ilya_eli

Ошибки ИИ-фикации

Уже второй раз выступаю экспертом на внутренних хакатонах в группе компаний i-Free, цель которых создать AI enabled команды.

Собрал 5 ошибок, которые чаще всего убивают внедрения после демо:

1. Не посчитана экономика внедрения. Считают выигрыш во времени, но не считают стоимость поддержки решения. В итоге сотрудник стал эффективнее, но он остается в штате и ЗП ему платить все равно надо. Экономия на бумаге есть, в P&L ее нет.

2. Нет оунера, бюджета и ресурса. AI-чемпион накахатонит прототип за 48 часов, но дальше ему нужен хотя бы 1 день в неделю рабочего времени на доработку. Без этого прототип остается прототипом

3. Не спроектировано изменение процесса. Тулза может быть отличной, но если процессы образца 2019 года, разработчики не доверяют ИИ, а отдел держится на согласованиях, внедрение не срастется

4. Лидером назначают энтузиаста без технической экспертизы. На текущем этапе зрелости AI в компаниях лучше заходят скептики-сениоры: они не создают завышенных ожиданий и закрывают больше юзкейсов, а значит внедрение получается стабильнее

5. Спешка вместо просчета. Внедрить быстро хочется всем, но ни у одной роли обычно нет карты всего процесса целиком. И некому ответить, где именно ИИ создаст ценность, а где просто добавит еще один шаг

Очередное подтверждение вывода, что узкое место внедрения ИИ не в технологиях, а в людях и процессах вокруг них

#AI

Реальный кейс разработки SaaS с AI

За 2 месяца я собрал SaaS-платформу, которой уже пользуются несколько команд в двух компаниях. Код при этом писали дружбаны Claude Code и Codex. Фактически я переквалифицировался в продуктового AI-инженера: агенты закрыли роли разработчика, тестировщика, девопса и дизайнера.

Что за продукт
AI-платформа анализа обратной связи игроков для геймдев-студии. Она собирает фидбек из 8 каналов: сторы, Discord, Telegram, VK, тикетная система и внутриигровой чат. Это до 10 тысяч сообщений со всех проектов, отзывов и тикетов в неделю.

Как было
Комьюнити-менеджер читал каждый канал вручную, тратил несколько часов на еженедельное сведение отчета, а до части каналов руки не доходили вовсе. Чем больше каналов, тем больше слепых зон.

Как стало
1. Пайплайн сам собирает сообщения, дедуплицирует и группирует по субкластерам и проблемам, что сокращает время на подготовку отчета до 6 раз, либо полностью отменяет потребность в этом
2. На критические сообщения прилетают алерты в мессенджер, туда же приходят агрегированные дайджесты-сводки
3. Есть чат-агент, которому можно задать вопрос вроде «когда начался рост жалоб на X» и получить анализ по запросу — как единая точка правды для продюсеров и продуктовой команды

Больше всего ценности сейчас дают алерты и дайджесты: один из них уже помог команде оперативно поймать и починить отвалившийся валидатор покупок в игре.

Главная боль в неоднородных данных из разных источников и корректной дедупликации по игроку и по субкластеру. Это те самые «последние 20%», про которые я писал в посте об ошибках AI-стратегий: они сложнее первых 80%.

Главный инсайт
Ценность не в сэкономленных часах КМа. Ценность в том, что впервые виден масштаб проблем: то, что раньше выглядело как пара жалоб в Discord, оказывается системным багом на сотни игроков. А это уже меняет приоритеты и скорость реакции.

Если интересен разбор: как делал дискавери, архитектура пайплайна, стек, грабли дедупликации или как я ставлю задачи агентам, напиши «+» в комментариях, сделаю отдельный пост.

#AI

Экономика верификации или как изменится рынок труда к 2030-му году?

Мир смещается от экономики делания к экономике верификации. Что это значит?

Раньше экономическую ценность давал тот, кто делал, т.е писал код, создавал контент, презентации, готовил отчеты. Сейчас ИИ делает это на достаточно хорошем уровне и в десятки раз дешевле.

