This media is not supported in your browser
VIEW IN TELEGRAM
Понедельник – день перерождений
Идеи для продуктов не рождаются и не умирают, они всегда существуют вне нас и времени — в окружающем нас мире и в потоке его сознания.
Мы лишь на короткое время прикасаемся к его истокам — к смыслам, интерпретируя и перерождая их в собственные формы идей.
Смыслы в идеи, идеи в ощущения, ощущения в слова, слова в родмэпы, родмэп в продукты, продукты в рынок. Рынок в мир. И так — условно бесконечный цикл.
Идеи в продукте перерождаются, но его ядро всегда неизменно.
Потеря ядра превращает продукт в пустую форму. Задача продакта — хранить ядро, перерождая формы.
Ведь Смыслы вечны вне времён, их в этом суть.
А формы временны — рождаются, чтобы однажды вновь уснуть.
Идеи для продуктов не рождаются и не умирают, они всегда существуют вне нас и времени — в окружающем нас мире и в потоке его сознания.
Мы лишь на короткое время прикасаемся к его истокам — к смыслам, интерпретируя и перерождая их в собственные формы идей.
Смыслы в идеи, идеи в ощущения, ощущения в слова, слова в родмэпы, родмэп в продукты, продукты в рынок. Рынок в мир. И так — условно бесконечный цикл.
Идеи в продукте перерождаются, но его ядро всегда неизменно.
Ядро продукта – Смысл, не форма
Потеря ядра превращает продукт в пустую форму. Задача продакта — хранить ядро, перерождая формы.
Ведь Смыслы вечны вне времён, их в этом суть.
А формы временны — рождаются, чтобы однажды вновь уснуть.
This media is not supported in your browser
VIEW IN TELEGRAM
Ценность и Продукты
– Определяй ядро ценности через CJM. Найди одну-две точки, без которых продукт для пользователя бессмыслен. Усиливай именно их.
– Скорость ценности – то, как быстро пользователь получил ощутимый результат в первые минуты/часы.
– Эхо ценности — ценность, которая проявляется для пользователя позже в отложенных результатах.
– Язык ценности – то, как её называют сами пользователи, а не ты с командой. Если их слова не совпадают с вашими, значит, кто-то из вас живёт в иной системе смыслов и ценностей.
– Сегменты ценности возникают, когда одна и та же фича может быть «базовой» для одного сегмента юзеров и «премиальной» для другого.
– Время ценности — сколько времени экономится продуктом/фичей пользователю, и сколько стоит это время в его контексте.
– Динамика ценности про то, что ценность сегодня и ценность через год для пользователя не одно и то же. Пересматривай даже(особенно!) старые гипотезы регулярно.
– Теневая ценность — это то, как пользователи применяют продукт не по назначению. Часто именно там скрыта новая зона ценности.
– Граница ценности — точка, где продукт перестаёт усиливать и начинает мешать пользователю.
– Парадоксы ценности в том, что продукт ограничивает или запрещает (лимиты, рамки, дисциплина) для пользователя.
– Граница ценности — точка, где продукт перестаёт усиливать пользователя и начинает ему мешать.
– Отрицательная ценность — что пользователь теряет, пока пользуется продуктом (время, энергия, контроль). Устранение отрицательной ценности в продукте не менее важно, чем добавление положительной.
– Карма ценности в том, что юзер испытал с другими продуктами в своём прошлом опыте. Она определяет то, как он воспринимает ценность твоего продукта сегодня. Она же определяет то, как он будет воспринимать другие продукты в будущем.
– Заменяемая ценность — ценность, которую пользователь выбирает вместо твоего продукта.
Следи за тем, как конкуренты реагируют на то, как вы реализуете свою ценность. У твоего продукта есть конкурентное преимущество в виде ценности только в том случае, если конкуренты не могут заполучить и повторить её.
– Перерождение ценности — цикл, когда каждая новая фича/итерация продукта меняет и улучшает его форму. Помни, что его ядро бесценно.
– Определяй ядро ценности через CJM. Найди одну-две точки, без которых продукт для пользователя бессмыслен. Усиливай именно их.
– Скорость ценности – то, как быстро пользователь получил ощутимый результат в первые минуты/часы.
– Эхо ценности — ценность, которая проявляется для пользователя позже в отложенных результатах.
– Язык ценности – то, как её называют сами пользователи, а не ты с командой. Если их слова не совпадают с вашими, значит, кто-то из вас живёт в иной системе смыслов и ценностей.
– Сегменты ценности возникают, когда одна и та же фича может быть «базовой» для одного сегмента юзеров и «премиальной» для другого.
– Время ценности — сколько времени экономится продуктом/фичей пользователю, и сколько стоит это время в его контексте.
– Динамика ценности про то, что ценность сегодня и ценность через год для пользователя не одно и то же. Пересматривай даже(особенно!) старые гипотезы регулярно.
– Теневая ценность — это то, как пользователи применяют продукт не по назначению. Часто именно там скрыта новая зона ценности.
– Граница ценности — точка, где продукт перестаёт усиливать и начинает мешать пользователю.
– Парадоксы ценности в том, что продукт ограничивает или запрещает (лимиты, рамки, дисциплина) для пользователя.
– Граница ценности — точка, где продукт перестаёт усиливать пользователя и начинает ему мешать.
– Отрицательная ценность — что пользователь теряет, пока пользуется продуктом (время, энергия, контроль). Устранение отрицательной ценности в продукте не менее важно, чем добавление положительной.
– Карма ценности в том, что юзер испытал с другими продуктами в своём прошлом опыте. Она определяет то, как он воспринимает ценность твоего продукта сегодня. Она же определяет то, как он будет воспринимать другие продукты в будущем.
– Заменяемая ценность — ценность, которую пользователь выбирает вместо твоего продукта.
Следи за тем, как конкуренты реагируют на то, как вы реализуете свою ценность. У твоего продукта есть конкурентное преимущество в виде ценности только в том случае, если конкуренты не могут заполучить и повторить её.
– Перерождение ценности — цикл, когда каждая новая фича/итерация продукта меняет и улучшает его форму. Помни, что его ядро бесценно.
