АІ під капотом

Учора говорив із приятелем, який за вихідні зібрав додаток у Cursor за допомогою Claude. Після цього він заявив, що тепер кожен може стати розробником, а класичний девелопмент скоро помре. 💻 Я бачу в AI майбутнє. Уже зараз людина без технічного бекграунду може самостійно зібрати сайт, додаток або MVP. Для швидкої перевірки ідеї це величезна можливість. Але кілька вдалих промптів ще не означають, що ви вмієте створювати продукти. Нещодавно до нас прийшов клієнт із MVP, зібраним через ChatGPT. Зовні все працювало. Проблеми почалися, щойно потрібно було щось змінити. Код сипався, одна правка ламала іншу, а нормально розвивати продукт було майже неможливо. У результаті ми все переписали з нуля. AI може написати код, але він не гарантує його якість. Він не вирішить за вас, як побудувати систему, що потрібно користувачам і чи витримає продукт наступні оновлення. Тому самостійно створити сайт, додаток чи MVP справді можна. Питання в іншому: чи буде це лише робоче демо, чи продукт, який можна масштабувати й підтримувати. 🙌 Майбутнє точно за AI. Але виграють у ньому не ті, хто просто навчився писати промпти, а ті, хто розуміє, що саме вони створюють і як цим інструментом правильно користуватися. А ви вже пробували зібрати за допомогою AI щось складніше за лендинг?

Я провів 100+ дзвінків з представниками товарного бізнесу за 3-4 місяці Коротше кажучи, ми зарелізили MVP нашого АІ чатботу для товарного бізнесу Selba AI 🚀 Навіщо я провів стільки дзвінків? • Я перевірив реальний попит і біль • Зробили 20+ продажів • Отримав купу фідбеку • Зрозумів нашого цільового клієнта • Кілька разів мене послали, я вже мовчу про скидання слухавки, або коли клієнт залишив заявку і потім казав, що нічого не залишав 🤡 Задоволений я результатом на сьогодняшній день? - Так Чи продукт зараз ідеальний? - Ні Чи будемо ми продовжувати? - 100%, ще купа перемог попереду 🚀 Чи є у нас візія? - Так, і навіть прописана у презентації 😁 Selba AI - найкращій у світі штучний інтелект для створення карточок товарів для сайту чи маркетплейсу. У майбутньому це новітня АІ інфраструктура для АІ агентів у товарному бізнесі. Будь сучасним - будь з нами 🤝 Сайт selba.ai

Переглядав свіжі демо-ролики від Figure та Physical Intelligence. Всі вони з маніакальною наполегливістю показують, як їхні гуманоїди складають футболки або дістають білизну з сушарки. Мільярдні капіталізації, а вони вчать залізних гігантів сортувати шкарпетки. На перший погляд, це виглядає як дивне марнування ресурсів. Чому не збирання автівок чи пакування коробок? Але складання м’якого одягу є найскладнішим тестом для ШІ у фізичному світі. Деталь автомобіля жорстка, її форма передбачувана. Футболка є чистим хаосом. Вона деформується щомиті, має безкінечну кількість станів і вимагає постійного тактильного зв'язку. Щоб її скласти, робот не може просто виконати записаний код. Йому треба бачити тканину, на льоту прораховувати її фізику та коригувати силу стискання пальців. Якщо робот впорається з купою пом'ятого одягу, він зможе виконати майже будь-яку непередбачувану роботу на складі чи вдома. 🦾 Ми в розробці часто намагаємося автоматизувати процеси клієнтів, хапаючись за наймасштабніші завдання. А варто шукати власне "складання білизни", тобто вузьку, але максимально хаотичну задачу, яка доведе життєздатність усієї системи. Яка задача у вашому бізнесі є цим самим "складанням білизни", яку ви досі не наважуєтеся автоматизувати?

