Венчурная студия MOFL

Наши кейсы Рассказываем о паре интересных проектов за последний год. +30 млн ₽ выручки для производителя холодильного оборудования за 4 мес. Разработали систему ИИ-агентов для решения стратегических задач. Первым делом проработали план выхода на новый сегмент аудитории с более высоким чеком (HoReCa). Сделали исследование рынка, форсайт-исследование и подготовили несколько вариантов позиционирования компании для нового сегмента, конкретный план действий под каждое позиционирование. По сути за неделю, сделали то, что команда профессиональных консалтеров делает месяц или два за абсолютно неприличные деньги. Далее совместно с руководством выбрали один из вариантов позиционирования и пошли по реализации плана. За 4 месяца удалось вырастить среднее количество новых клиентов в целевом сегменте с 2 до 5. Средний чек вырос на 42%. Автоматизируем анализ тендеров для топ-100 компании РФ Не можем разглашать подробно детали, но если кратко, то ситуация такая: В компании есть целый отдел, который занимает анализом гос тендеров и подачей заявок. Сначала нужно понять, выгоден ли тендер вообще, и есть ли необходимые ресурсы, чтобы его реализовать. Плюс ещё набор параметров, по которым их можно анализировать и сегментировать с точки зрения компании. У человека это занимает 20-30 минут рабочего времени. В некоторых случаях до часа. Но это одна из тех рутинных задач, которые легко переносятся на ИИ. Сами тендеры грузятся через официальные API, ИИшка нужна, чтобы: А — вытаскивать неструктурированные данные и складывать в БД Б — собственно анализировать тендеры по всем ключевым параметрам и сегментировать их по приоритетности. Тут используем RAG. Проект ещё в процессе, часть функционала допиливаем, часть тестируем — но уже видим, что потенциальная польза измеряется в сотнях часов сэкономленного времени. Потенциально его можно направить на то, чтобы охватывать больше приоритетных закупок и качественнее оформлять заявки. Интересно увидеть, скажется ли это на выручке на дистанции полугода-года. - - - Если интересно обсудить проект для вас или для ваших знакомых — напишете @naisakov

Что мы поняли за год внедрения ИИ В одном из постов мы писали, что сейчас основной фокус нашей работы — внедрение ИИ-инструментов в бизнес. Работаем преимущественно со средним бизнесом, но успели сделать и несколько проектов для крупных корпораций. Занимаемся этим уже без малого год и решили поделиться наблюдениями. И да — здесь ни слова про модели. 🛑 Хорошие решения — часто очень скучные По всему интернету людей драконят волшебными результатами: контент-заводы с миллионными просмотрами, отделы маркетинга из Claude Code, идеальные сайты с нуля за час. Но в 95% случаев это работает только в рилсах. В реальном бизнесе лучше автоматизировать частую и понятную рутину. Это проще внедрить, легче проверить, а результат в деньгах появляется быстрее. 🛑 Один из главных барьеров внедрения ИИ — беспорядок с данными Это касается и СМБ, и крупных корпов. Как бы компания ни кичилась отлаженностью своих процессов — всё равно находятся противоречия, неоцифрованные знания и разрозненность данных. Многие приходится собирать по крупицам. Но это нормально. Наша работа всегда начинается с глубокого погружения в контекст компании. 🛑 Нет смысла просто добавлять ИИ в старый процесс — нужно перестраивать процесс вокруг ИИ В первом случае технология немного ускоряет привычную работу. Во втором — меняются роли людей, последовательность действий и сама экономика процесса. Второй вариант на нашей практике приносит более качественый результат. 🛑 Продать идею нужно не только владельцам, но и сотрудникам В пункте выше писали, что важно переосмыслять сами процессы. А новые процессы для людей — это что? Правильно, боль. Конечно, есть энтузиасты. Но довольно много и тревожников. Люди начинают переживать: не снизится ли их ценность как специалиста, если часть работы передать ИИ? И чем вообще заниматься, когда несколько часов в день освободятся от рутины? Поэтому важно заранее объяснять, как изменится роль сотрудника, какие задачи станут важнее и зачем компании всё это нужно. 🛑 Human-in-the-loop — база Человек разбирает нестандартные случаи, проверяет результаты и артефакты. В конечном счёте — ответственность остаётся на конкретном сотруднике. 🛑 Мультиагентность снижает вероятность ошибок и галюцинаций к минимуму Грамотный обвес из агентов-оркестраторов, агентов-валидаторов, критиков и факт-чекеров почти что исключает откровенный булшит. При этом само по себе количество агентов ничего не гарантирует. Нужны понятные роли, критерии проверки и правила, по которым система принимает или отклоняет результат. 🛑 Супер-мощная связка: высокая экспертиза в области + ИИ Например, эксперт по стратегии и продукту + 10,000 часов практики с ИИшкой может решать. Так мы за неделю собрали форсайт-исследование и стратегию выхода на новый, более денежный, сегмент аудитории для производителя бытовой техники. С конкретными шагами и позиционированием. Сработало: уже в первый месяц средний чек вырос на 43%. - - - Кстати, если вам интересна ИИ-автоматизация в Ваш бизнес — напишите @maxkravtsov7 А ещё у нас действует партнёрская программа — если есть кому нас порекомендовать, то тоже пишите.