Ценность – это Цель
6 фреймворков по определению Product-Market Fit
1. Elements of PMF
Максимально простой и понятный фреймворк, которые выделяет 3 самых важных элемента PMF. В тоже время, он не отражает прогресс и уровни PMF. По сути, он не отражает ничего, кроме трёх кругов.
2. Four Levels of PMF
Подсказывает на что следует обращать внимание, чтобы понять, улучшается ли ваше соответствие продукта рынку.
3. Five Levels of PMF
Помогает понять и оценить улучшается ли соответствие продукта рынку через customer case study.
4. The Product-Market Fit Scale
Очень подробно описывает этапы, сигналы и их ценность на пути достижения PMF.
5. The Arc Product-Market Fit Framework
Предлагает определить место на рынке через 3 базовых архетипа PMF.
6. Будущий PMF
Когда у вашего продукта уже найден и достигнут Product Market Fit, вам и вашей команде необходимо работать над поиском нового PMF. Причина простая – рынок растёт и развивается, а значит, что ваш продукт должен расти и развиваться вместе с ним. Если этого не делать, красная пунктирная линия жизни продукта после достижения его текущего PMF (2) сначала будет вяло двигаться в боковом направлении, а потом вообще устремится вниз.
Какой фреймворк лучше использовать?
Смотря по обстоятельствам. Чтобы познакомить людей с концепцией PMF, можно использовать три круга Ленни.
Для продуктов на предпосевной и посевной стадиях можно использовать Шкалу PMF и The Arc.
Для более продвинутых стартапов можно использовать Five Level Model. Фаворита нет, для каждой цели есть свои модели.
– Всё до PMF — притворство
– 10 признаков обнаружения PMF
– 3 сигнала, что вы нашли Product Market Fit
– Предвестник PMF – Product User Fit (PUF)
– Product Market Fit для функций
– Мифы и замеры Product market Fit
– Поиск product market fit на основе данных
1. Elements of PMF
Максимально простой и понятный фреймворк, которые выделяет 3 самых важных элемента PMF. В тоже время, он не отражает прогресс и уровни PMF. По сути, он не отражает ничего, кроме трёх кругов.
2. Four Levels of PMF
Подсказывает на что следует обращать внимание, чтобы понять, улучшается ли ваше соответствие продукта рынку.
3. Five Levels of PMF
Помогает понять и оценить улучшается ли соответствие продукта рынку через customer case study.
4. The Product-Market Fit Scale
Очень подробно описывает этапы, сигналы и их ценность на пути достижения PMF.
5. The Arc Product-Market Fit Framework
Предлагает определить место на рынке через 3 базовых архетипа PMF.
6. Будущий PMF
Когда у вашего продукта уже найден и достигнут Product Market Fit, вам и вашей команде необходимо работать над поиском нового PMF. Причина простая – рынок растёт и развивается, а значит, что ваш продукт должен расти и развиваться вместе с ним. Если этого не делать, красная пунктирная линия жизни продукта после достижения его текущего PMF (2) сначала будет вяло двигаться в боковом направлении, а потом вообще устремится вниз.
Какой фреймворк лучше использовать?
Смотря по обстоятельствам. Чтобы познакомить людей с концепцией PMF, можно использовать три круга Ленни.
Для продуктов на предпосевной и посевной стадиях можно использовать Шкалу PMF и The Arc.
Для более продвинутых стартапов можно использовать Five Level Model. Фаворита нет, для каждой цели есть свои модели.
– Всё до PMF — притворство
– 10 признаков обнаружения PMF
– 3 сигнала, что вы нашли Product Market Fit
– Предвестник PMF – Product User Fit (PUF)
– Product Market Fit для функций
– Мифы и замеры Product market Fit
– Поиск product market fit на основе данных
This media is not supported in your browser
VIEW IN TELEGRAM
Видео-фидбэк 15-20 минут на каждое выполненное задание? Да!
Именно так подходят к обучению на курсе «Графический дизайн с нуля», ведь самое ценное — это обратная связь!
Преподаватели из div.academy разбирают макеты студентов на атомы и стремятся дать понимание, как всё устроено.
Пиши менеджеру «доступ», и ребята откроют доступ к части материалов курса бесплатно. Если это твоё, то сделают скидку на покупку курса 10% (скидка действует до 29.09.2025).
Полная версия видео-фидбэка
А ещё в канале собрано много полезного контента, подписывайтесь.
Сайт div.academy
Erid: 2W5zFJoUaRv, лицензия: Л035-01217-26/01428527
Именно так подходят к обучению на курсе «Графический дизайн с нуля», ведь самое ценное — это обратная связь!
Преподаватели из div.academy разбирают макеты студентов на атомы и стремятся дать понимание, как всё устроено.
Пиши менеджеру «доступ», и ребята откроют доступ к части материалов курса бесплатно. Если это твоё, то сделают скидку на покупку курса 10% (скидка действует до 29.09.2025).
Полная версия видео-фидбэка
А ещё в канале собрано много полезного контента, подписывайтесь.
Сайт div.academy
Erid: 2W5zFJoUaRv, лицензия: Л035-01217-26/01428527
This media is not supported in your browser
VIEW IN TELEGRAM
Продакт-менеджмент в TikTok: полезные советы по написанию product spec и PRD (by Sun)
Наконец-то годный контент для зумеров подвезли 😤
Наконец-то годный контент для зумеров подвезли 😤
Стратегия – мост между сегодня и завтра, построенный вниманием и решимостью
– Стратегическое видение осуществляется на уровне сердца, тактический выбор — на уровне разума.
Зажигая видение сердцем, передавай команде тактику. Смотри, и вот уже тактика становится стратегией. Цикл перехода энергии замыкается.
– Команда — базис этого цикла, стоящий на двух абсолютных нерушимых принципах: доверии и взаимоуважении. Команда – вот земля.
Понимание = Внимание.
– Следи за тем, как конкуренты реагируют на вашу стратегию и пусть их тень подскажет вам, в чём ваша истинная Сила.
Ваше преимущество – только то, что конкуренты никак не могут повторить. Понимайте их (рынка ) слабости через вашу Силу и действуйте смело.
– Ваш продукт – пространство этой Силы. Каждый элемент продукта — это точки Энергии. Соединяй их так, чтобы вся Система действовала гармонично.
–Инсайты Информация — вода, которая всегда найдет путь, если вы открыты для неё. Истинное Знание приходит через понимание Одной-Главной-Причины, её источника и направления течения.