Гортав Reddit і натрапив на пост де людина просто вирішила протестувати Claude Code. У результаті за півтора тижня вона зібрала мультиплеєрну гру з танками, кількома картами, ботами, рейтингом, матчмейкінгом і навіть руйнуванням ландшафту. І я зловив себе на думці, що більшість людей досі розглядає Claude для програмування досить вузько. Зазвичай мова йде про сайти, ботів, CRM, автоматизацію або якісь внутрішні сервіси. Але ж програмувати можна значно більше. Це можуть бути ігри, симулятори, експериментальні продукти, інструменти під власні потреби або просто дивні ідеї, які раніше навіть не хотілося починати. Бо для цього потрібно було шукати розробників, виділяти бюджет і витрачати місяці на перший прототип. Тепер можна просто відкрити термінал, описати свою ідею і досить швидко отримати щось, що вже працює. Звісно, це ще не готовий продукт для великого навантаження. Код потрібно перевіряти, тестувати й місцями переписувати. Але для першої версії та перевірки самої ідеї цього більш ніж достатньо. Мені здається, скоро головним обмеженням буде вже не те, чи вміє людина програмувати, а те, що саме вона здатна придумати. А що ви спробували б створити за допомогою Claude Code?

Подивися свіже відео керівника Instagram про те, як AI змінює найм розробників. Головна думка проста: вміння швидко писати код уже не є такою великою перевагою, як раніше. Cursor та інші AI-інструменти можуть за хвилини зробити те, на що розробник витрачав години. Тому планка зміщується. Тепер важливіше, чи розуміє людина архітектуру, вміє читати й критично оцінювати готовий код, знаходити помилки та ставити правильні питання бізнесу. Згенерувати рішення стає дедалі простіше. Значно складніше - зрозуміти, чи воно взагалі правильне, безпечне і витримає реальне навантаження. Схоже, ера розробників, чия головна цінність - просто писати багато коду, справді закінчується. AI не прибирає потребу в інженерах, але сильно піднімає вимоги до інженерного мислення. Як, на вашу думку, мають змінитися технічні співбесіди в епоху AI?

Сьогодні зранку натрапив у LinkedIn одразу на кілька дописів від різних людей про те, як чати користувачів із Claude опинилися у пошуку Google. І ця історія добре показує, наскільки умовним іноді буває слово «приватність» у цифрових продуктах. Серед опублікованого знаходили медичні дані, внутрішні документи, API-ключі, логіни, юридичні обговорення та навіть ключі від криптогаманців. Формально Anthropic нічого не «зламала». Користувачі самі натискали Share і створювали публічні посилання. Але саме тут і починається головна проблема. Для звичайної людини «поділитися за посиланням» означає надіслати чат конкретному колезі чи знайомому. Для пошукового робота це означає: сторінка відкрита, авторизації немає, її можна індексувати. Тобто одна кнопка фактично перетворювала приватну розмову на публікацію в інтернеті — без того, щоб більшість користувачів повністю усвідомлювала наслідки. І це вже не просто помилка користувачів. Це проблема дизайну продукту, архітектури та відповідальності компанії. Якщо сервіс дозволяє ділитися потенційно чутливими даними, він має за замовчуванням захищати такі сторінки від індексації, чітко попереджати про публічність і давати зрозумілий контроль над доступом. Тому правило просте: будь-яке посилання без авторизації потрібно вважати публічним. Не «доступним лише тим, у кого є URL». Не «майже приватним». Публічним.

