta* раздала бизнес-агента миллиону компаний в WhatsApp*. У Алисы AI 12% запросов про товары, это 11 млн человек в неделю. А российские площадки в это время выкатывают своего помощника в каждом личном кабинете. Спросите у них DAU.

Прогноз строили на тридцати глубинных интервью с ранними пользователями. Так подсвечивают гипотезы, но не измеряют поведение страны: в мартовском опросе ВЦИОМ 37% онлайн-покупателей выбирают товары вообще без помощи ИИ. Когда исследуешь только ранних пользователей, видишь то, что хочешь увидеть.

Один тезис исследования я разделяю полностью: вкладываться стоит в агентную готовность площадки. Каталог, цены, остатки, доставка и статус заказа, отданные внешним агентам через открытые протоколы. Продавать будет тот, чью витрину чужой агент прочитает и в ней найдёт нужное.

Мы это уже делаем. Интеграция с ИИ-инструментами Яндекса готова, сейчас идёт пилот: заказы из Алисы AI приходят в RetailCRM целиком, покупатель оформляет заказ прямо в чате.

Деньги эти пройдут мимо внутренних ассистентов, через агентов покупателя.

*принадлежит компании Meta, чья деятельность признана в России экстремистской.

В 108 раз за полгода выросло число юристов, которые каждую неделю работают с Codex по данным OpenAI

Для сравнения: у инженеров рост в 5 раз. Компания посчитала это по своим корпоративным клиентам с февраля по июнь. Продажи и подбор персонала выросли в 41 раз, маркетинг в 26 раз. Codex делали как инструмент для разработчиков, а быстрее всего он растёт там, где кода не пишут вообще.

Отмечу, что речь, конечно, идёт о корпоративных аккаунтах на зарубежном рынке. Но данные в целом представляют интерес.

Компании-лидеры отличаются от середины рынка уровнем доступа, который дают агенту. У них 21% недельных пользователей работает с плагинами, то есть подключениями к корпоративным сервисам, и 19% с навыками, сохранёнными инструкциями. У типичных компаний 9% и 3% соответственно. Разрыв в выработке на человека за полгода вырос с 2,6 до 8,3 раза.

Мы смотрим в ту же сторону. Наш CTO разбирал по шагам, как агент ведёт задачу по рабочему процессу: получает доступ к Redmine и GitLab, сам оформляет мерж-реквест, проверяет сборку.

Из этого вырос Orpheus, сквозной агент компании. Он живёт в тех же системах, что и команда: Redmine, GitLab, Mattermost, хелпдеск. Разбирает ошибки ядра после релиза и показывает, что именно упало. Считает срезы по аккаунтам, когда команде нужна аналитика. Из обсуждения в чате заводит задачу. По тикету поддержки читает логи и код, а потом отвечает по существу. Испанским коллегам отвечает на испанском.

Легче всего агентам даются технически детерминированные направления вроде разработки.

Дальше идут сферы другой природы. Продажи или оценку рисков формально описать гораздо сложнее: работа держится на людях и их опыте, а знания живут в головах.

Стоит крупной сети приостановить развитие, как рынок бьёт тревогу и спешит с выводами 😏

В июле поводов хватало: LIME заморозил открытие новых точек и любое расширение до 2027 года, «Стокманн» готовится закрыть до пяти универмагов, о сокращении сети объявили и другие марки.

Рынок уже подхватил нарратив о скором отказе от офлайна. Но я предлагаю разобраться детальнее.

По открытой бухгалтерской отчётности мы видим, что в fashion-ритейле, ключевом для нас сегменте, число активных юридических лиц с 2020 по 2024 год сократилось с 4 741 до 3 451, то есть на 27,2%. Но номинальная выручка сектора за то же время выросла на 38,3%. Игроков становится меньше, а денег в отрасли больше.

Это концентрация рынка, и началась она задолго до нынешней волны закрытий. Сильные компании забирают долю у слабых, а сектор в целом прибавляет. Для ритейла это не новое явление. Развитие логистики и технологий всегда ускоряло консолидацию, и ярче всего это видно на примере маркетплейсов.