Вслушивайся, а не слушай воду. Просто созерцайте воду. И ты услышишь То-Одно, что рынок не сказал словами. Стань сам водой. Плавно меняйте формы, не теряя сути. Бурно подмывайте берега. Терпеливо точите камни. И вы затопите собой весь рынок.
Время для решений — вот огонь. Промедление его лишь гасит, смелость превращает в Силу.
Ветер – Ты.
🔥
🏆
– Стратегическое видение осуществляется на уровне сердца, тактический выбор — на уровне разума.
Зажигая видение сердцем, передавай команде тактику. Смотри, и вот уже тактика становится стратегией. Цикл перехода энергии замыкается.
– Команда — базис этого цикла, стоящий на двух абсолютных нерушимых принципах: доверии и взаимоуважении. Команда – вот земля.
Энергия команды там, где понимание цели
Понимание = Внимание.
– Следи за тем, как конкуренты реагируют на вашу стратегию и пусть их тень подскажет вам, в чём ваша истинная Сила.
Ваше преимущество – только то, что конкуренты никак не могут повторить. Понимайте их (
– Ваш продукт – пространство этой Силы. Каждый элемент продукта — это точки Энергии. Соединяй их так, чтобы вся Система действовала гармонично.
Гармония создаёт силу системы
–
Вслушивайся, а не слушай воду. Просто созерцайте воду. И ты услышишь То-Одно, что рынок не сказал словами. Стань сам водой. Плавно меняйте формы, не теряя сути. Бурно подмывайте берега. Терпеливо точите камни. И вы затопите собой весь рынок.
Время для решений — вот огонь. Промедление его лишь гасит, смелость превращает в Силу.
Ветер – Ты.
🔥
🏆
This media is not supported in your browser
VIEW IN TELEGRAM
Понедельник — день мечтаний
Мечтаний огненных идей, о новых фичах, быстреньких релизах, кратном росте метрик, выросшей лояльности,квартальных бонусах и море, рынков изменений.
Но нет мечтаний планом, нет стратегий, нет расписанных задач, нет сроков для продуманных решений.
"Нет" – CJM.
"Нет" – для цепочек действий.
"Нет" – связанным конверсиям.
"Нет" – для командных мнений.
"Нет" – интуиции.
"Нет" – о заботе(ах) юзеров.
Нет смелости любого рода рассуждений.
Всё как "процесс ради процесса".
И потому нет главного – шагов для изменений.
О да, мечты ведут первее планов.
Бесценны те, что превращают их в шаги.
Продуманных мечтаний на неделе!
Мечтаний огненных идей, о новых фичах, быстреньких релизах, кратном росте метрик, выросшей лояльности,
Но нет мечтаний планом, нет стратегий, нет расписанных задач, нет сроков для продуманных решений.
"Нет" – CJM.
"Нет" – для цепочек действий.
"Нет" – связанным конверсиям.
"Нет" – для командных мнений.
"Нет" – интуиции.
"Нет" – о заботе(ах) юзеров.
Нет смелости любого рода рассуждений.
Всё как "процесс ради процесса".
И потому нет главного – шагов для изменений.
О да, мечты ведут первее планов.
Бесценны те, что превращают их в шаги.
Продуманных мечтаний на неделе!
Google запустила edtech ИИ-сервис «Learn Your Way» (и это крах для старой системы образования)
Сервис берёт любую скучную статью/тему и перестраивает её вокруг того, что интересно вам.
Например, если вы увлекаетесь баскетболом и должны выучить законы Ньютона, то объяснение физики строится на дриблинге и бросках. Художник изучает экономику? Теперьналоги всё сводится к галерейным аукционам и арт-рынкам.
"Learn Your Way" генерирует разные способы восприятия одной и той же информации:
– интеллект-карты, если вы мыслите визуально;
– аудиоуроки с этими странными имитациями разговоров учителей;
– временные шкалы, по которым можно кликать;
– тесты, которые меняются в зависимости от того, что вы делаете неправильно.
Google протестировали сервис на 60 учениках и дети, использующие их систему, разгромили группу, изучавшую обычные учебники, как на начальном тестировании, так и на повторном через три дня.
Учебники веками были отстойными потому что создание персонализированных версий было невозможно в больших масштабах.
Революция в edtech выглядит именно так.
👁️ https://learnyourway.withgoogle.com/
📜 https://arxiv.org/abs/2509.13348
Сервис берёт любую скучную статью/тему и перестраивает её вокруг того, что интересно вам.
Например, если вы увлекаетесь баскетболом и должны выучить законы Ньютона, то объяснение физики строится на дриблинге и бросках. Художник изучает экономику? Теперь
"Learn Your Way" генерирует разные способы восприятия одной и той же информации:
– интеллект-карты, если вы мыслите визуально;
– аудиоуроки с этими странными имитациями разговоров учителей;
– временные шкалы, по которым можно кликать;
– тесты, которые меняются в зависимости от того, что вы делаете неправильно.
Google протестировали сервис на 60 учениках и дети, использующие их систему, разгромили группу, изучавшую обычные учебники, как на начальном тестировании, так и на повторном через три дня.
Учебники веками были отстойными потому что создание персонализированных версий было невозможно в больших масштабах.
Революция в edtech выглядит именно так.
👁️ https://learnyourway.withgoogle.com/
📜 https://arxiv.org/abs/2509.13348
Product Management & AI
Советы по созданию своего первого ИИ-агента 1) Выберите маленькую и очень ясную задачу. Забудьте о создании «агента общего назначения» прямо сейчас. Определитесь с одной конкретной задачей, которую должен выполнять ваш ИИ-агент. Примеры: – Запись на…
One year of agentic AI: Six lessons from the people doing the work (by McKinsey)
1. Дело не в ИИ-агентах, а в ваших рабочих процессах
Не зацикливайтесь на создании «впечатляющих» ИИ-агентов. Переосмыслите рабочие процессы и думайте о Системе в целом, а не о забавных корпоративных ИИ-игрушках.
2. AI North Star Metric и AI Journey Map
Полярная звезда ИИ должна определять, как организация будет создавать ценность и конкурентное преимущество с помощью ИИ, и каково её влияние на жизненный цикл продукта и бизнеса.
