Держи Марка

От размытого брифа до продукта за час Сегодня провёл практику по теме из прошлого поста. Взяли реальный кейс с размытым брифом про ботанический сад и за час довели до продукта. Куча вводных и ноль ясности, зачем всё это. Если проще: мы не просили нейросеть «придумать приложение». Разложили работу на агентов. Сначала нашли боль — молодёжи ботсад не интересен. Потом сузили аудиторию: 16–25. Дальше посмотрели, как похожие сады и музеи за рубежом вовлекают такую же ца. Решили сменить позиционирование и сделать ботсад не музеем, а местом для досуга. Погулять, подышать. И сюда приходит цифровое дополнение прогулки. Пришёл — открыл приложение. На карте 8–10 точек, на каждой короткое задание. Прошёл маршрут — получил сувенир. Всё. Зачем это ботсаду. Задания дают хоть какую-то вовлечённость: ботаников мало, просто смотреть на растения почти бесполезно. И люди пройдут маршрут, потому что на выходе бесплатный сувенир. За бесплатным пакетиком на ПМЭФ стояли часами. В конце, когда человек пришёл за подарком, он уже у прилавка — вероятность покупки сувениров выше. Короткий вывод: одно простое решение закрывает и досуг, и маршрут, и сувенирный. Час на всю проработку — потому что агенты шли по шагам, а не гоняли воздух. Как вам такой продукт?

Больше агентов — не всегда лучше Сегодня провёл вебинар про мультиагентные системы. Самый частый вопрос был не «какой инструмент взять», а про простоту: как сделать быстро и без лишней сложности. Понимаю — хочется рабочий результат, а не ещё один слой абстракций. Если проще: работа с LLM давно ушла от «напиши хороший промпт». Сначала был prompt engineering, потом context engineering — что и когда подавать модели. Потом harness engineering — обвязка, тесты, инструменты. Сейчас loop engineering — циклы «сделал → проверил → доработал». Агенты в этой картине — конструкция: модель + инструменты + память + цикл. Skills задают поведение, оркестрация — кто и в каком порядке работает. Где подвох? Мультиагентность не нужна везде. Простая одношаговая задача — хватит одного агента или скилла. Агенты окупаются, когда процесс длинный, есть роли и нужен контроль качества. А вы какую методологию работы с LLM используете — prompt, context, harness или loop? Напишите в комментариях, интересно сравнить.

AI-фразы, после которых я закрываю вкладку Иногда полезнее сказать, чего не надо делать. Вот фразы, после которых я сразу закрываю вкладку. «В современном мире искусственный интеллект…» — если начинается так, дальше будет вода. «Уникальная возможность» — ничего уникального. «Секретный промпт» — если секретный, зачем в посте? «Нейросети изменят всё» — изменят, но не этим постом. «Я рад сообщить» — ты не пресс-служба. «Данная технология позволяет» — кто так говорит в жизни? Что вместо этого: конкретная задача, конкретный сценарий, конкретное ограничение. «Потестил X. Хорош для Y. Плох для Z.» — вот это читаю. Пришли свою ред флаг фразу. Соберём антихайп-словарь канала😁 Держи Марка

AI делает сильных сильнее, а хаотичных ещё хаотичнее Заметил одну вещь, тестируя AI-инструменты: там, где процесс есть, AI даёт x3 к скорости. Там, где хаос — AI даёт x3 к хаосу. Человек с понятным workflow использует AI как ускоритель: черновик, поиск, анализ, проверка. Человек без workflow использует AI как замену мышления — и получает красивый, но бесполезный результат. Главный вопрос не «какой инструмент», а «что на входе и что на выходе». Если вход мутный — выход будет мутным, только быстрее. AI не создаёт ясность, он её усиливает или размывает. Короткий вывод: назови один процесс, который стоит привести в порядок до внедрения AI. Один. Не пять инструментов — один процесс. Держи Марка

Cyera на $12 млрд — безопасность AI стала отдельным рынком Cyera — стартап в сфере безопасности данных для AI. Оценка $12 млрд, выручка утраивалась три года подряд. 68% компаний не могут отличить действия человека от действий агента в своих системах. Смысл вот в чём: все гонятся за агентами, а слой безопасности забыли. Агент получает доступ к CRM, документам, коду — и действует автономно. Кто контролирует, что он видит? Кто отвечает, если он сольёт данные? Cyera строит именно этот слой: аудит, права доступа, политики, мониторинг действий агентов. Скучная тема — но именно она решит, кто из AI-стартапов доживёт до enterprise-контрактов. Что проверить в своей компании: есть ли список систем, к которым подключён AI? Кто утверждает права доступа? Есть ли лог действий агента, который можно показать на аудите? Держи Марка