Ford повернув понад 300 досвідчених інженерів після того, як AI не зміг дати потрібну якість у виробничих перевірках. І, як на мене, це дуже показова історія. Компанія активно впроваджувала AI у свої заводи: камери, автоматичний контроль якості, перевірка відповідності вимогам. Логіка була проста — дати системі дані й очікувати, що вона стабільно знаходить проблеми. Але виявилося, що цього недостатньо. AI бачив те, чому його навчили. А досвідчені інженери бачили те, що не завжди можна описати в інструкції: слабкі сигнали, нетипові дефекти, повторювані патерни, які накопичуються роками роботи. У Ford прямо визнали, що недооцінили цю експертизу. Тепер ветеранів повернули не лише для перевірок, а й для того, щоб вони навчали системи та передавали знання молодшим спеціалістам. Для мене тут головний висновок дуже простий: AI не замінює досвід автоматично. Він може масштабувати сильні процеси, але не створює глибоку експертизу з нуля. Якщо в компанії немає якісних даних, зрозумілих процесів і людей, які знають, де система може помилитися, автоматизація лише швидше відтворює слабкі рішення. Тому найкраща модель сьогодні — не «AI замість людей», а AI, навчений найсильнішими людьми в команді.

Visa інтегрувала свою платіжну інфраструктуру з ChatGPT, і це, як на мене, вже не просто нова функція, а серйозна зміна в тому, як можуть працювати онлайн-покупки. AI-агент зможе сам знайти товар, порівняти варіанти, обрати найкращий і завершити оплату без звичного ручного checkout. Для e-commerce це означає, що красивого сайту вже буде недостатньо. Людина може реагувати на дизайн, банери та емоційну подачу, а AI-агент дивитиметься на інше: структуровані дані, характеристики, ціни, умови доставки та доступність інформації через API. Тобто магазин може бути дуже зручним для людини, але майже невидимим для AI. Схоже, найближчим часом бізнесу доведеться думати не лише про SEO та конверсію, а й про те, наскільки його продукти зрозумілі для AI-агентів. І найкраще до цього переходу готові ті, у кого вже є чисті дані, headless commerce та добре задокументовані API.

Натрапив сьогодні на стару газетну вивіску з 1986 року. Тоді вчителі виходили на протести, бо боялися, що калькулятори зроблять дітей нездатними думати. Сьогодні це звучить трохи смішно. Але якщо чесно, дуже нагадує те, що зараз відбувається навколо LLM. Кожна нова технологія спочатку викликає страх, що вона забере навички, роботу або навіть здатність мислити. Але зазвичай вона просто змінює те, на що ми витрачаємо час. Калькулятори не знищили математику. Вони прибрали частину механічних обчислень і дали можливість більше думати над складнішими задачами. З AI буде так само. Він не забере всю роботу. Він забере значну частину рутини: пошук, чернетки, повторювані операції, базовий аналіз, підготовку документів. А справжньою перевагою стане не вміння уникати AI, а вміння правильно його використовувати: ставити задачі, перевіряти результат, бачити контекст і приймати фінальні рішення. Тому питання вже не в тому, чи використовувати AI. Питання в тому, наскільки добре ви вмієте підсилювати ним власні навички.

Менеджер-кур’єр vs менеджер-партнер 🙌 Різниця не в посаді й не в досвіді. Вона в тому, що людина робить із проблемою: просто передає її далі чи бере в роботу. Менеджер-кур’єр працює як форвардер. Запит зайшов - запит вийшов. Клієнт написав хаотичні 15 повідомлень - розробник отримує їх дослівно. Розробник відповів технічним жаргоном - клієнт отримує той самий жаргон. У підсумку компанія платить зарплату за Ctrl+C / Ctrl+V із затримкою. Типові питання такого менеджера: «Що відповісти клієнту?», «Це баг чи фіча?», «Він не відповідає. Що робити?» Менеджер-партнер працює інакше. Він тримає проблему в себе, поки не доведе її до рішення. Його формула виглядає так: ситуація → аналіз → варіанти → рекомендація → погодження. Наприклад: «Клієнт просить зміну поза скоупом. Це приблизно 16 годин роботи. Є три варіанти: доплата, обмін на фічу з беклогу або відмова. Я рекомендую обмін, тому що та фіча все одно під питанням. Погоджуєш?» Керівнику залишається сказати «так» або «ні». Тридцять секунд замість тридцяти хвилин занурення в контекст. Швидкий тест: подивіться на формат питань, які вам приносять. Кур’єр приносить проблему. Партнер приносить рішення на затвердження. Ендрю Гроув називав менеджера амортизатором. Його завдання — гасити невизначеність, а не транслювати її далі. Кур’єр перекладає проблему зі своїх плечей на ваші. Партнер бере відповідальність за її вирішення. Важливо: режим кур’єра не завжди означає, що проблема в самій людині. Іноді це страх помилки - тоді допомагає чітке делегування. Іноді це відсутність реальних повноважень - тоді проблема вже в системі. Але якщо позиція звучить як «я передав, моя робота зроблена», то це вже питання ставлення. Є просте правило, яке змінює дуже багато: жодної проблеми без хоча б одного варіанта рішення. Перший місяць буде непросто. Потім у вас або з’явиться менеджер-партнер, або стане зрозуміло, що людина ним не стане. 🤝