Trust AI В прошлом посте писали, что готовим большой продукт для рынка инвестиций в бизнес. Делимся подробностями. Мы давно работаем с частными инвестициями в венчурные проекты и готовый бизнес. За это время несколько раз упирались в одну и ту же системную проблему: рынок большой и живой, но всё ещё довольно разрозненный. Мы пообщались с разными сторонами рынка и увидели несколько повторяющихся проблем: 🔘У инвесторов растёт интерес к частным инвестициям в бизнес, но вместе с ним растут и риски. Не хватает инструментов, по которым можно независимо оценивать проекты. Плюс сложно сравнивать проекты между собой — они разбросаны в разных местах. 🔘Брокерам и платформам не всегда доверяют, потому что их воспринимают как заинтересованную сторону. 🔘Агентам и инвестиционным сообществам нужны понятные каналы привлечения инвесторов и прозрачная модель комиссий. 🔘Платформы и агенты конкурируют за внимание инвесторов, а каждый новый клиент обходится всё дороже. 🔘Бизнесу сложно получать доступ к капиталу, понимать критерии отбора и нормально упаковывать проекты. В итоге мы с партнёрами пришли к простой гипотезе: рынку нужен не ещё один канал с проектами, а инфраструктурный слой вокруг сделок. Так вместе с партнёрами мы придумали Trust AI. По сути это единый слой между инвесторами, платформами, агентами и бизнесом, где проекты собраны в одном месте, партнёрская механика прозрачна, и есть инструменты для анализа проектов. 💻Что успели сделать 🟠 витрину-проектов, где можно смотреть проекты с разных инвестиционных платформ в одном интерфейсе; 🟠партнёрский контур для агентов, сообществ и платформ: с личным кабинетом, ботом для загрузки проектов и базовой механикой фиксации участников; 🟠юридическую базу для работы этой модели Ещё активно тестируем AI-инструменты для скоринга проектов и первичного due diligence. Всё это ещё развивается, местами шлифуется и проверяется на практике. Дальше будем постепенно показывать отдельные блоки Trust AI: что уже работает, что тестируем и что хотим докрутить. И почему добавили AI в название. @mofl_co

Давненько не виделись! Рассказываем, где пропадали. 😬 В последние месяцы мы сместили фокус в сторону разработки кастомных ИИ-решений. В конце 2025 — начале 2026 года в студию пришло сразу несколько таких запросов, и всё как-то само закрутилось. За это время успели сделать несколько интересных кейсов в тендерных закупках и продажах недвижимости. В том числе для довольно крупных компаний. Позже обязательно поделимся кейсами и мыслями. Про венчур тоже не забываем. Сейчас готовим большой и важный для нас продукт для инвестиций в бизнес — будет чем поделиться. В общем, постепенно возвращаемся в эфир. Будем снова писать про венчур, ИИ, бизнес, продукты, инвестиции и всё, что происходит внутри MOFL. Оставайтесь с нами🏄‍♂

Почему крутые идеи не сразу выстреливают Классная статья на эту тему вышла у Action Digest. Вот главные мысли: Есть идеи, которые распространяются легко — simple contagions. Тут достаточно одного касания c источником, чтобы человек подхватил. Это могут быть слухи, рилсы, мемы. А есть complex contagions. Чтобы принять такую идею, человеку нужно увидеть подтверждение сразу от нескольких людей. Почему так? Потому что такие идеи чаще несут неопределённость. Они могут быть рискованными, социально непривычными или просто идти вразрез с нормами. И большинство людей ждут, пока кто-то из их окружения покажет пример, что так можно. Взять тот же Airbnb. Это сейчас у них миллионы пользователей по всему миру. А в 2008 году они полгода не могли пробить $200 выручки в неделю. Хотя идея была абсолютно та же самая. Да, хосты могут дополнительно зарабатывать, а гости — платить меньше, чем в отеле. Но в то же время совместное проживание с незнакомцами из интернета несёт в себе понятно какие риски. А вот если 5-10 ваших ближайших друзей уже пользуются Airbnb, и им всё нравится. Почему бы не попробовать самому? Чем больше людей в вашем кругу пользуются товаром / сервисом / услугой, тем выше вероятность, что вы тоже будете. Поэтому продукт может быть отличным, но встречать стену недоверия. Большинство пропустит не будет реагировать на рекламу и любые рациональные доводы, пока не увидит живой опыт других людей. И что делать стартапам? На ранней стадии стоит идти не в широкую аудиторию, а в малые узкие сообщества. Там люди знают друг друга, быстро делятся опытом и дают друг другу то самое социальное подтверждение. Это перекликается с классическим советом: сфокусируйтесь на одном сегменте ЦА и одной боли. Тут же вспоминаем Пола Грэма с его do things that don't scale и стараемся сделать членов выбранного сообщества вашими фанатами. Airbnb вышел из затяжного кризиса, когда фаунеры отправились в Нью Йорк пообщаться лично с местными хостами (по совету того самого Пола Грэма). Они помогли сделать качественные фотографии и продающие описания, собирали хостов на пиво, чтобы получить фидбэк и выстроить отношения. Задача была сделать так, чтобы хотя бы в одном городе всё заработало. Это дало результат, и выручка хостов и компании сдвинулась с мёртвой точки. Нью-Йорк ещё долго был городом с самым большим количеством предложений на сайте. Тиндер тоже продвигался сначала через небольшие локальные мужские и женские сообщества, а не просто залил трафиком рынок. Писали об этом тут. Из свежих примеров — Cursor. Он не взорвал рынок моментально: в 2023 команда постепенно наращивала комьюнити, собирала фидбэк и шлифовала продукт до момента, когда эффект сложного распространения начал работать. Вывод простой: Даже если ваша идея прорывная, не стоит рассчитывать, что её быстро примут. Большинству нужно увидеть, как это работает у других — и только потом они присоединятся. @mofl_co