К 2030 году в соответствии с исследованием Catalini, Hui & Wu — "Some Simple Economics of AGI" (Feb 2026) авторы предлагают концепцию Сэндвича в структуре организаций. Тонкий слой управленцев сверху, посередине толстый слой агентов и автоматизаций, а снизу верификаторы результата работы агента, те кто возьмет на себя ответственность за работу искусственного интеллекта.

Четыре роли будущего
Рынок труда перестраивается по двум осям: насколько задачу сложно автоматизировать и насколько сложно проверить результат.
Получается четыре квадранта.

1. Директор (director). Работает там, где нет готовых решений, высокий уровень неопределенности, отвечает за стратегию.

2. Мейкер (maker).
Суши-мастер с тремя звёздами Michelin, дорогие издели ручной работы, экономика впечатлений. Рынок платит премию за «сделано человеком» как за люкс.

3. Андеррайтер/поручитель (liability manager).
Ставит подпись и берёт юридическую ответственность за результат ИИ. У модели нет правосубъектности - судить и взыскивать не с кого. Подписывает человек.

3. Коммодити (Commoditized).
Объёмные простые задачи, которые легко сделать и легко проверить. Для этой роли рынок найма схлапывается первым. Найм джунов-разработчиков уже упал на 16% относительно сеньоров, корпорации в Штатах делают огромные сокращения в IT, т.е процесс идёт прямо сейчас.

Новая формула экономики

Было (операция умножения):
Капитал × Люди = Результат

Для благосостояния помимо капитала нужен человеческий ресурс

Стало (операция сложения):
Капитал + Люди = Результат

Вычислительные мощности и модели производят результат сами. Даже если человек ничего не вложил. Люди перестали быть обязательным множителем и стал слагаемым.

В мире где стоимость контента и кода стремится к нулю на первое место выходит важность верификации результата. Поэтому SaaS не умрет, если станет поручителем этого результата. А человек будет востребован, если будет отвечать за результат и уметь принимать решения в зоне высокой неопределенности

#AI

7 вопросов Питера Тиля для оценки качества стартапа

1. Быть на порядок лучше основного конкурента
→ Можешь сделать прорыв, а не постепенное улучшение?

Правило 10x: продукт должен быть в 10 раз лучше альтернативы. PayPal дал электронные платежи между незнакомцами - это было кратно удобнее чеков и банковских переводов.

2. Время
→ Сейчас правильный момент для запуска?

Tesla стартовала в 2003, поймав окно государственных субсидий, когда созрели литий-ионные батареи. На 10 лет раньше технология была сырой, на 10 позже рынок был бы переполнен.

3. Возможность стать монополистом
→ Стартуешь с большой долей маленького рынка?

Facebook начал с одного факультета Гарварда, Amazon - только с книг. Лучше доминировать в нише на $1 млн, чем быть мелким игроком на рынке в $1 млрд.

4. Команда
Есть сильный лидер и нужные компетенции?

Тиль приводит в пример «мафию PayPal» - из неё потом вышли основатели Tesla, LinkedIn, YouTube, Yelp. Он считал, что настоящие фаундеры с видением носят футболки и джинсы, а не костюмы, т.е являются отклонениями от среднестатистической нормы (см. картинку в комментах)

5. Маркетинг и продажи
→ Как продукт дойдет до клиента?

Tesla отказалась от дилеров и построила собственные салоны, чтобы лучше понимать потребности клиентов и строить сильный бренд. Сейчас, когда код и контент значительно обесценились, дистрибуция становится важнейшим и необходимым условием для победы на рынке

6. Долгосрочное конкурентное преимущество
→ Насколько ваша позиция защищена через 10-20 лет?

Большинство ресторанов гибнет в первые годы - барьеров входа почти нет. Google держит поисковую монополию (so far) 30 лет за счёт сетевого эффекта и данных, которые конкуренту не воспроизвести.

7. Секрет
→ Нашёл возможность, которую другие не видят?

Основатели Airbnb увидели то, что отельеры считали бредом: люди готовы спать в квартирах незнакомцев. Любимый вопрос Тиля на собеседовании: «Назови важную истину, с которой большинство людей, по большей части не согласны?»

Tesla — яркий пример успешного стартапа в, который успешно закрыл все 7 вопросов еще 20 лет назад и выиграл на рынке зеленой энергетики, в отличие от других конкурентов в этой нише, кто не выжил.