Натрапив на свіже дослідження Anthropic. Вони проаналізували 300 тисяч реальних діалогів із Claude, щоб дослідити, які цінності модель демонструє в різних мовах і версіях. І це знову наштовхнуло мене на думку про те, яким має бути хороший AI-асистент. Особисто мене найбільше дратує, коли модель замість відповіді починає підігравати користувачеві, надмірно вибачатися або розтягувати просту думку на кілька абзаців. У команді ми давно враховуємо це в системних промптах: просимо модель одразу переходити до суті, не повторювати запит, не додавати формальні вступи й чесно говорити, коли їй бракує даних. Це економить не лише токени. Це зберігає фокус розробників. Хороший AI-асистент — не цифровий підлабузник. Він не повинен погоджуватися з кожною думкою користувача або створювати ілюзію компетентності там, де її немає. Майбутнє AI-інтерфейсів, на мою думку, не в імітації емпатії, а в точності, чесності та повазі до часу людини. Як ви налаштовуєте своїх AI-асистентів: залишаєте їм простір для ввічливості чи одразу просите відповідати без зайвого шуму?

Claude все більше перестає бути просто окремим чатботом і поступово вбудовується в робочі процеси команд. Тепер він уже може працювати всередині Slack, Notion, Gmail, Google Calendar, Google Drive, Microsoft 365, Jira, Confluence, Figma, Canva та інших інструментів. І це, як на мене, набагато важливіше за ще одну нову функцію в чаті. Головна проблема більшості AI-асистентів сьогодні в тому, що кожну розмову доводиться починати майже з нуля. Знову вставляти документ, пояснювати контекст проєкту, пересилати повідомлення зі Slack або шукати потрібне посилання на Google Drive. Конектори змінюють сам підхід. Ви один раз підключаєте робочі інструменти, і Claude вже може шукати інформацію у внутрішніх документах, читати історію команди, працювати з календарем, оновлювати сторінки в Notion, відповідати на листи або допомагати з Jira-задачами. Тобто AI поступово переходить від формату «поставити запитання» до формату повноцінного робочого середовища, де він уже знає контекст і може виконувати конкретні дії. Саме це, думаю, і буде наступним великим кроком: AI не як окремий інструмент, який треба постійно відкривати, а як шар, вбудований у всі системи, якими команда користується щодня.

OpenAI починає робити власні чипи. І це, як на мене, набагато важливіше, ніж просто ще один hardware-анонс. Їхній перший кастомний AI-прискорювач Jalapeño створений спеціально для inference великих мовних моделей. Тобто це не універсальний GPU, який просто адаптували під AI, а залізо, спроєктоване під конкретну задачу. Але найбільше мене зачепили дві речі. Перша — його розробили приблизно за 9 місяців. Для чипової індустрії це дуже швидко. Зазвичай такі програми займають роки. Іронічно й логічно водночас: OpenAI використовувала власні моделі, щоб пришвидшити створення чипів, на яких потім працюватимуть наступні покоління AI. AI допомагає будувати інфраструктуру для самого AI. Друга річ — це повний контроль над стеком. OpenAI вже контролює: — моделі — продукти — інфраструктуру — а тепер ще й чипи Тобто всі рівні можна оптимізувати під одну систему, одну архітектуру й одну бізнес-модель. І тут уже питання не тільки в технології. Це питання собівартості. Компанії, які контролюють власну інфраструктуру, зможуть швидше знижувати витрати на inference. А отже, дешевше запускати AI-продукти, масштабувати їх і працювати з великими обсягами запитів. Nvidia нікуди не зникне. Але залежність великих AI-компаній від чужого заліза, схоже, поступово починає зменшуватися. І мені здається, що далі конкуренція буде не тільки між моделями. Вона буде між цілими AI-екосистемами.