Просто забейте: на что пользователям плевать, и вам не стоит тратить время Вот вы собрали MVP продукта, получили первых пользователей и даже начали зарабатывать деньги. Над чем работать дальше? Понятное дело, идей и задачек на 10 лет вперёд: здесь пофиксить, там улучшить, тут добавить новую фичу. И вот появляется соблазн заняться тем, что кажется важным лично вам, но пользователям, по факту, всё равно. На эту тему классный пост написал Арвид Каль. Он делает Podscan — сервис, который ищет упоминания брендов в подкастах по ключевым словам. Он поделился вещами, которые казались ему критически важными, но жизнь показала, что с ними можно не запариваться. ➡Интерфейс Арвид неделями дорабатывал дизайн-макеты, но за всё время существования сервиса только один клиент дал негативную ОС по интерфейсу. Все остальные просто пользовались каждый день. Если никто не жалуется, значит, интерфейс просто достаточно хорош. Всё остальное — перфекционизм основателя. ➡API Как и многие разработчики, он мечтал сделать API на уровне Stripe. Но из сотен пользователей только один когда-либо пожаловался на странное имя эндпоинта. И то он не был платным клиентом. Остальные просто хотели, чтобы API был стабильно работал. ➡Документация Был период, когда Арвиду казался очень важным выбор платформы для базы знаний. Он изучал и сравнивал варианты, думал, как сделать, чтобы было КРУТО. Но начал просто с Notion. И до сих пор держит там несколько публичных страниц с пометкой «Public – Do Not Delete». Качество документации — важно. Где она лежит — не так уж сильно. Классная мысль: главное, чтобы текст документации легко копировался для работы в ChatGPT или Claude. ➡Интеграции Арвиду казалось, что клиенты ждут поддержку десятков форматов данных. Но всем хватало возможности импортировать и экспортировать CSV или Excel. ➡Поддержка Раньше он стремился отвечать мгновенно, чтобы впечатлить клиентов. Но оказалось, что платящие $200 в месяц клиенты спокойно ждут ответа день-два. Им важнее, чтобы вопрос был решён качественно. А вся переписка ведётся через e-mail. Вывод Для каждого фаундера и бизнеса набор важных и неважных аспектов будет свой. Но важна сама мысль: если что-то просто работает, то, возможно, стоит переключиться на другие задачи. Мысль не новая и даже избитая. Но на практике видим, что очень многие склонны уходить в бесконечное улучшательство там, где это даст примерно 0 положительного эффекта на бизнес. Так что просто напоминаем об этом и вам, и себе. Завершим классной цитатой Арвида: Your customers are using your product to solve their problems, not to admire your craftsmanship. They want reliability over refinement, functionality over fanciness, and results over architectural beauty. Build something that works, document it so people can use it, be there when they need help – even if not instantly – and keep making the core value proposition better. That’s what matters. That’s what people pay for. Everything else? That’s just founder vanity. @molf_co

