Pavlo Pedenko

Я вчора повернувся з СФ назад в Європу (дякую всім, хто вигулював мене в СФ - чекаю в гостях в Лондоні). Швидкі думки про поїздку: 1. Взагалі, якщо ви в tech і у вас є можливість переїхати - я б їхав вже завтра. Рівень можливостей неспівмірний з будь-яким європейським містом. 2. Концентрація грошей на ринку просто нереальна. Покладу в перспективу. В СФ живе 800 тисяч людей. Антропік та ОпенАІ вже створили майже 20 тисяч мільйонерів. Доступ до ангельських грошей швидший і простіший. 3. ЛЛМ-агенти-агенти-інференс-інференс. Ботлнеком стає інференс, а не модель. Половина білбордів в СФ - це агенти і інфра для них. Половина - це інференс провайдери. 4. Serendipity. У мене, звичайно, є привілегія з хорошим українським нетворком, але те, як швидко ти можеш отримати доступ до потрібних тобі людей та інсайти від них… у мене такого досвіду в житті ще не було. Мінусів, звичайно, теж достатньо. Наркомани на вулиці виглядають дистопічно. Смердить багато те. Ну, і взагалі, це місто - це монокультура, де всі працюють в tech, або навколо. Таке або подобається, або ні.

Знаю, що хороших людей знайти завжди важко, але допомагаю знайти в Lemon.io ще одного product manager. Я допоміг їм суттєво оновити свій роадмеп. Ось, що вони запустили нещодавно: 1. Побудували систему, яка сильно прискорює проходження суттєвої частини веттінг процесу для інженерів, які працюють на маркетплейсі. Достатньо складний агент, який робить софт скіл інтерв’ю, перевіряє на скам, приймає рішення, чи пропускати людину далі на технічне з живим інтерв’ювером. 2. Прямо зараз вони будують продукт, який має сильно прискорити сорсинг. За подібні продукту конкуренти чарджать дуже багато доларів, вони будують його з двома інженерами і великою кількістю агентів. 3. Я вже написав “агенти”? Вони деплоять їх в усіх частинах операційки, яку, нарешті, можна маштабувати (поки що агенти все працюють з супервіжном). Так от. Допоможіть їм знайти людину в продукт. Ось тут всі контакти і посилання на вакансію. Буду вдячний за шер на LinkedIn чи взаємодію, щоб вакансію побачили релевантні люди.

На фоні успіху Kimi, дуже цікавий лонгрід про те, як побудована робота в компаніях, що роблять LLM-ки в Китаї. • Багато студентів та ентрі-левел співробітників, які працюють в лабораторіях. Значно більше, ніж в американських лабах. • Тотальна недостача компьюту (є huawei, але непорівнювано мало nvidia). • Практично відсутня індустрія human data, рісьорчери роблять свої середовища, а лаби мають команди підготовки даних (мені сказали, що це фігня, і китайські лаби купують данні, так само, як і американські, але базуюсь лише на статті). • Тільки ByTeDance робить закриту модель (типу того, що роблять OpenAI та Anthropic), всі інші - відкриті. • Майже відсутня погоня за комерціалізацією моделей. Важливо зробити найкращу модель, значно менше тиску на комерційні показники (мабуть, тому ми і не чуємо історій, типу Kimi сама по собі зламала Hugging Face, і вкрала необхідний дата-сет). P.S. Для тих, хто читає мене недавно, пожити і попрацювати в Китаї було моєю дитячою мрією - я трохи пожив у Шеньчжені, але нічого толкового зробити там не зміг. Якщо цікава стаття, то читайте повну версію тут (безкоштовно, без смс).

Жиза.

AI лаби купили данних мінімум на $8,5млрд в 50 найбільших data компаніях в 2026. Статистика, звісно, приблизна. micro1 та Turing ще недавно були маркетплейсами для найму інженерів. Якби я керував великим аутсорсом, то я б прямо зараз трансформовував його в завод по створенню long horizon інженерних задач.

🤣

Дуже цікавий брейкдаун того, куди, скоріше за все рухається ринок збору структурованих даних. Якщо коротко: 1. Скоріше за все, бюджет на данні, які фронтір-лаби витрачатимуть на данні в 2030 році, досягне 100 мільярдів доларів на рік. 2. Вартість датасетів буде рости, тому що, якщо ми залишимось в рецепті, де автоматизувати роботу можна за принципом: багато компьюту, pre-training на данних з інтернету та RL на своїх данних, то вартість датасету, який зможе автоматизувати створення економічного вихлопу може стати нескінченним. 3. Знову ж таки, враховуючи, що компьют у всіх лаб буде однаковим, якщо не буде технологічного прориву, то єдиним диференціатором мають стати данні. 4. В публічному інтернеті є всього 300 трильйонів токенів, відкритий інтернет не може продукувати достатньо данних, щоб моделі прогресували. 5. Суверенність цілих країн може стати питання сувернності данних, які є в цих країн в наявності (наприклад, уряд UK вже починає говорити про припинення контрактів з Palantir, бо не хоче, щоб данні всіх йшли до пана Тіля). P.S. Цей розумний текст написаний не мною, я просто взяв цитати, які виглядають логічними. Цікаво, що ви думаєте.