OpenAI щойно викотили нове покоління голосового режиму — GPT-Live. І я вирішив одразу протестувати його не на демо-запитах, а на реальній робочій задачі — продумати архітектуру одного нашого мікросервісу. Головна різниця не в тому, що AI тепер “говорить”. Голосові асистенти були й раніше. Різниця в тому, що діалог стає набагато ближчим до живої розмови: модель швидко реагує на перебивання, підлаштовується під хід думки і майже не ламає темп. У текстовому чаті ти все одно пишеш промт. Думаєш, як правильно пояснити контекст, що додати, що прибрати, як не зробити запит занадто довгим. А голосом усе працює інакше. Ти не пишеш промт. Ти думаєш вголос. Я кілька разів перебивав модель на півслові, коли вона йшла не в той бік, і просто одразу коригував напрям розмови. Без нового великого повідомлення, без переписування контексту, без паузи на “зараз нормально сформулюю”. Задачу, яку в текстовому чаті я, скоріш за все, розписував би 40–60 хвилин, голосом вдалося розібрати приблизно за 15. І тут, як на мене, важливий зсув. Prompt engineering поступово ставатиме менш важливим для більшості щоденних задач. Якщо інтерфейс стає розмовним, виграє не той, хто краще пише довгі інструкції. Виграє той, хто швидше формулює думки, ставить правильні уточнення і вміє вести діалог по суті. Тобто навичка зміщується з “написати ідеальний промт” у “нормально мислити вголос”. Спробуйте хоча б одну робочу сесію провести повністю голосом. Без клавіатури.

Вчора розбирав неприємний кейс у клієнта: рахунок за OpenAI API виріс утричі за тиждень, хоча кількість користувачів збільшилася лише приблизно на 10%. Перша думка у клієнта була логічна: “нас хакнули”. Але насправді все виявилося простіше. Команда побудувала складний ланцюжок із кількох AI-агентів, але не налаштувала нормальний моніторинг і трейсинг запитів. Ми підключили Langfuse і побачили аномалію: один з агентів через нечітку інструкцію потрапляв у цикл і переписував один і той самий лист десятки разів за один сеанс. Він намагався “дотиснути” текст до ідеалу, хоча для бізнес-задачі це вже не мало сенсу. У результаті один запуск коштував не частки цента, а близько 15 центів. І це лише один агент в одному процесі. Якщо ви впроваджуєте LLM у продакшн, observability — це не “було б добре мати”, а базова частина архітектури. Потрібно бачити вартість кожного виклику, кількість токенів, шлях запиту і місця, де агент застрягає. Без цього масштабування дуже швидко перетворюється не на ріст бізнесу, а на спонсорство OpenAI. А ви які інструменти використовуєте для трейсингу, лімітів і контролю витрат у LLM-проєктах?