ИИ не приносит денег Для тех, кто пытается его внедрить. В очередном отчёте State of AI McKinsey опросили представителей 1993-х компаний, как у них успехи с применением ИИ в бизнесе. Спойлер: пока всё туго. Общие выводы С одной стороны 88% респондентов ответили, что применяют ИИ хотя бы в одной бизнес-функции. Однако в 2/3 случаев это эксперименты или пилотные проекты, а не полноценная интеграция в бизнес процессы. При этом только 39% компаний отметили, что ИИ хоть как-то влияет на прибыль на уровне всей организации. Многие сотрудники что-то пробуют и применяют индивидуально для решения своих задач. Но мало кто успел пересобрать рабочие процессы вокруг ИИ-агентов. И только 6% компаний отметили значительное влияние ИИ на бизнес и прибыль (эффект на EBIT ≥ 5%). McKinsey называет их high performers. Что особенного делают high performers? 🔘Выстраивают циклы обратной связи модель — человек (human-in-the-loop) Не таких кто слепо верит ИИ. Ключ в том, чтобы найти точки, в которых человек как оператор должен валидировать результаты. 🔘Перестраивают свою инфраструктуру под работу с ИИ Большинство же компаний пытается просто нанизывать модели на существующие системы. 🔘У них есть реальный план действий по интеграции ИИ То есть, кто-то определил, где и как нужно использовать модели, как будет выглядеть успешный результат внедрения. Все остальные по-прежнему запускают разрозненные пилотные проекты без четкого понимания, что это должно дать. Что интересно, крупные бизнесы двигаются в ИИ-трансформации быстрее. На второй картинке видно, что компании с выручкой > $1 млрд чаще доводят ИИ-проекты до внедрения. Что это значит для рынка? Корпорации понимают потенциал ИИ, но не знают, как его готовить. Это создает огромную нишу для B2B-решений: 🔘Платформы для оркестрации ИИ без нарушения комплаенса 🔘Системы human-in-the-loop для контроля результатов ИИ 🔘Инструменты для измерения ROI от ИИ-проектов Половина компаний планирует постепенное внедрение, а не революцию. Им нужны инструменты, которые помогут сделать этот переход более плавным и управляемым. @mofl_co

Anthropic победил OpenAI Пока что в enterprise-сегменте. По данным Menlo Ventures: — доля OpenAI упала с 48% в 2023 году до 24% в 2025 — за это же время Anthropic вырос с 10% до 30%, став крупнейшим игроком — Google укрепился на третьем месте с 18% (рост с 5%) — Meta потеряла половину доли — с 14% до 7%. Компании выбрали противоположные стратегии развития. Anthropic сосредоточился на корпоративном сегменте. Совсем недавно компания представила Claude Cafe — поп-ап, позиционирующий их продукт как инструмент для интеллектуальной работы и решения сложных задач. OpenAI же делает ставку на массовый рынок. На билбордах компания призывает использовать ChatGPT вместо Google для повседневных запросов — например, чтобы узнать, как починить машину. Разделение рынка на enterprise и consumer сегменты становится всё более явным. Корпорации и обычные пользователи требуют принципиально разных продуктов. Можно отдать должное Amazon, которые вложили $4 миллиарда в Anthropic в сентябре 2023 года — когда разрыв с OpenAI был почти пятикратным. @mofl_co

Как cеконд-хэнд продаёт 17 миллионов вещей в год с помощью ИИ ThredUp — один из крупнейших маркетплейсов подержанной одежды. Компания выкупает у людей ненужную одежду и перепродаёт её онлайн. В 2023 году через платформу прошло 17 миллионов вещей. Главная фишка ThredUp — карусельная система автоматизации площадью 100 000 квадратных футов для хранения и комплектации заказов. Система включает автоматическое взвешивание, определение габаритов, фотографирование и печать этикеток. В этот проект ввалили $400 млн инвестиций, зато теперь обрабатывают десятки тысяч уникальных SKU в день. Весь путь от приёмки вещи до попадания в каталог на сайте занимает буквально пару часов. В итоге во втором квартале 2025 удалось достичь валовой маржи в 80%. Что там делает ИИ? Чистоту и состояние вещей пока проверяют руками, но ИИ уже определяет категорию товара, цвет, размер и даже снимает мерки. Также внедрили ценообразование с помощью ML моделей, которые учитывают бренд, состояние, спрос и другие факторы. Модель постоянно учится на данных о продажах и становится точнее. А для покупателей запустили двух ИИ-помощников: StyleChat — это виртуальный стилист в формате чата-бота, который подбирает образы запросу и может показать, как вещь будет выглядеть на человеке. Поиск по фото — загружаешь картинку → получаешь похожие товары из каталога. Клиентам нравится: по данным ThredUp товары, найденные с помощью поиска по изображению, покупают на 85% чаще. Если заинтересовало, вот ещё пара материалов по теме: 🔘Репорт Business Insider про ThredUp. Можно посмотреть, как выглядит их 🔘Статья How AI is transforming inventory management 🔘Статья ThredUp's AI-Powered Supply Chain Achieves 79.5% Gross Margins in $35B Resale Market @mofl_co