Например, компания может начать с развертывания ИИ-агентов, выполняющих отдельные задачи, а затем перейти к развертыванию групп агентов, способных достигать комплексных бизнес-результатов.
При таком подходе, некоторые подразделения могут стать минимально жизнеспособными организациями (MVO), где рои ИИ-агентов контролируют большую часть работы, а для проверки результатов задействовано малое количество людей.
Другие подразделения компании могут сохранять большее количество сотрудников, обладающих незаменяемыми ИИ навыками.
При проектировании AI North Star Metric понимайте, какие подразделения компании подходят для каждого типа задач.
Например, функции, требующие высокой степени взаимодействия с клиентами, останутся в большей степени управляемыми человеком, а бэк-офисные операции станут MVO.
3. Отслеживайте каждый шаг, а не только результаты
Масштабирование ИИ-агентов без прозрачности — это путь к скрытым сбоям.
Думайте о мониторинге каждого этапа рабочего процесса. Это позволит командам своевременно выявлять ошибки, быстро совершенствовать логику и избегать масштабных сбоев.
Когда ошибки случаются (а они обязательно произойдут), вы сможете отследить, где именно и почему что-то пошло не так.
4. Используйте ИИ-агентов повторно, когда это возможно
Многие компании тратят время на создание отдельных агентов для каждой задачи. Более разумный подход — создавать модульные компоненты агентов (приём, извлечение, проверка, анализ), которые можно повторно использовать в других рабочих процессах.
Централизация проверенных инструментов и промптов сокращает 30–50% избыточной работы как сотрудников, так и ИИ-агентов.
5. Избегайте «недоделанности ИИ»
Сосредоточьтесь на долгосрочном развитии агентов также, как и на развитии сотрудников.
ИИ-агентам следует предоставить чёткие должностные инструкции, проводить адаптацию и получать обратную связь для регулярного совершенствования, усиливая их контрольные показатели.
6. Агенты не всегда являются решением
Не для каждого рабочего процесса нужна многоагентная система. Низкодисперсные, предсказуемые задачи лучше всего решать с помощью ML правил или машинного обучения.
Главные преимущества ИИ-агентов заключаются в высокодисперсных, запутанных процессах (например, извлечение сложной финансовой информации).
7. Люди по-прежнему остаются важными, но в новых ролях
ИИ-агенты могут анализировать, автоматизировать и масштабировать. Но люди обеспечивают суждение, обработку крайних случаев и креативное решение проблем.
Read also: Reconfiguring work: Change management in the age of gen AI
1. Дело не в ИИ-агентах, а в ваших рабочих процессах
Не зацикливайтесь на создании «впечатляющих» ИИ-агентов. Переосмыслите рабочие процессы и думайте о Системе в целом, а не о забавных корпоративных ИИ-игрушках.
2. AI North Star Metric и AI Journey Map
Полярная звезда ИИ должна определять, как организация будет создавать ценность и конкурентное преимущество с помощью ИИ, и каково её влияние на жизненный цикл продукта и бизнеса.
Например, компания может начать с развертывания ИИ-агентов, выполняющих отдельные задачи, а затем перейти к развертыванию групп агентов, способных достигать комплексных бизнес-результатов.
При таком подходе, некоторые подразделения могут стать минимально жизнеспособными организациями (MVO), где рои ИИ-агентов контролируют большую часть работы, а для проверки результатов задействовано малое количество людей.
Другие подразделения компании могут сохранять большее количество сотрудников, обладающих незаменяемыми ИИ навыками.
При проектировании AI North Star Metric понимайте, какие подразделения компании подходят для каждого типа задач.
Например, функции, требующие высокой степени взаимодействия с клиентами, останутся в большей степени управляемыми человеком, а бэк-офисные операции станут MVO.
3. Отслеживайте каждый шаг, а не только результаты
Масштабирование ИИ-агентов без прозрачности — это путь к скрытым сбоям.
Думайте о мониторинге каждого этапа рабочего процесса. Это позволит командам своевременно выявлять ошибки, быстро совершенствовать логику и избегать масштабных сбоев.
Когда ошибки случаются (а они обязательно произойдут), вы сможете отследить, где именно и почему что-то пошло не так.
4. Используйте ИИ-агентов повторно, когда это возможно
Многие компании тратят время на создание отдельных агентов для каждой задачи. Более разумный подход — создавать модульные компоненты агентов (приём, извлечение, проверка, анализ), которые можно повторно использовать в других рабочих процессах.
Централизация проверенных инструментов и промптов сокращает 30–50% избыточной работы как сотрудников, так и ИИ-агентов.
5. Избегайте «недоделанности ИИ»
Сосредоточьтесь на долгосрочном развитии агентов также, как и на развитии сотрудников.
ИИ-агентам следует предоставить чёткие должностные инструкции, проводить адаптацию и получать обратную связь для регулярного совершенствования, усиливая их контрольные показатели.
6. Агенты не всегда являются решением
Не для каждого рабочего процесса нужна многоагентная система. Низкодисперсные, предсказуемые задачи лучше всего решать с помощью ML правил или машинного обучения.
Главные преимущества ИИ-агентов заключаются в высокодисперсных, запутанных процессах (например, извлечение сложной финансовой информации).
7. Люди по-прежнему остаются важными, но в новых ролях
ИИ-агенты могут анализировать, автоматизировать и масштабировать. Но люди обеспечивают суждение, обработку крайних случаев и креативное решение проблем.
Будущее – это не ИИ-агент vs. Человек, а ИИ-агент + Человек
Read also: Reconfiguring work: Change management in the age of gen AI
Как развиваются крупнейшие цифровые сервисы?
Новый участник гостевой рубрики — канал Тач 42 @touch42. Его ведёт команда Touch Instinct — IT-компания, к которой обращаются ВТБ, АльфаСтрахование, Т-Банк, ВК и другие лидеры рынка, чтобы быстро запустить сложный сервис или ИИ-решение.
Каждую неделю ребята берут отдельную индустрию и разбирают её под разными углами, смотрят свежие исследования, обсуждают новые фичи и обозревают сервисы.
Регулярно там появляются интервью с топами из VK, Яндекса, Сбера, X5, KION и других брендов и делятся тем, что обычно не попадает в публичные кейсы: внутренними наблюдениями, работающими практиками, барьерами, с которыми сталкиваются команды.