Парадокс витрат на AI: чому автоматизація спочатку робить розробку дорожчою Більшість власників бізнесу думають, що впровадження AI одразу зріже їхні витрати на IT. Логіка здається простою: якщо нейромережа пише код або автоматизує підтримку клієнтів, то штат можна скоротити, а бюджет зменшити. У реальному prod все працює навпаки. На старті ваші витрати на технології майже гарантовано зростуть. Ми в компанії часто бачимо цю картину у клієнтів. Коли ви додаєте AI у свої процеси, ви не просто замінюєте людей на софт. Ви створюєте абсолютно нову інфраструктуру, яка потребує грошей. По-перше, зʼявляються нові змінні витрати. Оплата API, хостинг моделей, моніторинг помилок. Якщо раніше ви платили фіксовану зарплату менеджеру, то тепер рахунок за хмару залежить від активності користувачів. Більше клієнтів означає більший чек від OpenAI чи AWS. 💸 По-друге, підтримка. AI системи нестабільні за своєю природою. Вони галюцинують, ламаються після оновлень базових моделей і потребують постійного нагляду. Вам все одно потрібні інженери, які будуть контролювати цей pipeline. Тільки тепер це дорожчі та дефіцитніші фахівці. Справжня вигода починається пізніше. Вона полягає не в урізанні IT-бюджету, а в масштабуванні. AI не зменшує витрати на розробку, він збільшує пропускну здатність вашого бізнесу. Ви зможете обробляти значно більше запитів без найму нових людей. Чи рахували ви вже реальну вартість запитів у своїх пілотних проектах? Напишіть у коментарях, чи зійшлася математика.

Вчора ми шість годин намагалися підключити AI-агента підтримки до старої CRM клієнта. І вкотре зрозуміли: проблема часто взагалі не в AI. Усі говорять про автономних агентів, складні сценарії та моделі, які можуть майже все. А потім ти підключаєш такого агента до реальної системи і починається. Кривий JSON. Дивні ключі. Авторизація, яка злітає щогодини. API, яке поводиться як хоче. У нашому випадку, якщо користувача не існувало, CRM не повертала помилку. Вона просто віддавала порожню сторінку зі статусом 200, ніби все чудово. Агент подивився на це, вирішив, що порожнє значення - це ім’я клієнта, і відправив дуже дивний лист. І от у цей момент стає зрозуміло: перед тим як будувати автономних агентів, іноді треба спочатку полагодити звичайний бекенд. Бо навіть найкраща модель не допоможе, якщо на вході вона отримує хаос. Тому головна проблема AI-інтеграцій сьогодні часто не в промптах. Вона в нормальних API, чистих даних і логіці, яка працює передбачувано. Пробували вже підключати AI-агентів до реальних систем? Що у вас зламалося першим?

Вчора був останній день роботи одного з моїх підлеглих у команді. І я запитав, що найбільше запам’яталось йому за весь цей час. Чесно - очікував почути про якийсь великий проєкт, складний реліз чи важливий професійний момент. Але його відповідь була: останній корпоратив. Те, як ми всі разом проводили час, говорили, сміялися і просто кайфово провели вечір. І це вкотре нагадало мені одну просту річ: через роки люди найчастіше пам’ятають не таски, Jira чи feature releases. Вони пам’ятають людей, атмосферу та те, як почувалися поруч із командою. Можливо, саме тому я завжди приділяв багато уваги не лише роботі, а й тому, щоб людям просто було комфортно працювати разом

Одна з найважчих психологічно робіт — це стягнення боргів. Постійний стрес, негатив і складні розмови з людьми призводять до того, що в цій сфері традиційно дуже висока текучка кадрів. І саме тут AI дуже швидко знаходить собі місце. Зараз компанії активно впроваджують AI-агентів для роботи з боргами: вони телефонують клієнтам, нагадують про платежі, пропонують розстрочки та можуть працювати 24/7 без вигорання чи емоційного виснаження. Для бізнесу це виглядає майже ідеально: • менше витрат • менше проблем з наймом • стабільна робота без людського фактору І це, мабуть, один із найкращих прикладів того, як AI починає забирати не просто будь-яку роботу, а саме найбільш монотонні, стресові та психологічно виснажливі професії. Цікаво, як думаєте: це хороший приклад того, де AI реально може покращити життя людей, чи навпаки — трохи лякає така автоматизація?