С выводом о «тотальном переходе в онлайн» стоит быть осторожными. Уходя из офлайна, магазин действительно убирает из расходов аренду. Но на её место приходят комиссии маркетплейса, платный трафик, логистика, хранение и возвраты.

Новую актуальность обрёл омниканальный формат: офлайн-точки в связке с собственным онлайн-магазином. Хорошо дополняет такую связку работа с маркетплейсами по схеме FBS, когда продавец сам хранит и отправляет товар, а площадка остаётся витриной. Приоритет при этом сохраняется за собственными каналами продаж.

К 2027 году прогнозируем возможный возврат к запуску новых проектов, и первыми пойдут лидеры своих категорий. Но сам формат сместится от стандартных точек продаж к шоурумам и новым местам контакта с брендом.

ИИ провёл аудит работы разработчика

Недавно на созвоне с Ильясом (CTO RetailCRM) решили попробовать кое-что на живых данных.

Поставили задачу нашему агенту на базе Skillum: собери сводку по разработчику за 6 месяцев. Merge Requests, задачи в Redmine, возвраты на доработку, Time2Market (время готовности)
Цель: принять решение о повышении сотрудника.

Агент встроен в ту же среду, где работают сотрудники (Redmine, GitLab, Mattermost, HelpDesk) и имеет доступ ко всей нужной информации.

Skillum сначала уточнил методологию: как считать Time2Market, нужно ли сравнение с коллегами того же грейда. Собрал данные из нескольких систем и выдал отчёт с рекомендацией и оговорками о том, где данные ненадёжны.

По цифрам: 43 завершённые задачи за полгода (31 проектная, 9 багов, 2 техдолга), 69 внедрённых Merge Requests в 12 репозиториях, почти 50 тысяч добавленных строк кода. Объём diff — это метрика масштаба, а не качества, туда попадают и конфиги, и сгенерированный код.

Самая показательная часть: из 43 задач содержательный возврат нашёлся только в одной, около 2,3%. Но при этом агент указал: по всем 69 Merge Requests разработчик получил ноль внешних замечаний, потому что почти все MR он проверял сам — в подавляющем большинстве случаев независимого ревью просто не было.

При этом сам разработчик активно проверяет коллег — больше 200 содержательных комментариев за то же время. Агент отметил это как признак того, что сотрудник фактически выполняет роль техлида.

Хороший пример того, что среда решает. Разработка технически детерминированная область, поэтому это почва для внедрения таких механик.

В комментариях спросили, как я собираюсь применять ИИ в нашей CRM, и заодно уточнили: агенты дали многим возможность создавать, но не у всех есть навык оценить сделанное.

Хочу показать кейс Salesforce, одной из крупнейших CRM в мире. Они научили CRM достраивать саму себя. Руководитель может написать обычным языком:

«Добавь гарантийные обращения, свяжи их с заказом и товаром, назначай ответственного, предупреждай клиента»

Agentforce Vibes сам создаст новый раздел CRM, форму для сотрудника, правила обработки, проверки и тесты. Результат появится в тестовой копии системы. Разработчик проверит права доступа, найдёт ошибки и только потом выпустит функцию для сотрудников.

Рабочие агенты действуют в рамках заранее выданных прав и процессов. Vibes работает внутри управляемого цикла: составляет план, меняет код, запускает проверки. План утверждает человек, результат тоже принимает он.

Для Salesforce это уже отдельный бизнес. На 30 апреля 2026 года компания сообщила о $1,2 млрд годовой регулярной выручки Agentforce, показатель вырос на 205% за год. Агенты выполнили 3,8 млрд операций. К подпискам добавилась оплата за работу агентов: клиент платит за обновление записи, запуск процесса или обработку обращения.

FY2027 в майском отчёте тоже указан верно: финансовый год Salesforce начался 1 февраля 2026-го и закончится 31 января 2027-го.

Я разобрал, как Salesforce переходит от продажи лицензий к продаже работы AI-агентов: что они уже умеют и где остаётся контроль человека. Почитать можно здесь.