OpenAI превращает ChatGPT в операционную систему На конференции DevDay 2025 OpenAI анонсировала приложения внутри ChatGPT. Ник Тёрли в интервью для TechCrunch объяснил стратегию компании. Тёрли руководит продуктом ChatGPT с 2022 года. За это время продукт вырос до 800 миллионов пользователей в неделю. Теперь Тёрли хочет превратить ChatGPT в аналог операционной системы — место, где люди будут работать, учиться и решать повседневные задачи через приложения. Его вдохновляют браузеры. За последние десять лет они стали де-факто операционной системой. Не в буквальном смысле как MacOS или Windows, но люди работают именно в них благодаря веб-приложениям. Тёрли считает, что ChatGPT сейчас находится в эре командной строки. Продукт мощный, но ему не хватает удобных интерфейсов. Через пару лет в ChatGPT появятся приложения для письма, программирования, покупок. OpenAI уже пыталась запустить GPT Store и плагины в 2023 году. Не взлетело. Новый подход другой: приложения встроены в основной опыт ChatGPT, а не спрятаны в отдельном магазине виджетов. Разработчики могут создавать интерактивные опыты, не только чатботы с данными компании. Вариант монетизации понятный: разработчики получают доступ к 800 миллионам пользователей, а OpenAI может брать процент с транзакций, которые проходят через платформу. @mofl_co

Как изучить незнакомый рынок через построение продукта Отман Лараки и Элад Гил запустили health-tech стартап Color в 2015 году. До этого они успешно работали в Google и Twitter, но опыта в здравоохранении было ноль. Спустя 10 лет Color стоит $1 млрд. Она помогает компаниям выявлять онкологические риски сотрудников через генетические тесты и виртуальные консультации. Для First Round Review Лараки поделился тактиками, которые помогли бывшим разработчикам и менеджерам освоиться в чуждой для себя индустрии. По мнению Лараки нет смысла изучать рынок отдельно от продукта. Нужно билдить и в процессе набираться опыта и экспертизы. Разберитесь в финансовых потоках Найдите всех участников цепи — от поставщиков до конечных покупателей. Разберитесь в мотивации каждого: что движет их решениями, как между ними выстроены денежные транзакции. Выясните, кто: 🔘влияет на решение о покупке? 🔘кто его принимает? 🔘кто устанавливает цену? 🔘как реально платит? Это нужно, чтобы получить объективное представление, как устроен рынок. Разложите юнит-экономику на винтики Color хотели продавать тесты за $250 вместо $4000. Детально разложили все издержки и по каждому пункту искали, где можно сэкономить — договаривались о скидках, рассматривали альтернативных поставщиков. Это помогло понять структуру затрат в индустрии и выявить неэффективности рынка. Обращайтесь к правильным экспертам Если хотите с кем-то проконсультироваться, не пишите самым известным людям в индустрии. Ищите специалистов, которые работают "в поле", но меньше проявляются публично или медийно. Color в своё время обратились к Мари Клейр Кинг, обнаружившей связь между генетикой и онкологическими заболеваниями. До этого она вообще не работала с бизнесом и скептически к нему относилась. Но команде удалось убедить её в серьёзности своих намерений, и она согласилась сотрудничать. Будьте готовы к пивотам Color несколько раз меняли концепцию продукта. Начинали с тестов для индивидуальных клиентов, а пришли к виртуальной онкологической клинике для крупных работодателей. Каждый пивот казался провалом, но был необходимым шагом к пониманию рынка. Не думайте, что все вокруг — дураки Придя из другой индустрии многие вещи будут казаться странными и нелогичными. Но в большинстве случаев окажется, что у них есть рациональные причины. Color удалось снизить цену теста до $250, но это не решило проблему: затраты на биллинг через страховые съедали маржу. Ключ в балансе между "я тут всё переверну" и "если работает, не трогаем". @mofl_co

Как сделать вирусный видео-анонс продукта (с примерами) Видео-анонсы (launch video) продуктов стали новой нормой. Фаундеры учатся работать с алгоритмами социальных сетей, чтобы собрать wait-листы, сделать первые продажи и привлечь внимание инвесторов. A16Z собрали кейсы, когда такие анонсы выстрелили в X с сотнями тысяч и миллионами просмотров, и обсудили с авторами, как они этого достигли. Вот главные советы: 🔵Сфокусируйтесь на демонстрации продукта и результатов (>50% ролика) 🔵Продумайте сильный хук, который заставит кликнуть на видео 🔵Рассказывайте словами клиента. Поговорите со 100+ людьми из целевой аудитории — они должны чувствовать, что вы обращаетесь лично к ним 🔵Грамотно подобранные use cases важнее красивого продакшена 🔵Будьте аутентичны. Говорите о том, что действительно важно команде, а не гонитесь за охватами любой ценой 🔵Оптимальная длина: 1,5 - 2 минуты Впрочем, как ни крути, в первую очередь решает сам продукт. В примерах ниже есть анонс на 23 секунды вообще без слов, набравший 1.6 миллиона просмотров. Давайте смотреть примеры: Shortcut — superhuman Excel agent FLORA — единый холст, объединяющий разные ИИ-модели для креативных задач OpenSesame.dev — превращает ИИ-шные API в интерфейсы естественного языка Ember — платформу для понимания и контроля внутренних процессов AI-моделей MCP, позволяющий Claude напрямую работать с Blender @mofl_co