#Product

Большинство людей не хотят свободы - они хотят разрешения.

Они говорят, что мечтают о своём деле, своём графике, своём голосе - но в реальности ждут, пока кто-то авторитетный скажет: «тебе можно». Начальник, рынок, родители, эксперт с галочкой, алгоритм. Без этой санкции они не двигаются - и называют это «осторожностью», «стратегией», «не время».

Свобода требует нести последствия собственных решений в одиночку. Это тяжелее, чем любая работа по найму. Поэтому 9 из 10 людей, получив свободу, за полгода воссоздают себе новую клетку - просто с более приятными обоями.

Вывод - не строй продукты для «свободы». Строй продукты, которые дают людям легитимное разрешение сделать то, что они и так хотели.

Duolingo не учит языкам - он разрешает чувствовать себя умным за 5 минут в день. Это продаётся

#эссенциализм

С приходом AI уже нет разделения людей на технарей и не-технарей.

Каждый может быть и разработчиком, и маркетологом, и сейлзом, и продактом.

Есть большая разница между теми, кто использует AI-агентов каждый день и строит с их помощью, и теми, кто нет.

И эта разница растет с каждым днем вместе с сумасшедшим прогрессом, который мы наблюдаем.
#AI

Про монополию, конкуренцию и новые рынки

Стать монополистом на узком рынке — лучшая стратегия конкурирования

Как построить монополию: 4 характеристики + фреймворк 7 Powers

Питер Тиль (основатель PayPal) выделяет 4 ключевые монополии, они пересекаются с фреймворком 7 Powers Хелмера Хамилтона - стратега, который изучал, что делает бизнес непобедимым.

1. Технологическое превосходство (10x improvement)

Продукт должен быть минимум в 10 раз лучше ближайшего конкурента. PayPal сделал платежи на eBay в 10 раз удобнее, чем чеки и банковские переводы. Amazon предложил в 10 раз больше книг, чем любой физический магазин.

По Хамилтону это называется Counter-positioning - ты концентрируешься на узком сегменте и делаешь его настолько хорошо, что крупные конкуренты не могут повторить из-за своей структуры.

2. Сетевой эффект (Network economics)

Чем больше пользователей - тем ценнее продукт для каждого следующего. Facebook бесполезен в одиночку, но незаменим, когда там все друзья. eBay стал главной площадкой потому что покупатели идут туда, где продавцы - и наоборот.

Тиль подчеркивает парадокс: сетевые эффекты очень сильны, но бизнес с сетевым эффектом должен начинать с очень маленьких рынков. Facebook начал с Гарварда, не со всего мира.

3. Эффект масштаба (Scale economics)

Монополия становится сильнее по мере роста. Стоимость создания копии ПО близка к нулю, поэтому софтверные компании получают максимальную выгоду от масштаба. Twitter обслуживает 250 млн пользователей без принципиальных изменений архитектуры.

А вот студия йоги масштабироваться не может — больше клиентов = больше инструкторов и залов. Прибыль остается низкой. Программисты же могут обеспечить ценностью миллионы людей силами небольшой команды.

4. Бренд + Switching costs

Apple владеет монополией на свой бренд. Но Тиль предупреждает: бренд работает только при наличии реальных технологий под капотом.

Когда Стив Джобс вернулся в Apple, он не просто строил бренд — он безжалостно сократил линейку продуктов, чтобы сфокусироваться на тех, где компания могла достигнуть 10-кратного превосходства. Плюс Apple создала высокие switching costs через экосистему: тысячи разработчиков пишут приложения, миллионы пользователей хранят контент — переключиться на Android болезненно дорого.

Контрпример — Yahoo! под руководством Мариссы Майер. Компания фокусировалась на бренде, покупала модные стартапы вроде Tumblr, но так и не ответила на вопрос: какие продукты Yahoo! делает лучше всех? Бренд без продукта — пустышка.

Начни с крошечного рынка

Amazon начал с книг, хотя Безос хотел продавать всё. Книги — однородный товар, легко доставлять. Редкие издания привлекали самых преданных клиентов. Захватив книжный рынок, Amazon постепенно добавлял категории: CD, видео, софт — пока не стал главным мировым магазином.