поздравляю. Было бы интересно читать о твоих мыслях о том как ты планируешь использовать ии в вашей СRM просто рассуждения на мой взгляд агенты дали многим возможность создавать , но у многих нет навыков суждения создателей и это было бы на мой взгляд интересно

Россия может говорить на многих языках. Слышат ли их голосовые модели?

В прошлом исследовании мы сравнили восемь моделей на русской речи. GigaAM v3 Сбера в пакетном режиме заняла первое место: на общей выборке из 488 записей сумма замен, пропусков и вставок составила 7,46% от числа слов в эталонных расшифровках.

Лично я очень ценю разнообразие языков и культур народов России. Понимание этого разнообразия добавляет большей глубины, силы и качества нашим решениям. В кол-центрах, торговых залах и на переговорах могут звучать как русский, так и другие языки, включая государственные языки республик.

Для нового обзора выбрали шесть таких языков, которые, по разным оценкам, можно отнести к языкам-миллионникам, имеющим статус государственного на республиканском уровне.

При этом по данным Всероссийской переписи населения 2020 года, проведённой в 2021-м, владение каждым из них указали от 600 тысяч (аварский, украинский) до 3,2 млн (татарский) человек.

Язык клиента — часть качества сервиса. Мы собрали доступные варианты и ограничения 🔗

Обновление OpenAI от 28 июля: английский, испанский и снова английский

OpenAI показала демонстрацию двух новых моделей*. Спикер говорит сначала по-английски, затем по-испански и снова по-английски. Текст идёт по экрану без переключения языка.

Здесь работает GPT-Live-Transcribe: она принимает звук с микрофона или из звонка и выдаёт текст по ходу речи. GPT-Transcribe обрабатывает готовые записи и завершённые реплики. Обе понимают смешанную речь. Только GPT-Transcribe возвращает список найденных языков.

OpenAI развивается стремительно: 7 мая вышли GPT‑Realtime‑2, GPT‑Realtime‑Translate и GPT‑Realtime‑Whisper. Через 82 дня голосовую линейку обновили снова.

Цена готовой записи — $0,0045/мин, около 21 ₽/ч. Транскрибация в реальном времени — $0,017/мин, около 80 ₽/ч.

Что выберете для звонков: текст сразу за 80 ₽/ч или расшифровку после разговора за 21 ₽/ч?

Подробный разбор — в статье.

*Деятельность платформы X (Twitter) заблокирована на территории РФ.

GigaAM возглавила рейтинг 11 движков и режимов распознавания русскоязычной речи

Мы в RetailCRM транскрибируем звонки с AI-обработкой. Впереди офлайн: торговые залы, переговорные комнаты, живые встречи. Сейчас проводим тесты движков распознавания речи, хочу поделиться с вами цифрами.

Прогнали 491 запись спонтанной русской речи — 177 минут звука. Итоговый рейтинг построили на общей базе: 488 записей, которые обработали все режимы, и 20 901 слово в эталонах. Основная метрика — микро-WER: сумма замен, пропусков и вставок, делённая на число слов эталона. Меньше — лучше.

Рейтинг топ-5 по микро-WER:

1. GigaAM v3, локальный пакетный — 7,46%
2. GPT Realtime, потоковый — 8,52%
3. faster-whisper, локальный пакетный — 9,78%
4. OpenAI whisper-1, пакетный — 9,82%
5. Deepgram, пакетный — 9,90%

Остальные шесть движков и режимов показали от 10,86% до 18,12%. Полный рейтинг тут.

GigaAM на первом месте. Это открытая модель, которую можно запустить на своём сервере. На этом корпусе её микро-WER на 12,4% ниже результата GPT Realtime. Второе, третье, четвёртое и пятое места разделяют всего 0,12 процентного пункта. Это один корпус коротких спонтанных монологов, поэтому результаты нельзя автоматически переносить на звонки и встречи. Диаризацию здесь тоже не измеряли.

Если сравнить пакетный / потоковый:

Deepgram — 9,90% / 11,87%
Yandex — 11,80% / 13,04%
Sber — 11,06% / 10,86%

Режим обработки меняет результат сильнее, чем кажется. Например, у Sber пакетный режим показал 11,06%, а потоковый — 10,86%. Поэтому один и тот же провайдер в полном рейтинге встречается дважды. Готовые записи и живой поток оцениваются отдельно.