В AI побеждает не технология, а дистрибуция Miqdad Jaffer, Head of Product в OpenAI, опубликовал разбор того, за счёт чего побеждают ИИ-продукты. Главная мысль: любую фичу можно скопировать за неделю, единственная реальная отстройка от конкурентов — это то, как распространяется ваш продукт. Примеры Perplexity не обошла OpenAI по качеству модели, но сделали так, чтобы каждый расшаренный ответ приводил новых пользователей бесплатно. Clay не просто запустили CRM tool. Они придумали роль "GTM Engineer", и теперь каждый найм этой позиции работает на их дистрибуцию. Не воспринимайте AI-продукт как SaaS В SaaS можно было сначала найти PMF, и уже потом заняться каналами продвижения. Маржинальные издержки стремятся к нулю → раздавать бесплатные доступы можно сколько угодно. В AI каждый запрос стоит денег. Вирусность без контроля экономики = банкротство на compute. Поэтому дистрибуция — это не GTM-стратегия, которую добавляют потом. Это принцип проектирования продукта с первого дня. Задайте себе эти вопросы перед запуском: 🔵Распространяется ли продукт сам? 🔵Встраивается ли он в существующий workflow пользователя? 🔵Создаёт ли результаты, которыми хочется делиться? 🔵Улучшается ли экономика с ростом? В статье — 15 тактик дистрибуции. Вот как их применили лидеры рынка: 🛑ElevenLabs — Output-as-Distribution Каждый AI-клон голоса в TikTok стал их рекламой. Продукт спроектирован так, что результаты распространяются сами. 🛑Lovable — Category Naming + Creator-Native Adoption Создали мем "vibe coding" — люди сами несут их бренд. Плюс создатели постят "я заработал $6000 на проекте из Lovable" — это и туториал, и доказательство. 🛑Perplexity — Viral Artifacts + Trust Loops Поиск с цитатами, где каждый ответ хочется расшарить. Формат с источниками создаёт доверие, а шаринг — бесплатную дистрибуцию. Полный список 15 тактик прикрепили на картинке к посту. @mofl_co

Что такое анти-питчи и как с ними бороться? Анти-питч — стандартная фраза для убийства новых идей. У каждой индустрии есть готовый набор возражений, которые повторяются на автомате. Эндрю Чен разобрал тему в новом эссе. Примеры анти-питчей: 🔵AI-стартап: "Это просто GPT-обертка" / "OpenAI сделает то же самое через пару месяцев" 🔵Маркетплейс: "Столкнётесь с chicken-and-egg проблемой. Без продавцов нет покупателей, без покупателей нет продавцов" 🔵Фитнес-приложение: "Рынок переполнен. Люди качают, не пользуются, удаляют" Люди говорят это автоматически, не вникая в продукт. Большинство стартапов проваливаются — статистически скептик прав. Плюс критиковать в такой форме очень просто: зацепился за одну деталь и списал всю идею. Вот что советует Чен, чтобы парировать анти-питчи: 🛑Не попадайте в чужие фреймы Кто задает рамки — тот управляет дискуссией. Если вам говорят "очередной X", предложите своё сравнение с более выигрышным бенчмарком: "нас лучше сравнивать с Y". Главное не уходить в отрицание. Отрицание создает связь, а не разрушает. 🛑Заранее продумайте возможные анти-питчи Выпишите 5 стандартных возражений к вашей нише. Найдите формулировки продукта, которые их не вызывают. Протестируйте новые описания. 🛑Фильтруйте источники критики ✅Кого слушать: клиентов, инвесторов, команду ❎Кого игнорить: случайных советчиков, журналистов-хайперов А вы сталкиваетесь с анти-питчами? Какие самые частые / бесячие возражения приходится отрабатывать? @mofl_co