Буду в Сан-Франциско з 27 липня по 9 серпня. Як завжди - радий реконектитись зі старими друзями та знайомитися з новими. Останній раз був там у 2018 році - це як в іншому житті. MacPaw, київські продакт-мітапи, життя в Китаї та Raply. Буде цікаво побувати там вже “іншою людиною”.

Іноді твій продукт купують просто тому, що це дозволяє продавати основний сервіс дорожче. Пам’ятаєте, коли тільки з’явився ChatGPT 3, то медіа кричали, як ця мовна модель вб’є модель billable hours? Власне, ця модель - це те, на чому працює більшість консалтингу. Коли платять за годину роботи експерта, а не за результат їх роботи. Так от, за словами інсайдерів, 1. Юридичні компанії купують продукти Legora та Harvey, найбільш зафанджені юридичні АІ компанії. Задача - показати лого в пітчі. Ми - інноваційні. Це дозволяє продавати продукт (billable hours) дорожче. 2. Індустрія не відмовляється від billable hours. Це не вигідно юридичним фірмам. Не подобається? Ну, можеш зробити свій договір з Claude. Хто в такому випадку нестиме відповідальність? 3. Замовники послуг розуміють, що billable hours, як модель, залишиться, але масово просять дисконти: “ми розуміємо, що ви робите роботу з LLM-ками, ми знаємо, що ви збільшується свою маржу, але ми все одно хочемо, щоб у нас був підрядник, який відповідає за роботу. Ми не хочемо відповідати за неї самі”

Ваш календар теж так виглядає?

За останні 12 місяців декілька разів шукав собі психотерапевта на українських маркетплейсах і навіть декільком заплатив гроші, щоб спробувати. Mindly (зарейзили 4 мільйони від Inovo пару років тому, мабуть, найбільш зафанджений маркетплейс в цій ніші в регіоні). Кльовий продукт, все зручно. За відчуттями, найприкольніший досвід. З мінусів - я так і не зрозумів, як зупинити підписку (найкращі практики українського продакт-менеджменту). Довелись заблокувати картку, якою платив. Pleso (зарейзили від 1 до 2 млн від Badideas та ще декількох інвесторів) - добре струткуровані профілі, дуже стандартизовані. Відразу видно підхід «контрольований маркетплейс в дії». З мінусів - не зміг собі підібрати нікого, не зручний каталог, по описам не знайшов собі спеціаліста. Дуже подобається їх email маркетинг, але він не допомагає зробити мені вибір. Rozmova (зарейзили 1.5м від Pragmatech) - дуже безшовний онбордінг (вкрали багато ідей для Mathema у них). З плюсів - зручний каталог та фільтри, не форсять відразу на підписку (можна купувати one-off сесії). В цілому, мінусів поки що не бачу - поки що підписався з ними. По ціні всі сервіси відносно однакові. По цінності - особливої різниці не побачив. В Розмові трохи більше «фічей» для користувача, але я нічим не користувався. Тож, якщо хочете робити маркетплейс в ніші, де здавалося б вже все є, то ось вам приклад, як в Україні співіснує декілька майже однакових бізнесів, а користувач (я), все одно витрачає тижні, щоб обрати.

Вчора поговорив з micro1 та Handshake - взагалі, відразу видно, що компанії ростуть так швидко, що там максимальний хаос. Handshake став самим швидкозростаючим едтехом в США, продаючи експертів, які створюють данні. micro1 півотнувся з маркетплейсу інженерів в RL data factory. Коли говориш з такими командами, то стає очевидно, куди рухаються моделі - в автономність та outcomes. micro1 зараз активно скуповує корпуси enterprise даних з мінімальним чеком $50к за корпус. Також “наймає” компанії, які допомагають навчати АІ агентів на власних даних. Handshake цілиться продукувати 5000-10000 семплів під один тип даних (наприклад, terminal bench 2, SWE Bench, STEM) в місяць. Всі роблять переважно кодінг, трохи роблять STEM - наприклад, купують математичні таски, в рамках яких фейлиться різонінг останніх “великих” моделей.