Как за 20 минут разобрать конкурента с помощью AI Есть частая проблема: ресёрч конкурента растягивается на полдня. Открываешь десять вкладок, теряешь нить, в итоге — куча фактов без вывода. Шаблон простой: контекст → 5 критериев → таблица → вывод → одно действие. Сначала опиши AI, кто ты и зачем смотришь конкурента. Потом дай 5 критериев сравнения — цена, аудитория, сильные стороны, слабости, отличие. Попроси заполнить таблицу и назвать один главный вывод. Не «расскажи всё», а «что из этого меняет моё решение?». В конце — одно действие: позвонить клиенту, изменить оффер, проверить гипотезу. Где подвох: AI может придумать факты. Всегда проверяй цифры и цитаты по источникам. AI ускоряет структуру, но не заменяет верификацию. Короткий вывод: примени рамку к одному конкуренту сегодня. 20 минут — и у тебя не свалка фактов, а одно решение. Держи Марка

«AI заменит команду» — три места, где это ломается Все думают: купил AI — можно сократить людей. На деле чаще получается обратное: потратил на AI, а хаос остался. Первое место поломки — данные. AI работает с тем, что есть. Если CRM грязный, процессы не описаны, а знания в головах — автоматизация ускорит беспорядок. Второе — ответственность. AI не подпишет договор, не извинится перед клиентом, не примет финальное решение. Третье — процессы без владельца. Если никто не отвечает за результат этапа, агент просто добавит ещё один слой неясности. Автоматизация работает там, где уже есть повторяемый процесс с понятным входом и выходом. Короткий вывод: проведи аудит одного процесса. Что реально можно отдать AI, а что — нет? Начни с этого, а не с размера команды. Держи Марка

$2 млрд за то, что не видно на экране Cursor — AI-редактор для разработчиков. За три года дошёл до $2 млрд годовой выручки. 60% — enterprise-контракты. Это один из самых быстрых ростов в истории B2B-софта. Смысл не в автодополнении кода. Cursor — это среда, где AI видит всю кодовую базу, понимает контекст проекта и выполняет многошаговые задачи. Не «допиши строку», а «разберись в этом модуле и исправь баг». Разработчик остаётся надзирателем, а не наборщиком. Бизнес-модель классическая land-and-expand: заходят в одну dev-команду, потом раскатывают на всю компанию. Конкуренция жёсткая — Copilot, Codex, Devin — но Cursor выигрывает тем, что встроен в ежедневный workflow. Где подвох? Зависимость от сторонних моделей, высокая стоимость inference, гонка, в которой все двигаются быстро. Но ставка Cursor понятна: выигрывает не самая умная модель, а та, что удобнее в работе. Короткий вывод: посмотри на свой AI-стек. Где у тебя уже «среда», а где до сих пор «чат в браузере»? Разница в продуктивности — между ними. Держи Марка

Я перестал просить AI «написать стратегию» Заметил одну вещь: когда прошу AI «сделай стратегию», получаю красивый текст. Уверенный, структурный, убедительный. И абсолютно бесполезный — потому что в нём нет моей ответственности. AI не знает, за что ты отвечаешь лично. Не знает, какие риски ты готов принять, а какие — нет. Не знает контекст, который не записан ни в одном документе. Он упакует общие истины так, будто это твой план. Если проще: стратегия — это решение, а не документ. AI хорош в том, чтобы помочь думать: сравнить варианты, найти слабые места, задать неудобные вопросы. Но финальное «да, делаем так» — всегда за человеком. Что я делаю вместо «напиши стратегию»: формулирую задачу, прошу сравнить 3 подхода, прошу назвать риски каждого. Получается менее красиво, но полезнее. Короткий вывод: перепиши свой последний промпт. Вместо «сделай за меня» — «помоги мне подумать». Разница огромная. Держи Марка