Какие ИИ-стартапы привлекли больше $100 млн в 2025? По данным TechCrunch в этому таких компаний уже 33. Для сравнения: за весь 2024 год таких стартапов было 49. Про мега-раунды OpenAI, Anthropic, Thinking Machines Lab и Anysphere (Cursor), вы, скорее всего, в курсе. В этом материале расскажем о проектах, которые реже мелькали в информационном поле, но были высоко оценены инвесторами. Все сделки в один пост не поместятся. Отобрали самые интересные наш взгляд. 🛑Decart — $100 млн | $3.1 млрд | Series B Разрабатывает технологии, которые ускоряют обучение и инференс крупных генеративных моделей. На базе собственного оптимизационного стека команда создала: — MirageLSD — преобразует прямой видеопоток с задержкой <40 мс — Oasis — модель для генерации интерактивных миров в реальном времени 🛑Fal — $125 млн | $1.5 млрд | Series C Единый API-доступ к 600+ моделям для генерации контента (изображения, видео, аудио, 3D). Все вычисления выполняются на облачной инфраструктуре Fal, поэтому пользователям не нужно покупать дорогие GPU и настраивать окружение. 🛑EliseAI — $250 млн | $2.2 млрд | Series E Разговорный ИИ для автоматизации процессов в недвижимости (аренда, обслуживание жильцов) и здравоохранении (запись пациентов, кол-центр, оформление рецептов) 🛑Ambience Healthcare — $243 млн | $1.5 млрд | Series C ИИ-ассистент для врачей: записывает приемы, ведет истории болезни, автоматически проставляет коды диагнозов в электронные мед. книги. 🛑Reca AI — $110 млн | $1 млрд+ | Series B Создаёт сверх-эффективные мульти-модальные модели (текст + картинка + видео + аудио), которые можно разворачивать в облаке, on-prem или прямо на устройстве. Благодаря фокусу на оптимизации вычислений даёт производительность уровня GPT-4 / Gemini при меньших затратах. 🛑Harmonic — $100 млн | $0.875 млрд | Series B Cтроит Mathematical Superintelligence (MSI) — семейство нейромоделей (флагман Aristotle), которые умеют решать задачи формальной математики и проверяют свои ответы, исключая «галлюцинации». 🛑OpenEvidence — $210 млн | $3.5 млрд | Series B "ChatGPT для врачей", который за секунды находит и конспектирует лучшие медицинские исследования, помогая врачам принимать решения. Сама компания говорит, что их сервисом ежедневно пользуется почти половина всех врачей США. 🛑Glean — $150 млн | $7.25 млрд+| Series F Work AI проект, который превращает разрозненные корпоративные данные в единую, "умную" поисковую строку: сотрудник задаёт вопрос обычным языком и мгновенно получает ответ или готовый документ, основанный на информации из внутренних систем компании. 🛑Snorkel AI — $100 млн | $1.3 млрд | Series D Snorkel AI делает для данных то, что Git сделал для кода: превращает громоздкую ручную разметку данных для обучения ИИ в управляемый, программируемый процесс, что во много раз ускоряет разработку корпоративных ИИ-моделей. 🛑Celestial AI — $250 млн | $2.5 млрд | Series C Оптические межсоединения для ИИ-систем — использует свет вместо электричества для передачи данных, что ускоряет и удешевляет обучение моделей. 🛑 Eudia — $105 млн | NA | Series A Автоматизирует рутинные задачи для юридических отделов в крупных корпорациях — анализ контрактов, управление рисками, M&A due diligence, соответствие требованиям. @mofl_co

ИИ-стартапы живут в своей вселенной Данные Carta по 3001 раунду (сентябрь 2024 — август 2025) показывают беспрецедентный разрыв: топ-1% стартапов по оценкам превышает топ-5% почти в 3 раза на любой стадии. И захватили этот топ, конечно, передовые ИИ-native проекты. 📊 Ещё нагляднее цифры в разрезе по раундам: Seed: $161M оценка в 99-м перцентиле в 8,5 раз выше медианной. Series A: $716M против обычных $58-97M — это в 7-12 раз выше традиционного SaaS на той же стадии. Series B: $2B+ против стандартных $136-262M — в 8-15 раз выше оценок просто сильных стартапов. Series C: $7B+ — это оценки, которые еще 2 года назад видели только у pre-IPO компаний Для контекста: Series A за $716M сегодня стоит дороже, чем большинство Series C в 2022 году. Принцип "Победитель забирает всё" окончательно захватил венчур. Теперь есть ИИ-игра и всё остальное. 🤔 Безумие? Или справедливая цена за возможность урвать главный куш 21 века? @mofl_co