Ринок розмітки людських даних зараз абсолютно божевільний (це англійською HDA, загугліть). Handshake - платформа для пошуку роботи для студентів, заснована у 2013 році - рік тому мала $5–10M річного доходу від розмітки даних Сьогодні вони наближаються до $1B реви за рік. Ще раз: від $10м до $1млрд за 1 рік. Це навіть в контексті Генезісу перестає виглядати як ларьок. Вони не півотились. Вони просто помітили, що Scale AI, Mercor і Surge використовують їхню платформу для пошуку PhD-спеціалістів і доменних експертів. І пішли напряму. Ось що змусило мене особисто звернути на це увагу. За останні кілька місяців ми отримали інбаунд від Scale AI, Handshake і micro1 - всі цікавились тим, щоб використовувати supply Mathema для розмітки даних. Ми ніколи не позиціонували себе таким чином. Вони самі прийшли до нас. Виглядає, що це єдиний шматочок AI value chain, де досі можна побудувати щось реальне без бекграунду з frontier lab.

За два дні сходив на два івенти від Deepmind. Один з них був в партнерстві з Lightspeed (інвестор в Anthropic та Mistral). Що я можу сказати - FOMO максимальне. Про що говорять: 1. Аплікейшн layer варто будувати тільки у випадку, якщо ви можете отримати данні, до яких не буде доступу у моделі, або якщо ви фасилітуєте роботу, яку модель поки що не може зробити. 2. On-device модель, типу Gemma, на 18 місяців позаду по перформансу великих frontier моделей. Тобто, все, що зараз роблить умовни Fable, скоріше за все через два роки може запускатися на девайсі. Це, звичайно, зриває мозок. On-device моделі будуть під контролем або вендорів девайсів, або big tech. 3. Великий тренд - це world models, симуляції реальності, які можуть допомогти спрогнозувати реакцію на те, чи інше рішення, а також створювати синтетичні данні під тренування моделей для робтотехніки. 4. Стартапи, які рейзять нормальні раунди і не роблять foundation layer, або AI supply chain - це часто вирішення дуже специфічних проблем, наприклад, в логістиці, де команди в середині компанії просто не мають технічної експертизи, щоб просто почати це робити. 5. Human data market продовжує бути хорошею нішею, але достатньо швидко консолідується.

Всі мабуть чули про Mercor - це платформа, яка де-факто стала операційним аутсорсом для tier-1 AI лабораторій. Вони роблять все - від найму ex FAANG людей для створення coding agent evaluations до покупку Fallen Angels (інфраструктур стартапів, в яких тренуються агенти на long horison tasks) до просто роботи з кастомер фідбеком для PM в лабах (на вхід отримують спредшіт з фідбеком від користувачів, валідують його, передають PM’ам). Звісно, Mercor - вражаюча компанія, яка була в правильний час в правильному місці. Вони побудували супер ветінг систему для supply - фактично, вони на скейлі можуть ветити будь-який саплай - від Goldman Sachs фінансистів до FAANG інженерів без скейлінгу операційних витрат. Вони платять анотаторам вище ринку (в середньому 100 баксів за годину, у порівнянні з більш низькою оплатою у конкурентів). Вони змогли забрати купу клієнтів Scale, коли останніх купила Meta (великі лаби не хотіли, щоб їх данні були в доступі у Цука). Але, що найцікавіше, секрет їх росту в тому, що вони в правильний час найняли людину з OpenAI, яка відповідала за human data operations. Джекпот. Вони не тільки отримали супер інсайт в те, що потрібно лабам, але й змогли відразу отримати доступ до всіх функцій в OpenAI, яким потрібна була human annotated data. Це, на мою думку, і простимулювало їх супер швидкий ріст.

Так і живем.

А хто з вас працює в defense на продуктових позиціях? Ми з KOLO плануємо запустити новий проект, і хочемо поспілкуватися з операторами українського мілтеку, щоб спробувати валідувати наші гіпотези по тому, як ми могли б створити більше цінності для defense комьюніті. Не обов’язково, щоб ви були саме product manager по тайтлу, може бути: • c-level • інженери, що роблять продуктову роботу • будь-хто, хто приймає рішення по продукту, які мають вплив Напишіть мені - @pa_pa_pi_pi, я б хотів познайомитися. Дякую!

В перерві між мітингами, хочу поділитися записом мого останнього мітапу про те, як робити погані рішення в продукті на різних стадіях - startup, growth, scale. Я поділився купою дуже тупих помилок, які робив сам і зустріч вийшла дуже саморефлексійною. Дешевше, ніж ходити до терапевта, ще й грошей на благодійність на збирав. Якщо ви подивитесь мітап, вам сподобається і ви захочете підтримати мої збори, то буду вдячний за донати тут: • KOLO • JustGiving

Ви вже мабуть забули, але я в кінці минулого року обіцяв зробити онлайн-мітап на тему How to make bad decisions as a PM. На конференції від ДОУ у Варшаві, якимось містичним чином, ми зібрали повну кімнату людей, тож хочеться перенести цей досвід онлайн. …