Несколько постов:
— Почему интерфейсы раздражает зумеров и как это исправить
— Как бизнесу выжить в эпоху дипфейков
— Как найти баланс технологий и комьюнити
Канал Тач 42 👉 Подписаться
Новый участник гостевой рубрики — канал Тач 42 @touch42. Его ведёт команда Touch Instinct — IT-компания, к которой обращаются ВТБ, АльфаСтрахование, Т-Банк, ВК и другие лидеры рынка, чтобы быстро запустить сложный сервис или ИИ-решение.
Каждую неделю ребята берут отдельную индустрию и разбирают её под разными углами, смотрят свежие исследования, обсуждают новые фичи и обозревают сервисы.
Регулярно там появляются интервью с топами из VK, Яндекса, Сбера, X5, KION и других брендов и делятся тем, что обычно не попадает в публичные кейсы: внутренними наблюдениями, работающими практиками, барьерами, с которыми сталкиваются команды.
Несколько постов:
— Почему интерфейсы раздражает зумеров и как это исправить
— Как бизнесу выжить в эпоху дипфейков
— Как найти баланс технологий и комьюнити
Канал Тач 42 👉 Подписаться
Product Management & AI
One year of agentic AI: Six lessons from the people doing the work (by McKinsey) 1. Дело не в ИИ-агентах, а в ваших рабочих процессах Не зацикливайтесь на создании «впечатляющих» ИИ-агентов. Переосмыслите рабочие процессы и думайте о Системе в целом, а не…
"Многоагентный" ИИ — это ложь на 50 млрд. долларов
А 99% "многоагентных" "систем" — это просто отдельные ИИ-агенты, припудренные маркетингом.
Большинство людей думают, что многоагентный ИИ — это просто «множество ChatGPT в комнате». И это всё равно, что думамть, что хирургическая бригада — это просто «множество людей с ножами».
На самом деле всё гораздо глубже. Распределение задач полностью нарушено.
Современные ИИ-системы, по сути, бросают дротики в доску. Дайте математическую задачу агенту, который свободен. Попросите креативного ИИ-агента отладить код. Это хаос, замаскированный под интеллект.
Настоящим многоагентным системам нужна динамическая специализация. Не просто «Агент 1 делает X, Агент 2 делает Y», а контекстно-зависимое сопоставление на основе возможностей, рабочей нагрузки и предыдущей производительности.
Проблема с памятью — вот что безумие.
Настоящим многоагентным системам требуется пять различных типов памяти: краткосрочное состояние задачи, долгосрочный опыт, история эпизодического сотрудничества, консенсусные знания и иерархический контроль доступа.
– Как работает память ИИ-агентов
– Человеческая память ИИ-агентов
Вместо этого нынешние ИИ-агенты просто отслеживают разговоры в рамках одного чата, а большинство настоящих (ещё AI Free) Систем вызывают у каждого ИИ-агента амнезию между задачами.
Управление контекстом — это то, где всё ломается.
Каждый агент должен одновременно отслеживать три уровня: общую картину миссии, свою конкретную часть задачи и действия остальных ИИ-агентов в цепочке.
Ошибка на любом уровне — и вся система становится дорогостоящей бессмыслицей.
Теория игр важнее кода.
Когда агенты спорят или ведут переговоры, вы не оптимизируете систему для достижения «правильности».
Исследования показывают, что динамика Штакельберга работает лучше, чем равновесие Нэша, для большинства реальных задач.
Никто не говорит об этом, потому что это не так привлекательно, как «смотрите, роботы разговаривают между собой».
Применения, которые они описывают, — это нечто совершенно дикое.
Агенты, которые автономно заключают смарт-контракты. Обнаружение мошенничества, где разные специалисты отслеживают разные шаблоны атак. Механизмы консенсуса, которые действительно обдумывают решения.
Алло!Это АТС? Мы не создаём более совершенных чат-ботов!!! Мы закладываем основу для автономных экономических систем!!!
Разрыв между текущими демонстрационными версиями «мультиагентных» систем и реальным многоагентным интеллектом огромен.
Реальные системы будут иметь специализированные роли, архитектуры с общей памятью и координацию на основе теории игр. Они решат Проблемы, с которыми не справится ни один ИИ-агент в одиночку.
Тот же принцип, по которому работают команды, только быстрее и масштабнее.
Большая часть того, что сегодня называют «мультиагентами», — это просто отдельные агенты с замысловатыми подсказками.
Компании, которые первыми разберутся с настоящей координацией между ИИ-агентами, получат десятикратное преимущество.
Все остальные строят дорогостоящие театры.
📜 https://arxiv.org/abs/2402.03578
А 99% "многоагентных" "систем" — это просто отдельные ИИ-агенты, припудренные маркетингом.
Большинство людей думают, что многоагентный ИИ — это просто «множество ChatGPT в комнате». И это всё равно, что думамть, что хирургическая бригада — это просто «множество людей с ножами».
На самом деле всё гораздо глубже. Распределение задач полностью нарушено.
Современные ИИ-системы, по сути, бросают дротики в доску. Дайте математическую задачу агенту, который свободен. Попросите креативного ИИ-агента отладить код. Это хаос, замаскированный под интеллект.
Настоящим многоагентным системам нужна динамическая специализация. Не просто «Агент 1 делает X, Агент 2 делает Y», а контекстно-зависимое сопоставление на основе возможностей, рабочей нагрузки и предыдущей производительности.
Проблема с памятью — вот что безумие.
Настоящим многоагентным системам требуется пять различных типов памяти: краткосрочное состояние задачи, долгосрочный опыт, история эпизодического сотрудничества, консенсусные знания и иерархический контроль доступа.
– Как работает память ИИ-агентов
– Человеческая память ИИ-агентов
Вместо этого нынешние ИИ-агенты просто отслеживают разговоры в рамках одного чата, а большинство настоящих (ещё AI Free) Систем вызывают у каждого ИИ-агента амнезию между задачами.
Управление контекстом — это то, где всё ломается.
Каждый агент должен одновременно отслеживать три уровня: общую картину миссии, свою конкретную часть задачи и действия остальных ИИ-агентов в цепочке.
Ошибка на любом уровне — и вся система становится дорогостоящей бессмыслицей.