Можно ли доверять ИИ-агентам шоппинг на маркетплейсах? Есть расхожее мнение, что в ближайшем будущем мы перестанем сами делать покупки в интернете и поручим это ИИ-агентам. Walmart вот уже готовится к наплыву цифровых ассистентов. Потенциально это изменит в E-commerce всё: правила конкуренции, способы монетизации и даже дизайн платформ. В связи с этим возникает логичный вопрос: а как вообще ИИ будет принимать решение о покупке того или иного товара? Это попыталась выяснить группа учёных в экспериментальном исследовании What Is Your AI Agent Buying? Они создали симулятор маркетплейса ACES (Agentic e-CommercE Simulator): страницу с 8 товарами в сетке 2×4, где можно рандомно менять цены, рейтинги и теги вроде «спонсировано» или «выбор покупателей». К нему подключили популярных агентов (Claude 4 Sonnet, GPT-4.1, Gemini 2.5 Flash) и посмотрели, как они выбирают. Что выяснилось? 🔘ИИ не всегда рационален. Даже топ-модели иногда выбирают товар дороже или с худшим рейтингом. В тестах на «однозначно лучший вариант» ошибка доходила до 9–16% у GPT-4.1. Eсли разница в цене или рейтинге была очень маленькой, ошибки доходили до 25–70%. 🔘У ИИ могут быть фавориты. В эксперименте со степлерами лидером стал Amazon Basics: Claude Sonnet 4 выбирал его в 80% случаев, GPT-4.1 — в 94,2%, Gemini 2.5 Flash — в 81,6%. В эксперименте с фитнес-часами Claude Sonnet 4 упорно отдавал предпочтение одной модели (45% покупок), а GPT и Gemini выбирали её примерно в 25% случаев. 🔘Позиция на странице решает. GPT-4.1 тяготел к товарам в первом столбце, Claude Sonnet 4 полюбил товары из середины (столбцы 2 и 3), а Gemini 2.5 Flash прилипал к третьему стролбцу. 🔘Реклама не помогает. Тег «спонсировано» снижал вероятность покупки, а вот «Overall Pick» от платформы увеличивал выбор почти вдвое или втрое. 🔘В целом поведение похоже на человеческое. ИИ чаще выбирает товары дешевле, с выскоким рейтингом и большим количеством отзывов. Но сила этих факторов у разных моделей отличается. 🔘ИИ-продавец иногда может уговорить ИИ-покупателя. Если попросить ИИ усилить описание товара, то в 75% случаев это никак не влияло на вероятность покупки. Но в 25% cлучаев продажи резко возрастали. К примеру GPT-4.1 стал покупать коврик для мыши с обновлённым описанием на 21,8% чаще, а Gemini 2.5 Flash — чехол для iPhone 16 на 23,6% чаще. - - - Рынок, где решения принимают агенты, будет другим. Побеждает не обязательно тот, у кого лучше продукт, а тот, кто умеет подстраиваться под «предпочтения» ИИ. Ожидаем, что появтся целый класс сервисов, которые будут оптимизировать товары и площадки именно под ИИ-покупателей. @mofl_co

9 шагов к успешной монетизации продукта По данным Simon-Kucher & Partners, 72% новых продуктов не достигают целей по прибыли или выручке. Основная причина — компании начинают с разработки, а про монетизацию думают в конце. Фреймворк Мадхавана Рамануджама помогает выстроить процесс так, чтобы цена и ценность были в центре. 1️⃣ Обсудите цену в самом начале Не ждите готового продукта, чтобы говорить о цене. Проведите интервью с клиентами, чтобы узнать: 🔘приемлемую цену, 🔘«дорого» и «слишком дорого», 🔘за какие функции они готовы платить. Это сразу покажет, стоит ли запускать продукт, и избавит от перегрузки ненужными функциями. 2️⃣ Сегментируйте аудиторию — one size fits none Среднего клиента не существует. Разделите рынок на группы с разными потребностями и готовностью платить: 🔘те, кто хотят лучшее решение 🔘те, кому важна скорость 🔘те, кто ищет минимальную цену Пример с водой: из-под крана — бесплатно, а Liquid Death в банке — $10. И ведь покупают. 3️⃣ Конфигурация и бандлы Для каждого сегмента нужен свой набор функций: 🔘Leader — must-have 🔘Filler — nice-to-have 🔘Killer — функция, которая отпугнёт клиента, если за неё платить Бандлы (пакеты) часто повышают выручку: клиенты берут больше, чем при покупке по отдельности. 4️⃣ Выберите модель монетизации Как вы берёте деньги, часто важнее, чем сколько: 🔘подписка 🔘freemium 🔘оплата за использование 🔘динамическое ценообразование Пример Michelin: вместо продажи шин за штуку стали брать деньги за км пробега. Это понравилось клиентам и увеличило прибыль. 5️⃣ Определите стратегию ценообразования Выберите, что важно именно сейчас: 🔘Maximisation — максимальная прибыль или выручка здесь и сейчас. 🔘Penetration — низкая цена для быстрого захвата доли рынка. 🔘Skimming — сначала продаём дороже ранним последователям, потом снижаем цену для остальных. 6️⃣ Внешний бизнес-кейс После того как вы узнали готовность платить и сегменты рынка, интегрируйте эти данные в финансовую модель: цены, прогнозы продаж, прибыльность. Обновляйте бизнес-кейс по мере выхода продукта на рынок. Это поможет вовремя корректировать стратегию и избегать сюрпризов. 7️⃣ Говорите о ценности, а не функциях Ну, это база. Клиенты покупают выгоду, а не список характеристик. 8️⃣ Используйте поведенческое ценообразование Люди принимают решения не всегда рационально. Вот пример: У одного SaaS-сервиса было три тарифа: 49$ - 79$ - 149$. Распределение покупок: 58% - 30% - 12%. А потом тарифную сетку поменяли. Стало: 49$ - 99$ - 179$ - 299$ (супер-ультра-макс тариф). Как изменилось соотношение покупок? 43% - 41% - 14% - 2% Цена за средний тариф выросла на 20$, но покупать его стали больше. Он стал выглядеть привлекательнее на фоне более дорогих тарифов. 9️⃣ Тестируйте и адаптируйте Монетизация — это постоянный процесс. Следите за поведением клиентов, тестируйте новые форматы, меняйте стратегию под изменения рынка. Продукт и цена должны эволюционировать вместе. @mofl_co