Полная прозрачность данных исследования: каждую из 491 записи можно послушать, рядом прочитать эталон, сравнить ответы всех 11 движков и режимов и увидеть конкретные замены, пропуски и вставки.

Мы опубликовали результаты, исходные ответы движков, сводные таблицы, отчёты, состав корпуса и контрольные суммы. Рейтинг можно проверить собственными ушами и даже пересчитать)

Дальше в планах замер на 600 реальных встречах и звонках, затем отдельная оценка диаризации: кто и когда говорил.

Буквально вчера OpenAI выпустила новые модели — GPT Transcribe и GPT Live Transcribe. Заявлено серьёзное снижение ошибок, разберём их в следующем посте.

Статья с методикой и полным рейтингом


Прослушать записи и сравнить ответы движков

Сон и терпение…

В последнее время часто слышу разговоры о том, что продавать товары с длинным циклом сделки становится всё сложнее.

Кровать, диван, матрас, стол в офис, наконец — такие вещи обычно выбирают на годы вперёд. Вдумчиво замеряют эргономику, сопоставляют цену с качеством, советуются с семьёй или коллегами. Но и покупатель сегодня другой. Иногда выбор стоит между диваном и поездкой. А иногда эксклюзивность дизайна оказывается дороже денег.

Кстати, есть гипотеза, которая мне кажется правдоподобной: людям стало дороже позволить себе большое путешествие или праздник, но порадовать себя чем-то весомым хочется по-прежнему. Обновить кухню или купить тот самый крутой удобный матрас.

Скидка при этом по-прежнему важна. Она обосновывает покупку в условиях конкуренции. Но одной скидкой уже не удержать. В категориях дизайнерской или офисной мебели этого мало: важна вовремя проведённая консультация, наличие на складе, быстрая доставка.

Я хочу подсветить кейс, на мой взгляд, успешно выстроенной системы:

Blue Sleep как раз продают такие товары. То, что покупают редко и выбирают долго. Ребята подключили RetailCRM ещё в самом начале и постепенно собрали все каналы в одном месте: сайт, мессенджеры, плюс маркетплейсы как дополнительная точка входа.

Александр Петров, директор по маркетингу Blue Sleep, так и говорит:

чтобы каналы работали как одна система, нужен сквозной процесс от первого обращения до доставки.

В итоге у них больше 5 000 заказов в месяц из всех каналов без потерянных обращений, и 10–12% выручки приходит из email-рассылок, которые выстроены как продолжение заботы о клиенте.

Если хотите лично задать вопросы Александру по этому кейсу или в целом по CRM-маркетингу в компании, у вас будет такая возможность. Он выступит на нашем закрытом мероприятии для мебельных ритейлеров 30 июля.

Кто круче управляет компанией — ИИ или скрипт на 200 строк?

Мы всё спорим, какая модель умнее: кто лучше пишет код, кто быстрее считает, у кого длиннее контекст. Но управление компанией — это не одна задача. Это тысяча связанных решений на длинной дистанции, где последствия приходят с задержкой, а данные вокруг далеко не всегда точны. И вот с этим у ИИ всё сложно.

Наткнулся на свежий бенчмарк CEO-Bench, который проверяет способность моделей вести компанию к цели. Авторы из Princeton University называют это steering intelligence.

Условия: агент управляет SaaS-стартапом 500 дней через программный интерфейс — 34 инструмента, база из 19 таблиц, живой рынок. На старте $1 млн и ноль клиентов. Метрика одна — сколько денег на счёте в конце.

Актуальный результат (лидерборд обновляется, я смотрю на сегодняшний):

Rule-Based Baseline — $15,76 млн
Claude Fable 5 — $12,63 млн
GPT-5.6 Sol — $11,31 млн
Claude Opus 4.8 — $2,40 млн

Выше стартового миллиона удержались только три модели. Но самое интересное — их обошёл baseline. Простой алгоритм, который фиксирует цены и тарифы, концентрирует привлечение на узкой группе клиентов и подстраивает мощности под реальное потребление. Никакого интеллекта в цикле принятия решений.