Теория игр важнее кода.
Когда агенты спорят или ведут переговоры, вы не оптимизируете систему для достижения «правильности».
Вы ищете состояния равновесия для ИИ.
Исследования показывают, что динамика Штакельберга работает лучше, чем равновесие Нэша, для большинства реальных задач.
Никто не говорит об этом, потому что это не так привлекательно, как «смотрите, роботы разговаривают между собой».
Применения, которые они описывают, — это нечто совершенно дикое.
Агенты, которые автономно заключают смарт-контракты. Обнаружение мошенничества, где разные специалисты отслеживают разные шаблоны атак. Механизмы консенсуса, которые действительно обдумывают решения.
Алло!
Разрыв между текущими демонстрационными версиями «мультиагентных» систем и реальным многоагентным интеллектом огромен.
Реальные системы будут иметь специализированные роли, архитектуры с общей памятью и координацию на основе теории игр. Они решат Проблемы, с которыми не справится ни один ИИ-агент в одиночку.
Тот же принцип, по которому работают команды, только быстрее и масштабнее.
Большая часть того, что сегодня называют «мультиагентами», — это просто отдельные агенты с замысловатыми подсказками.
Компании, которые первыми разберутся с настоящей координацией между ИИ-агентами, получат десятикратное преимущество.
Все остальные строят дорогостоящие театры.
📜 https://arxiv.org/abs/2402.03578
Telegram
Product Management & AI
🧠 Как работает память ИИ-агентов
В общем, память для агента — это то, что мы предоставляем через контекст в промпте, переданном в LLM, что помогает агенту лучше понимать свою задачу и выполнять её с учётом прошлых взаимодействий и данных.
4 типа памяти…
В общем, память для агента — это то, что мы предоставляем через контекст в промпте, переданном в LLM, что помогает агенту лучше понимать свою задачу и выполнять её с учётом прошлых взаимодействий и данных.
4 типа памяти…
Google запускает 5-дневный курс по ИИ-агентам
Расскажут про ИИ-инструменты, проектирование контекста, управление памятью ИИ, оценку работы агентов и создание тех самых многоагентных систем промышленного уровня с помощью A2A + поделятся шаблонами ИИ-агентов.
👉 100% free and open to all
Ежедневные задания и прямые трансляции семинаров, Q&A, обсуждения в Discord и выпускной проект в конце обучения. Старт потока в ноябре.
Расскажут про ИИ-инструменты, проектирование контекста, управление памятью ИИ, оценку работы агентов и создание тех самых многоагентных систем промышленного уровня с помощью A2A + поделятся шаблонами ИИ-агентов.
👉 100% free and open to all
Ежедневные задания и прямые трансляции семинаров, Q&A, обсуждения в Discord и выпускной проект в конце обучения. Старт потока в ноябре.
Product Management & AI
"Многоагентный" ИИ — это ложь на 50 млрд. долларов А 99% "многоагентных" "систем" — это просто отдельные ИИ-агенты, припудренные маркетингом. Большинство людей думают, что многоагентный ИИ — это просто «множество ChatGPT в комнате». И это всё равно, что…
11 типов ИИ-агентов
Существуют различные типы архитектур агентов, специализирующихся на восприятии информации, её анализе, рассуждениях, действиях и абстракциях.
1. GPT — универсальные генераторы текста, отличающиеся беглостью и универсальностью, обученные на массивных корпусах данных. Их сила — в универсальности: от письма писем до написания кода.
2. MoE (Mixture of Experts) — модель-маршрутизатор, которая содержит множество специализированных ИИ-экспертов, которая выбирает кого активировать и направляет ему конкретную задачи. Пример: MoE выбирает математического ИИ-эксперта для вычислений, а языкового — для объяснения результатов его работы.
3. Агенты с памятью (Memory-augmented models). Они интегрируют внешние базы знаний или долговременную память, чтобы сохранять контекст между сессиями. Это делает их ближе к «персональным помощникам», когда агент помнит историю общения с пользователем за полгода и использует её при планировании его повседневных задач. Или охотится за курицами для их приготовления в Minecraft.
4. Крупные модели рассуждений — оптимизированы для многошаговых логических рассуждений. Они фокусируются не на скорости генерации, а на структурированных многошаговых цепочек и выводах, приближая работу к человеческой логике. Например, такая модель пошагово доказывает теорему из учебника математики.
5. Симуляционные агенты (Multi-agent simulation) –
экосистемы из множества агентов, каждый со своими правилами поведения. Например, они позволяют моделировать города, экономики или социальные процессы.
6. Интерактивные агенты (Conversational + tool-using). Они не только общаются, но и активно задействуют инструменты (поиск, базы данных, плагины). Это уже гибрид диалога и действия. Такой ИИ-агент отвечает на вопрос о текущей погоде, проверяя локацию и запрашивая данные в реальном времени у API.
7. Модели «визуализация-язык» (Vision-Language) — объединяют восприятие и язык для многомодальных задач. Они соединяют зрительное восприятие и понимание языка, создавая мост между картинкой и текстом, позволяя им описывать сцены, отвечать на вопросы о картинках и работать в мультимодальном режиме. Например, модель описывает фотографию улицы и сразу строит текстовый маршрут по ней. Или наоборот.
8. Малые языковые модели — легкие и экономичные агенты для периферийного развертывания. Это компактные, энергоэффективные и адаптированные для работы в смартфонах, IoT-устройствах или офлайн-средах. Их задача — приносить пользу там, где большие модели слишком затратны. Такие мини-LLM в телефоне предлагают быстрые ответы на сообщения без обращения к облаку.
8. Крупные модели действий умеют запускать код, вызывать API и управлять целыми ИИ-системами. По сути, это уже шаг к автономным агентам, способным выполнять задачи от начала до конца. Простой пример: модель получает задачу «забронировать билет в Париж» и сама вызывает сервис бронирования.
9. Иерархические языковые модели мыслят на уровнях: разбивают сложную цель на подзадачи, а затем управляют их выполнением, что делает их особенно полезными в долгосрочных проектах и при многозадачности. Например, модель планирует написание книги, создаёт структуру глав, а затем постепенно разворачивает по каждой из них текст.
10. Когнитивные архитектуры (Hybrid / symbolic + neural). Они объединяют нейросетевые и символические методы для достижения большей интерпретируемости и точности. Это попытка сблизить ИИ с когнитивной моделью человека.