Вывод
Не пытайся откусить 1% от рынка в 100 млрд. На практике ты либо не найдешь позицию для старта, либо конкуренция съест всю маржу.
Лучшая стратегия: стать монополистом на рынке в 10 млн, а потом расширяться на смежные территории. Как Amazon, eBay и PayPal.

Вдохновлено главой 5 книги П. Тиля «От нуля к единице»

#Product

Окно возможностей, которое открывается раз в поколение

Следующие 10-20 лет большинство рынков будут переделены заново. И делать это будут не корпорации, а команды из 2-5 человек, которые умеют работать с ИИ как с армией сотрудников.

Почему старые правила больше не работают:

1. Стоимость экспериментов упала на порядок. Один фаундер + 20 агентов, работающих 24/7, заменяют команду из 100 человек. Технический барьер снят.

2. Стоимость ошибки приближается к нулю. Можно пробовать десятки направлений подряд, пока одно не начнет стрелять. Раньше за такую роскошь платили годами и миллионами.

3. Изменился главный навык. Не нужно «уметь всё». Нужно уметь задавать вопросы, формулировать видение и синхронизировать инструменты под одну цель.

Что сейчас важно:
- Скорость запуска
- Глубина инсайта о рынке
- Способность доводить до клиента
Всё остальное — ложный комфорт.

B2B, образование, здоровье, маркетинг, персональные ассистенты - всё будет перестроено компаниями, которые стартовали в 2024-2026. Через пять лет будет поздно. Тектонический сдвиг уже идёт.

Миллиардные компании будут созданы не из-за правильных слайдов, а из-за смелости попробовать. Не через год. Не когда станет спокойно. А сейчас.

https://www.youtube.com/watch?v=wZ1joGIUyK8&t=1505s

#AI​​​​​​​​​​​​​​​​

Итоги 2025 в ИИ: парадоксы, страхи и что реально изменилось

Прогресс этого года удивляет. Модель, которая год назад казалось прорывом (о3) сейчас уже легаси, т.е устарела. Главный скачок случился в кодогенерации.

Парадокс года
Согласно результатам недавнего опроса от Claude Anthropic, - модели дешевеют, и тем не менее люди тратят на ИИ больше. Причина простая: появились задачи, которые раньше бы просто не делались, т.к снизился порог входа в них.

На своем примере не так давно я сделал несколько задач/проектов в помощь продвижения своей жены, которые раньше потребовали бы нанять разработчика. Например, ИИ-бот с генерацией детских историй, полноценный лендинг в продакшене, скрипты для разных задач или даже полноценная чат-бот платформа, которую я использую, чтобы не платить за Salebot и аналоги.

Интересно, что крупнейший YC-акселератор стартапов впервые инвестировал в команды без технических фаундеров.

Про страх и стыд
Anthropic недавно провел исследование: 69% людей стыдятся и скрывают использование ИИ. Разработчики боятся, что их заменят, и не только они. Заметна потребность в найме тех же продактов, например.

Что становится важным: уметь быть тимлидом команды из ИИ-агентов и разработчиков, а также проектировать архитектуру взаимодействия систем.

Про ограничения
Ученые не доверяют ИИ из-за галлюцинаций. У них высокая цена ошибки. Есть гипотеза, что с текущей архитектурой LLM это не изменится. Нужны исследования в других направлениях.

Кстати, Майкл Бьюрри, который предсказал кризис 2008-го снова ставит "на понижение", говорит что ИИ это пузырь.

Тренды 2026 в LLM
1. Память модели (сейчас ее по сути нет, я писал здесь об ограничениях моделей)
2. Снижение стоимости вычислений и рост скорости inference
4. Лейтмотив: вместо того, чтобы покупать подписку на SaaS-сервис, сделай его под себя и кастомизируй

Неважно, является ИИ пузырем или нет. Важно то, как он будет менять индустрии в ближайшие десятки лет.

P.S.: примечание к картинке с бенчмарками: модель от Гугла сделала большой прорыв в этом году, а Claude доминирует в кодинге в энтерпрайз-сегменте

P.S.S.: декабрь - отличное время для подведения итогов года, и я делаю это в компании AI Mindset

#AI

4 ошибки в стратегии AI-продуктов, которых нужно избегать

Ошибка 1 - Посыпание волшебной AI-пылью

Проблема
Команды добавляют AI просто потому что могут, а не потому что нужно. Пользователям неважен AI - им важно решать проблемы быстрее и лучше.