По разбору авторов, успех коррелирует с тремя вещами: умением вычитывать скрытую структуру из данных, просчитывать последствия и подстраиваться под давление конкурентов. А сыпется большинство моделей на другом. Они не могут удержать вместе рост, качество и денежный поток на длинной дистанции.

Дисциплинированная стратегия в жёстких рамках обыгрывает свободную импровизацию умной модели.

А я как раз недавно писал пост о harness engineering. Сильная модель без внешнего контура (правил, границ, критериев решения) на коротком горизонте выглядит блестяще, а на дистанции в 500 дней проигрывает скрипту.

👉 Вывод для тех, кто уже сажает ИИ на управленческие задачи: вкладываться стоит не в модель поумнее, а в контур вокруг неё. Правила, память, сверка с данными, понятные критерии выбора.

Для калибровки: теоретический потолок в этой симуляции авторы оценивают в $2,2 млрд. То есть лучший результат — меньше процента от возможного. Бенчмарк далёк от насыщения, и это, пожалуй, главная новость: управлять вдолгую пока из моделей не умеет почти никто.

Кому интересно, репозиторий CEO-Bench и статья.

Отличие харнесс-инжиниринга от вайбкодинга и при чём здесь профессия будущего

Вечером стояли вдвоём с операционным директором у офиса Яндекса на Льва Толстого. Официальная часть мероприятия о голосовых ИИ-технологиях для ритейла уже закончилась, а мы всё обсуждали наши замеры движков транскрибации и подход команды Яндекса. Мимо с парковки выкатился беспилотник, увешанный лидарами. В голове пронеслась мысль: «Автопилоты скоро будут везде, а таксисты — самая массовая профессия на планете. Куда денутся миллионы этих людей?»

100 лет назад профессию водителя можно было назвать самой быстрорастущей. Т.е. в массу пошли этакие погонщики железных машин, новых постоянных спутников человека. При этом часть людей именно профессиональные водители, их в мире около 200-300 млн по разным оценкам, но ещё больше людей просто водят в личных целях.

А что становится профессией будущего сейчас?

Вокруг меня всё больше директоров и совладельцев, из числа по-хорошему замороченных на результате, которые сами собирают себе проекты, приложения, дашборды, отчёты, агентов — даже те, кто всю жизнь держался от разработки подальше. О чём-то это говорит.

Правда, у некоторых из них в глазах уже видно разочарование: на своих данных они поняли, как уверенно и опасно AI ошибается, если не имеет чётких границ требуемого поведения и результата. И это разочарование — признак зрелости. Умную машину нужно держать под постоянным контролем и мониторингом. В прямом смысле слова: держать в узде. Напомню, узда — часть сбруи, которой управляют лошадью. Сбруя по-английски harness. Отсюда и понятие harness engineering.

Харнесс-инженер — профессиональный разработчик, который использует в своей работе AI. Он проектирует среду, где агенты пишут, проверяют и доводят код до качества: правила, контекст, тесты, линтеры, архитектурные границы, CI, ревью-агенты, права доступа, наблюдаемость. Я убеждён, это и есть профессия будущего в IT-разработке. Наверное, это некий гибрид архитектора, аналитика, devops, техлида.

Но мне вспоминаются из далёкого прошлого сетования водителя маршрутки или таксиста на автолюбителей, которые, по их мнению, только мешают выполнять им свою работу. Ну что ж нам, любителям, не ездить теперь, что ли? 😅 Как и в случае с авто, прогресс очень быстро подтянет уровень и массовость любителей, вот увидите.