Пример: агент решает юридическую задачу, комбинируя формальную логику и статистический анализ прецедентов.
11. Крупные концептуальные модели. Их специализация — работа с абстрактными, высокоуровневыми знаниями и концептами. Они не просто соединяют факты, а строят обобщения и новые идеи. Такая модель может проанализировать историю технологий и сформулировать прогноз о будущем эволюции ИИ.
ИИ-агенты давно уже не являются монолитной концепцией, эволюционируя в системы взаимодополняющих архитектур и связей, каждая из которых оптимизирована для определённого уровня запросов и интеллекта. Или запроса интеллекта 🤭
Существуют различные типы архитектур агентов, специализирующихся на восприятии информации, её анализе, рассуждениях, действиях и абстракциях.
1. GPT — универсальные генераторы текста, отличающиеся беглостью и универсальностью, обученные на массивных корпусах данных. Их сила — в универсальности: от письма писем до написания кода.
2. MoE (Mixture of Experts) — модель-маршрутизатор, которая содержит множество специализированных ИИ-экспертов, которая выбирает кого активировать и направляет ему конкретную задачи. Пример: MoE выбирает математического ИИ-эксперта для вычислений, а языкового — для объяснения результатов его работы.
3. Агенты с памятью (Memory-augmented models). Они интегрируют внешние базы знаний или долговременную память, чтобы сохранять контекст между сессиями. Это делает их ближе к «персональным помощникам», когда агент помнит историю общения с пользователем за полгода и использует её при планировании его повседневных задач. Или охотится за курицами для их приготовления в Minecraft.
4. Крупные модели рассуждений — оптимизированы для многошаговых логических рассуждений. Они фокусируются не на скорости генерации, а на структурированных многошаговых цепочек и выводах, приближая работу к человеческой логике. Например, такая модель пошагово доказывает теорему из учебника математики.
5. Симуляционные агенты (Multi-agent simulation) –
экосистемы из множества агентов, каждый со своими правилами поведения. Например, они позволяют моделировать города, экономики или социальные процессы.
6. Интерактивные агенты (Conversational + tool-using). Они не только общаются, но и активно задействуют инструменты (поиск, базы данных, плагины). Это уже гибрид диалога и действия. Такой ИИ-агент отвечает на вопрос о текущей погоде, проверяя локацию и запрашивая данные в реальном времени у API.
7. Модели «визуализация-язык» (Vision-Language) — объединяют восприятие и язык для многомодальных задач. Они соединяют зрительное восприятие и понимание языка, создавая мост между картинкой и текстом, позволяя им описывать сцены, отвечать на вопросы о картинках и работать в мультимодальном режиме. Например, модель описывает фотографию улицы и сразу строит текстовый маршрут по ней. Или наоборот.
8. Малые языковые модели — легкие и экономичные агенты для периферийного развертывания. Это компактные, энергоэффективные и адаптированные для работы в смартфонах, IoT-устройствах или офлайн-средах. Их задача — приносить пользу там, где большие модели слишком затратны. Такие мини-LLM в телефоне предлагают быстрые ответы на сообщения без обращения к облаку.
8. Крупные модели действий умеют запускать код, вызывать API и управлять целыми ИИ-системами. По сути, это уже шаг к автономным агентам, способным выполнять задачи от начала до конца. Простой пример: модель получает задачу «забронировать билет в Париж» и сама вызывает сервис бронирования.
9. Иерархические языковые модели мыслят на уровнях: разбивают сложную цель на подзадачи, а затем управляют их выполнением, что делает их особенно полезными в долгосрочных проектах и при многозадачности. Например, модель планирует написание книги, создаёт структуру глав, а затем постепенно разворачивает по каждой из них текст.
10. Когнитивные архитектуры (Hybrid / symbolic + neural). Они объединяют нейросетевые и символические методы для достижения большей интерпретируемости и точности. Это попытка сблизить ИИ с когнитивной моделью человека.
Пример: агент решает юридическую задачу, комбинируя формальную логику и статистический анализ прецедентов.
11. Крупные концептуальные модели. Их специализация — работа с абстрактными, высокоуровневыми знаниями и концептами. Они не просто соединяют факты, а строят обобщения и новые идеи. Такая модель может проанализировать историю технологий и сформулировать прогноз о будущем эволюции ИИ.
ИИ-агенты давно уже не являются монолитной концепцией, эволюционируя в системы взаимодополняющих архитектур и связей, каждая из которых оптимизирована для определённого уровня запросов и интеллекта. Или запроса интеллекта 🤭
Новый плейбук AI-стартапа
Скорость и экономика AI сломали всё, чему нас научила эра SaaS:
1. Старый playbook B2B SaaS (Sales-led → PLG) уже не работает
Скорость разработки AI-продуктов, где от идеи до прототипа проходят часы, а не месяцы, ломает медленные циклы традиционного маркетинга и A/B-тестирования. Оптимизировать воронку бессмысленно, когда сам продукт меняется ежедневно.
2. Экономика AI - это не экономика SaaS
Валовая маржа падает с привычных 80-90% до 40-60% (а иногда и ниже) из-за колоссальных и переменных затрат на inference (вычисления для каждой операции пользователя).
3. LTV:CAC как North Star Metric больше не работает
Главной метрикой выживания становится Contribution Margin (CM) на уровне фичи и клиента. Обязательно считаем переменные издержки: инференс, ручная проверка, платные API. Парадокс тут прост – самые активные фанаты могут увести CM в минус, если цена не связана с себестоимостью.
4. Прайсинг должен следовать за compute
Уход от «per seat» в сторону кредиты за использование, оплата за результат, гибрид фикс плюс переменная. Предохранители: квоты, понижение класса модели, кэш, пакетная обработка. Рост использования обязан повышать маржу.
5. Новый подход к выходу на рынок - это Culture Native Growth
Вместо построения собственного сообщества вокруг продукта фокус смещается на глубокую интеграцию в уже существующее сообщество с общей страстью / увлечением.
6. AI-натив операционный ритм
Необходимо еженедельно проводить эконом-ревью фич: цена запроса, частота вызовов, доля кэша, CM по сегментам, жалобы по SLA. Если CM ниже нуля, автоматом включаются триггеры: понижаем модель, меняем тариф, заменяем LLM локальной эвристикой.