Пример
Google AI поиск прячет результаты поиска за кнопкой “Показать больше”, чтобы не потеснить рекламу. Фича не улучшает поиск.
Perplexity переосмыслил поиск: даёт полные ответы сразу в приложении, сохраняет цитаты с источниками и позволяет задавать уточняющие вопросы в потоке.

Причины:
- FOMO от конкурентов
- поверхностное понимание AI (фокус на чат-боты вместо фундаментальных инноваций)
- мышление от решения (“как добавить AI?”) вместо проблемы (“что решать?”)
- давление руководства на быстрый запуск

Ошибка 2 - Сделать 80% того, что LLM умеет базово, упустить 20% деталей и нюансов

Проблема
Эти последние 20% - не просто доработка, а принципиально другая задача: превратить демо с хорошими метриками в продукт, которому пользователи будут доверять ежедневно. На эти финальные 20% обычно уходит больше времени, ресурсов и изобретательности, чем на первые 80% функциональности.​​​​​​​​​​​​​​​​

Почему это происходит
- Команды не понимают взаимосвязь технических возможностей и успеха продукта. А пользователю важно, чтобы его задача качественно выполнялась и был предсказуемый результат
- Впечатляющие результаты в контролируемых условиях редко учитывают сложность реального мира, где появляется куча краевых сценариев использования (edge cases)

Статистика подтверждает
95% пилотов и внедрений ИИ в компании остаются пилотами и не приводят к ощутимым результатам

Ошибка 3 - Делать сложные решения или действовать недостаточно быстро

Текущие AI возможности уже достаточно мощные. Например, Discript изменил подход к видеомонтажу объединив существующие технологии: распознавание речи, генерацию голоса и обработку языка. Его фишка в редактировании видео как текста, что дизраптит существующие способы.

Также быстрое развитие AI порождает паралич анализа - команды боятся, что их продукт устареет до запуска, если OpenAI или Anthropic реализуют то, что убьет их стартап, поэтому зацикливаются на исследованиях вместо того, чтобы выпускать продукты и решать проблемы клиентов.

Ошибка 4 - Строить с нуля, вместо переиспользования

Многие команды боятся строить на чужих AI-платформах вроде OpenAI, считая это стратегической слабостью, и создают собственную инфраструктуру. Это замедляет разработку и отвлекает от реальных задач — решения проблем клиентов.

Builder.io показал умный подход: начали с API OpenAI, но когда качество не устроило, обучили специализированную модель только для конверсии скриншотов в код, оставив остальное на платформах.

Почему так происходит: команды переоценивают ценность контроля над AI-инфраструктурой и недооценивают её стоимость. Реальное конкурентное преимущество - в UX и интеграции в процессы, а не в сырой мощности AI. Попытка конкурировать с OpenAI или Anthropic - не самое стратегически верное решение.​​​​​​​​​​​​​​​​

#AI
#reforge_conspects

За последние два месяца на курсе у Байрама я плотно погрузился в вайбкодинг и понял как проектировать агентные системы.

Теперь Claude Code — мой лучший друг 😁
Он помогает как в задачах программирования, написания скриптов, автоматизации исследований, так и в нетехнических задачах.

До этого я пробовал n8n, Cursor, Windsurf, lovable dev, bolt и другие тулзы, но лучше Клода для задач с кодом пока ничего нет.

Claude Code я использую внутри Cursor, мне нравится в последнем интерфейс.

Как я работаю с нетехническими задачами:
— открываю в Cursor заметки и материалы в Obsidian и использую их как контекст вместо промптов и это позволяет LLM генерировать более точные ответы 🔥 это позволяет обходить ограничения использования LLM из их родного интерфейса, о которых я писал выше

Я погрузился в задачи по продюсированию ютуба для доктора Лизы и теперь могу по клику находить трендовые видео, делать саммаризацию комментариев под видео конкурентов, делать якорные сценарии, таймкоды и другие задачи, которые раньше могли занимать намного больше времени. Что-то интегрировал в чат-бот, что-то в Гугл-таблицы. Кстати, вы можете проверить как работает веб-версия анализатора комментариев для ютуба

Приятно осознавать, как правильно выстроенная автоматизация процессов может кратно повысить эффективность работы. При этом важно помнить принцип эссенциализма - автоматизировать стоит только то, что действительно создает ценность.