Мы в команде не противопоставляем харнесс и вайбкодинг — просто разделяем пока что. Разные задачи, разные этапы создания ценности, разные условия применения. Отличия свёл в таблицу, она на картинке. Сохраните — пригодится в следующем споре о том, кто и как теперь должен писать код)

Хочу поделиться двумя новостями прошлой недели, которые лично для меня стали как бы маркерами грамотного распределения ресурсов и работы команды RetailCRM 👇

1. Наш кейс с клиентом Lazurit взял первое место на конкурсе New Retail’26, номинация «Привлечение и удержание покупателей в омниканальном ритейле»

Сейчас операционка требует от меня меньше включения благодаря сильной команде. А у меня есть возможность качественно погружаться в стратегию развития. Куда развивается ИИ и технологии, как изменится поведение покупателей, что нужно встроить в платформу раньше, чем рынок до этого дозреет. А команда в это время держит операционку. И, как я вижу, держит её хорошо.

Эта победа в конкурсе кейсов с нашим клиентом Lazurit — как раз отличный пример. Ребята собрали единый контур в RetailCRM, где менеджер видит весь путь клиента с первого сообщения, настроили умное распределение заявок между двумя кол-центрами на все часовые пояса, прикрутили аналитику в реальном времени для руководителей.

В итоге 74% оформленных заказов доходят до оплаты, обрабатывают 5 000 обращений в неделю, 60+ менеджеров работают в одной системе.

Большая совместная работа, которую по достоинству оценило экспертное жюри. Всего на конкурс подавалось более 60 кейсов, до финала дошли 27, победителями стали всего 10 — и среди них мы.

2. RetailCRM в рейтинге лучших CRM-систем для интернет-магазинов по версии Sostav

Мы вошли в топ-10 CRM России. Тут уже не один кейс, это о платформе в целом. Как она справляется с заказами, коммуникациями, аналитикой в сравнении с остальными решениями на рынке.

Среди сильных сторон Sostav выделили: глубокую специализацию на ecommerce, широкий набор интеграций, работу с повторными продажами и омниканальными коммуникациями, встроенную аналитику продаж и эффективности менеджеров.

Для меня это лакмусовая бумажка — с одной стороны положительное восприятие и высокая экспертная оценка от рынка, а с другой — вижу, что и команда двигается в верном направлении, совместно достигаем таких результатов 💪

Боты впервые обогнали людей по трафику в интернете

По данным Cloudflare Radar, 57,4% запросов к сайтам — от ботов, 42,6% — от людей. CEO Cloudflare сам признался*: «не ожидал, думал к концу 2027-го, но агентский трафик растёт так быстро, что это случилось уже сейчас».

И это не те старые боты-спамеры. Это агенты, которые серфят интернет вместо нас. Человек ищет товар — открывает 5 сайтов. Агент делает то же самое — только заходит на 5 000.

Весь интернет строился под человеческое внимание — реклама, воронки, конверсии. Когда большую часть трафика генерируют агенты, а не люди — эта экономика просто перестаёт работать по-старому.

Агенты, между прочим, и между собой уже общаются в соцсети. Вот тут писал об этом, если пропустили.

*Деятельность платформы X (Twitter) заблокирована на территории РФ.

70% пользователей не завершают покупку

Это принято считать проблемой c конверсией. Но по факту, нормальный сценарий поведения, не думали? Треть людей использует корзину как список «куплю попозже». Ещё четверть берут паузу подумать. 18% просто сравнивают варианты.

Самые популярные сценарии такие:

1️⃣ Browse abandonment: тут корзина используется как список желаний

Человек добавляет товар, чтобы не потерять, вернуться после зарплаты или подумать над покупкой на выходных. Что происходит дальше?

Вы шлёте ему сообщение формата «вы забыли товар в корзине». Но покупатель-то ничего не забыл, просто не собирался пока оплачивать. Коммуникация не к месту только раздражает, так даже самые лояльные отвалятся.

И кстати, пользователи из этого сценария часто более ценные клиенты. LTV в 2-4 раза выше, чем у тех, кто покупает импульсивно.

2️⃣ Checkout abandonment: корзина, которую бросили из-за сложного клиентского пути

Долгая доставка, непонятные сроки, обязательная регистрация. Здесь человек хотел купить, но споткнулся о барьер, который вы сами не убрали.

Но главная, пожалуй, проблема в том, что большинство ритейлеров реагируют на оба сценария одинаково — догоняющим письмом со скидкой, что в корне не верно.

Как пересобрать работу с корзиной, я рассказал в колонке для New Retail.