7. Аутентичность становится главной валютой.
В мире с переизбытком AI контента доверие и подлинная человеческая экспертиза превращаются в самый дефицитный и ценный актив, а доверие клиента становится новым полем битвы.
8. Возрождение Founder-Led Sales
Основатель снова становится главным евангелистом и каналом продаж. Его уникальное сочетание страсти, глубокой экспертизы и видения невозможно скопировать или нанять и ранние клиенты покупают не продукт, а веру в основателя.
9. Устойчивое преимущество в AI всё реже зависит от самой технологии (модели быстро коммодитизируются). Прорывом становятся бренд, встроенный в культуру, и нетривиальная GTM-стратегия, которую сложно повторить.
10. Главный абсурд в AI-бизнесе – мы используем «бесчеловечные» AI технологии для создания продукта, но продавать его вынуждены через самые человечные каналы живым людям.
В итоге выигрывает не тот, у кого сложнее модель, а тот, кто глубже понял новую экономику и научился строить рост на фундаменте доверия, человеческих эмоций и культуры.
В гостях сегодня был Герман Орлов (c)
Скорость и экономика AI сломали всё, чему нас научила эра SaaS:
1. Старый playbook B2B SaaS (Sales-led → PLG) уже не работает
Скорость разработки AI-продуктов, где от идеи до прототипа проходят часы, а не месяцы, ломает медленные циклы традиционного маркетинга и A/B-тестирования. Оптимизировать воронку бессмысленно, когда сам продукт меняется ежедневно.
2. Экономика AI - это не экономика SaaS
Валовая маржа падает с привычных 80-90% до 40-60% (а иногда и ниже) из-за колоссальных и переменных затрат на inference (вычисления для каждой операции пользователя).
3. LTV:CAC как North Star Metric больше не работает
Главной метрикой выживания становится Contribution Margin (CM) на уровне фичи и клиента. Обязательно считаем переменные издержки: инференс, ручная проверка, платные API. Парадокс тут прост – самые активные фанаты могут увести CM в минус, если цена не связана с себестоимостью.
4. Прайсинг должен следовать за compute
Уход от «per seat» в сторону кредиты за использование, оплата за результат, гибрид фикс плюс переменная. Предохранители: квоты, понижение класса модели, кэш, пакетная обработка. Рост использования обязан повышать маржу.
5. Новый подход к выходу на рынок - это Culture Native Growth
Вместо построения собственного сообщества вокруг продукта фокус смещается на глубокую интеграцию в уже существующее сообщество с общей страстью / увлечением.
Lovable вместо закупки трафика в Google инвестирует в онлайн турниры по шахматам Магнуса Карлсена. Их маркетологи покупают не клики, а доверие и доступ к глобальному сообществу стратегов и аналитиков – точное попадание в их психографию
6. AI-натив операционный ритм
Необходимо еженедельно проводить эконом-ревью фич: цена запроса, частота вызовов, доля кэша, CM по сегментам, жалобы по SLA. Если CM ниже нуля, автоматом включаются триггеры: понижаем модель, меняем тариф, заменяем LLM локальной эвристикой.
7. Аутентичность становится главной валютой.
В мире с переизбытком AI контента доверие и подлинная человеческая экспертиза превращаются в самый дефицитный и ценный актив, а доверие клиента становится новым полем битвы.
8. Возрождение Founder-Led Sales
Основатель снова становится главным евангелистом и каналом продаж. Его уникальное сочетание страсти, глубокой экспертизы и видения невозможно скопировать или нанять и ранние клиенты покупают не продукт, а веру в основателя.
9. Устойчивое преимущество в AI всё реже зависит от самой технологии (модели быстро коммодитизируются). Прорывом становятся бренд, встроенный в культуру, и нетривиальная GTM-стратегия, которую сложно повторить.
10. Главный абсурд в AI-бизнесе – мы используем «бесчеловечные» AI технологии для создания продукта, но продавать его вынуждены через самые человечные каналы живым людям.
В итоге выигрывает не тот, у кого сложнее модель, а тот, кто глубже понял новую экономику и научился строить рост на фундаменте доверия, человеческих эмоций и культуры.
В гостях сегодня был Герман Орлов (c)
Telegram
Герман Орлов I Код ценности
Global Head of Digital Products @ Allianz, в Париже 🇫🇷 во Франции с 2019 года.
Пишу, как делать ценные и масштабируемые продукты. Разбираю навыки лидера в мире, где ИИ - новая реальность.
Мой контакт @germanorlov
Пишу, как делать ценные и масштабируемые продукты. Разбираю навыки лидера в мире, где ИИ - новая реальность.
Мой контакт @germanorlov
Пора добавить немного ИИ-магии в свою работу. Готовым планом апгрейда своей продуктовой продуктивности с помощью ИИ поделятся на бесплатном вебинаре OTUS.
Программа:
– находим 3 рутинных процесса, которые ИИ может автоматизировать;
– live-демо: как превратить скучные метрики в крутые инсайты с помощью ИИ;
– матрицу приоритизации и личный ROI от внедрения ИИ;
– готовый 30-дневный план с бейзлайном и презентацией «было/стало».
👉 Бесплатное участие
Спикер: Дмитрий Шоржин (экс-Сбер, Innotech), который 7 лет внедряет ИИ в финтехе и знает все о том, как избегать «галлюцинаций» ИИ и показывать реальные результаты.
Вебинар проходит в рамках курса «Управление AI/ML-продуктом». Реклама ООО «Отус онлайн-образование»
Программа:
– находим 3 рутинных процесса, которые ИИ может автоматизировать;
– live-демо: как превратить скучные метрики в крутые инсайты с помощью ИИ;
– матрицу приоритизации и личный ROI от внедрения ИИ;
– готовый 30-дневный план с бейзлайном и презентацией «было/стало».
👉 Бесплатное участие
Спикер: Дмитрий Шоржин (экс-Сбер, Innotech), который 7 лет внедряет ИИ в финтехе и знает все о том, как избегать «галлюцинаций» ИИ и показывать реальные результаты.
Вебинар проходит в рамках курса «Управление AI/ML-продуктом». Реклама ООО «Отус онлайн-образование»