#личное
#AI

Чем AI как технологический сдвиг отличается от других технологий

Одно из отличий в том, что ИИ создает значимо больше конкуренции в «красном океане», в то время как предыдущие технологии (интернет, мобайл, облако) создавали «голубые океаны».

Например,
- Jasper AI появился в 2021 как инструмент написания текстов для маркетологов, когда еще не было аналогов (голубой океан)
- Они привлекли тысячи платящих пользователей и достигли оценки в $1.5 миллиарда
- Затем появились прямые конкуренты и платформы, как ноушена, гугла докс, openai и claude и другие вертикальные b2b saas, которые внедрили ту же технологию (красный океан)
- Jasper AI потерял более половины пользователей и был вынужден пивотнуться в решения для энтерпрайз

С появлением ИИ характер принятия продуктовых решений меняется:
1. Появляются новые правила конкурирования, дистрибуция становится важнее как никогда
2. Продукты намного быстрее теряют PMF и другие «фиты»
3. Значительно сокращается стратегический цикл и время на принятие решений.

Интернет, мобайл и облака как технологии создавали technological shift, т.е новые способы создания ценности и distribution shift — новые способы продвижения и дистрибуции.

Дистрибуционный рычаг для ИИ еще не появился, хотя MCP частично про это, поэтому ждем в ближайшее время App Store для AI приложений или иной механизм, решающий эту задачу.

#AI

Интерфейсы (UI) через 5-7 лет станут неактуальны — всё общение перейдет в естественную форму через язык и жесты. Агенты пока подстраиваются под человеческие интерфейсы, но это временное решение. В будущем взаимодействие будет максимально естественным.

Ну а пока есть смысл осваивать те интерфейсы, которые есть, поэтому я планирую на воркшоп к Диме, чтобы создавать serveress AI-ботов с помощью вайбкодинга

#AI

Основные ограничения «сырого» использования LLM моделей, или «искусственного интеллекта» с разных сторон

1. Знания (knowledge).
LLM похожа на поезд, который прокладывает себе путь по рельсам, самостоятельно выбирая каждый следующий отрезок. Она не «видит» на несколько шагов вперед, а лишь предсказывает следующее слово по вероятностям, вычисляемым на основе косинусного расстояния между векторами в эмбеддинг-пространстве.

2. Память (memory). Контекстное окно ограничено, а с его расширением значительно увеличивается стоимость обработки (inference). Например, с ростом памяти в 2 раза стоимость compute (обработка операции в токенах) увеличивается в 4 раза. Позитивный тренд: за последние 2 года стоимость вычислений существенно снизилась—в 240 раз (например, обработка 2 млн токенов в GPT упала со $180 до $0,75)

3. Мышление/ризонинг (Reasoning). Если у человека, согласно Канеману, есть два типа мышления — быстрое и медленное, то у LLM фактически есть только быстрое. И хотя последние модели (o3, claude Opus, gemini 2.5) сделали значительный шаг вперед, “глубокого” или медленного мышления у LLM пока нет.

4. Способность к обучению.
LLM не учится непосредственно на корректировках пользователя, не запоминает отраслевые термины и не адаптируется под предпочтения. Для решения этих задач в коммерческом использовании есть отдельные инструменты: RAG (поиск и подгрузка контекста), fine-tuning (тонкая настройка моделей), и другие (классический ML)

5. Инструменты (tools).
LLM ограничены в возможностях взаимодействия с внешними данными, средами и инструментами повседневных задач. Для решения этой проблемы используются протоколы, такие как MCP, или агентские фреймворки, например, A2A.

6. Понимание цели и контекста.
Несмотря на хороший промпт, LLM теряет контекст и не способна отвечать/решать задачу эффективно держа в фокусе цель запроса. Например, для решения бизнес-задачи, она может давать пул нерелевантных метрик из-за поверхностного анализа и слабой приоритизации, т.к она теряет контекст главной цели и понимание задачи

#reforge_conspects