Harvey AI вырос до $11 млрд — и это урок не для юристов Harvey — AI-платформа для юрфирм. $190 млн выручки, 1300 организаций, оценка $11 млрд. За 13 месяцев компания выросла с $3 до $11 млрд — и это не про хайп, а про глубокое внедрение в одну отрасль. Смысл не в юриспруденции. Harvey показывает, что вертикальный агент бьёт горизонтальный copilot, когда знает отрасль изнутри: терминологию, процессы, compliance. Он не «умнее ChatGPT» — он встроен в workflow, где ошибка стоит дорого. Если проще: горизонтальный AI отвечает на всё понемногу. Вертикальный — закрывает один класс задач целиком. Due diligence, анализ договоров, подготовка документов — всё это повторяемые процессы с понятным ROI. Где подвох? Узкая ниша, дорогой вход, нужны чистые данные. Но тренд переносится: HR, финансы, поддержка, логистика — везде, где есть повторяемый процесс и измеримый результат. Короткий вывод: спроси себя — есть ли у тебя «вертикаль», где AI даст x10, а не +10%? Если да — смотри на Harvey как на модель, а не как на чужой рынок. Держи Марка

Три вопроса, которые я задаю перед тем, как пустить AI-агента в команду Заметил: все хотят «поставить агента», но редко формулируют, какую задачу он закрывает. В итоге появляется красивый инструмент, который никто не использует — или использует не туда. Первый вопрос: какой процесс повторяется каждую неделю и отнимает время? Если ответа нет — агент не нужен, нужна ясность. Второй: кто проверяет результат перед тем, как он уйдёт клиенту или в прод? Третий: что будет, если агент ошибётся — есть ли стоп-кран? Смысл вот в чём: агент без процесса не экономит время, он ускоряет хаос. Хороший сценарий выглядит скучно: вход → обработка → проверка человеком → выход. Именно так работают поддержка, код-ревью и подготовка черновиков. Что можно попробовать: возьми один процесс в команде и прогони через три вопроса. Если на втором или третьем застрял — сначала наведи порядок, потом подключай AI. Держи Марка

$300M за ответ на вопрос «где это лежит?» Заметил Glean, который часто называют «Google для компаний». За 15 месяцев утроил выручку — с $100 до $300 млн. Основатель Арвинд Джайн — бывший инженер Google Search, до этого сооснователь Rubrik. Компания начинала с enterprise-поиска, сейчас это платформа Work AI с агентами. Смысл не в цифрах раунда. Glean попал в момент, когда компании поняли: ChatGPT не знает, где у вас лежит знание. Один запрос — и ответ из Slack, Jira, Confluence, Google Drive и ещё сотни приложений. Клиенты вроде Databricks, Samsung, Pinterest и Intuit раскатывают это на всю компанию, а не на один отдел. Внутри работает «граф контекста» — кто над чем работает, какие документы связаны, какие права у сотрудника. Агенты без такого слоя жрут токены и выдают общие ответы. CEO сам говорит, что Glean помогает резать AI-бюджеты: модель получает только нужные данные, а не весь корпоративный хаос. 85% клиентов используют продукт в пяти и более отделах. Это уже инфраструктура, а не игрушка для одной команды. Типичный путь — пилот в одном отделе за $60K, потом раскатка на всю компанию за $500K+. Где подвох? Конкуренция наконец появилась — Microsoft Copilot, Google, Salesforce, Atlassian лезут в ту же нишу. Цены не публикуют, вход от ~$50 на пользователя, мелким командам не окупится. Короткий вывод: если думаешь про AI-агентов в компании, сначала спроси — а где у вас вообще лежат знания. Без этого слоя любой агент будет красиво галлюцинировать. Держи Марка

ИИ не тупит, ему просто нужен оркестратор Знакомая ситуация: даёшь задачу, а ИИ уходит в глубокую рефлексию, генерирует простыни текста и в итоге делает не то. Проблема не в модели, а в том, что она не знает, как именно тебе нужен результат. Я использую Ruflo. Это open-source штука, которая организует работу ИИ как маленькую команду. Один агент пишет код, второй проверяет, третий ищет ошибки — и всё это параллельно, без лишних переписок. Всё, что тебе нужно: npx ruflo init Дальше просто описываешь задачу обычными словами. Внутри сидит агент-оркестратор — он сам решает, кому из агентов что делать. Агенты уже готовы: одни пишут код, другие тестируют, третьи ищут ошибки. Оркестратор только распределяет задачи и следит за порядком. Система запоминает удачные решения и в следующий раз работает быстрее. Попробуй, если часто работаешь с ИИ над кодом или задачами. Держи Марка

Где поставить запятую в “ИИ запретить нельзя разрешить”? Вчера на ПМЭФ обсуждали ИИ, регулирование и то, где заканчивается польза и начинается риск. После дискуссии у меня остался простой вывод: вопрос не только в том, что будет делать ИИ. Вопрос в том, что будет делать человек. ИИ не заменяет движение, мышление и ответственность. Он может ускорить работу, подсветить варианты, убрать рутину и помочь быстрее дойти до цели. Но если цели нет, он просто ускорит хаос. Смысл не в том, чтобы срочно использовать каждый новый инструмент. Смысл в том, чтобы честно понять: что я хочу изменить в своей работе, бизнесе или жизни, и может ли ИИ в этом помочь. Можно пользоваться ИИ. Можно не пользоваться. Но в быстро меняющемся мире это уже не технический вопрос, а личный выбор. Запись сессии можно посмотреть на сайте ПМЭФа. Держи Марка

Как два выходца из СНГ за год построили AI-компанию на $1,3 млрд Если вы последние месяцы сидели в инсте или тиктоке, то наверняка видели вирусные AI-ролики с кинематографичными сценами. С высокой вероятностью они были сделаны через Higgsfield. Что это вообще такое? Проще всего представить Higgsfield как Canva для AI-видео. Только вместо дизайна — реклама, короткие ролики и контент для соцсетей. Компания не изобретала лучшую нейросеть в мире. Она собрала десятки существующих моделей в один удобный конвейер для маркетологов. Именно поэтому продукт завирусился. Большинству людей не нужен «ещё один AI». Им нужно за 5 минут сделать рекламный ролик вместо съёмочной группы, монтажёра и дизайнера. Higgsfield продаёт не генерацию видео, а экономию времени и денег. Цифры выглядят безумно. После запуска веб-версии компания вышла примерно на $10 млн ARR за считанные недели, а позже заявила о $200 млн годового run rate. При этом около 85% использования приходится на маркетологов — то есть на аудиторию, которая готова платить за результат. Самый интересный вывод здесь не про AI. Higgsfield показывает, что сейчас выигрывают не те, у кого самая умная модель. Выигрывают те, кто превращает сложную технологию в понятный инструмент и закрывает конкретную бизнес-боль клиента. Держи Марка

ИИ может съесть весь контекст просто потому, что слишком вежливо отвечает Одна из главных проблем генеративных моделей — токены. Они всегда заканчиваются в самый неподходящий момент. И остаётся только наполовину выполненная задача без готовых артефактов. И перерыв от ИИ, пока лимиты не обновятся 😁 Я решил это через Caveman. Это open-source проект, который учит ИИ отвечать короче: без воды, без лишних подводок, без “конечно, я с радостью”. Caveman экономит до ~65% исходящих токенов, при этом сохраняет техническую точность. У меня этот скилл теперь почти в каждом промпте. Не потому что это магия, а потому что короткий ответ часто полезнее длинного. Особенно когда работа идёт итерациями. Как поставить себе (копируй промпт и вставляй к себе): Изучи репозиторий https://github.com/juliusbrussee/caveman. Сделай для меня локальный Codex/Claude Code skill с логикой Caveman: короткие ответы, минимум воды, сохранение технической точности, несколько уровней сжатия. Добавь понятное описание, чтобы skill автоматически применялся, когда я прошу экономить токены, писать короче или использовать caveman mode. После создания проверь, что skill валидный и покажи, как его вызывать в промпте. Можно поставить и вручную. Но забавнее поручить это самой ИИшке: пусть сначала научится меньше болтать, а потом уже помогает тебе. Держи Марка

Сегодня 1 июня. Я пересобираю этот канал. Раньше тут часто было про мои события, проекты и результаты. Это честно, но не всегда полезно вам. Новый формат будет другим: меньше “посмотрите на меня”, больше “что из этого можно забрать себе”. Смысл вот в чём: я буду коротко разбирать ИИ, инструменты, стартапы и изменения в работе. Что реально работает, где хайп, где подвох и что можно попробовать в своих задачах. Если проще: заметил → объяснил → дал вывод. Если вы здесь за практикой, спокойным разбором и понятными выводами про AI — дальше будет как раз это. Начинаем заново.