Decision Models. Как решать задачи, которые раньше не окупались В AI-мастерской доступен новый кейс. Вот о чем пойдет речь. Во многих AI-задачах продукту нужен не текст, а выбор одного из нескольких вариантов: спам это или нет, в какую команду отправить обращение, есть ли в отзыве жалоба на цену. Сегодня такие задачи поручают LLM: модель пишет ответ, сервис разбирает текст и сверяет его со списком вариантов. Когда решений тысячи в день, это медленно и дорого. Поэтому многие такие задачи команды просто не решают: отзывы читают выборочно, обращения разбирают вручную, а проверку каждого шага агента откладывают на потом. Decision Models устроены иначе. Они не пишут текст, а выбирают ответ из заранее заданных вариантов и возвращают вероятность каждого. Вы задаете вопрос и список вариантов, модель за доли секунды отвечает, какой верен и насколько она уверена. Пример. Отзыв о приложении Tesla: “It really is fully autonomous driving—really!!!” Спрашиваем модель Jev: говорит ли автор об автопилоте FSD и с какой тональностью? Ответ: — «да, позитивно» — 0,84 — «да, нейтрально» — 0,02 — «да, негативно» — 0,04 — «темы нет в отзыве» — 0,10 Такой ответ сразу идет в работу: отзыв получает тему и попадает в отчет или в нужную очередь. По данным TypeSafe, разработчика Jev, модель отвечает за 70–500 мс против секунд и минут у LLM и стоит $0,042 за миллион входных токенов, а выходные токены бесплатны. Это цифры самой компании, устройство модели она не раскрывает. Но разница в десятки раз меняет подход к продукту: решение можно принимать по каждому отзыву, обращению и действию агента, а не по выборке раз в квартал. Ограничение тоже важно: Decision Model отвечает только на вопросы с готовыми вариантами. Написать текст, объяснить решение или рассуждать над сложной задачей она не может — для этого по-прежнему нужна LLM. В кейсе вы — продакт-менеджер мобильного приложения Tesla. В App Store тысячи отзывов с полярными мнениями, и вам нужно понимать, на что пользователи жалуются и что хвалят, по каждому новому отзыву, а не по выборке. Что будем делать: 1. Выделим темы в отзывах с помощью кодинг-агента и проверим, насколько хорошо LLM находит их в отзывах. 2. Автоматически подберем промпт для Jev: соберем обучающий и тестовый датасеты и админку для экспериментов. 3. Соберем пайплайн из Jev и LLM: уверенные решения принимает Jev, сомнительные уходят в LLM. Измерим качество. 4. Сравним разные Decision Models, LLM и их сочетания и выберем лучший пайплайн. 5. Прогоним все отзывы через выбранный пайплайн и посмотрим, как темы и тональность менялись со временем. Заодно освоим autoresearch: кодинг-агент сам ставит эксперименты — меняет промпт, проверяет результат на размеченных данных и оставляет то, что работает. Так подберем промпты для всех моделей в кейсе. После кейса вы будете понимать, где в вашем продукте есть задачи для Decision Models, и сможете собрать подходящий пайплайн. Кейс уже доступен в AI-мастерской. Присоединяйтесь! @gopractice
Open in TelegramPosts of GoPractice!
Почему инвесторы поставили $870 миллионов на модель, которая не пишет текст Меньше чем через месяц после запуска Jev фонд a16z возглавил раунд компании TypeSafe на $870 миллионов при оценке $7,5 миллиарда. Среди авторов поста об этой инвестиции — Marc Andreessen, Ben Horowitz и Martin Casado. Главное из него: — Сейчас AI помогает писать гораздо больше обычного софта и гораздо быстрее, но не обязательно делает сам этот софт умнее. Фонд хочет, чтобы интеллект последних моделей был встроен в любое ПО по цене обычного софта. — Jev — первая модель нового класса, Decision Models. Она не пишет текст, а выбирает ответ из заданных вариантов и отдает его прямо в код вместе с вероятностями. Такой ответ настолько мал, что TypeSafe берет плату только за входные данные. — Большие лаборатории наращивают размер моделей и «человечность» рассуждений. Jev сделан для другого — чтобы его вызывал код, а не чтобы с ним разговаривали. — По словам фонда, Jev примерно в 100–500 раз дешевле передовых моделей и в 100 раз быстрее их в задачах классификации при сопоставимой точности. — Главную идею фонд называет “Jev-ons paradox”, по аналогии с парадоксом Джевонса. Если интеллект станет достаточно дешевым, чтобы вызывать его где угодно, его начнут вызывать везде. Jev — не единственная такая модель. OpenAI уже запустила свой Decisions API, а у AWS есть открытый Strands Decider. Класс только формируется, и сейчас хорошее время разобраться, где он даст выгоду вашему продукту. В новом кейсе AI-мастерской мы проверили подход на практике, на анализе отзывов. Вы научитесь: — Работать с Decision Models на примере Jev и Decisions API от OpenAI; — Поручать кодинг-агенту подбор промпта по принципу autoresearch; — Находить в своем продукте задачи для Decision Models и проверять LLM-пайплайны, которые уже работают. Присоединяйтесь, обучение стартует уже на следующей неделе. @gopractice
Open in TelegramСоздать продукт стало проще. Найти то, что стоит создавать — сложнее Привет, это Олег. Посмотрите, как смещается ценность. Создавать продукты стало намного проще. Но находить инсайты о том, что стоит создавать — куда сложнее. Эта динамика хорошо видна в технологическом секторе, где все читают одних и тех же людей в X (Twitter), следят за одними и теми же продуктами и ищут сигналы в одних источниках данных. Это еще более заметно в мире контента или игр, где копирование всегда было большой частью творческого процесса, но теперь скорость и масштаб вышли на принципиально новый уровень. Раньше сама способность сделать качественный софт была существенным преимуществом: нужно было найти капитал, нанять сильную команду инженеров, уметь ей управлять, отстроить каналы привлечения и другие функции. Теперь с кодинг-агентами софт может создавать намного больше людей и намного быстрее. Сама способность реализовать продукт дает все меньше преимущества. Отсюда моя гипотеза: потенциал для создания новой ценности и ее превращения в доход сейчас находится за пределами зоны видимости технологического мира. Есть множество специфичных рынков, профессий и рабочих процессов, которые живут в своей узкой нише, которая не видна людям снаружи. Люди внутри них годами пользуются неудобными инструментами или устаревшими процессами, но при этом некоторые из них понимают эти ограничения и знают все детали процессов, которые сложно увидеть со стороны (и сложно изучить со стороны через классические методы исследований). Исторически проблемы и задачи внутри этих ниш были слишком узкими, чтобы оправдать создание нового софтверного продукта. У людей же, которые сталкивались с проблемами каждый день, часто не было возможности самостоятельно построить решение. Кодинг-агенты убирают этот барьер. И именно здесь открывается возможность создавать ценность: применять уже доступные технологии к задачам, которые хорошо знакомы людям внутри конкретной ниши, но остаются за пределами внимания AI-сообщества. Вот пример такого подхода — Patinae, инструмент для молекулярной визуализации. Его автор работает биологом в фарме. Он регулярно сталкивался с ограничениями старого укоренившегося софта PyMOL. Он понимал, что хотел улучшить и что важно сохранить. С помощью Claude Code и Gemini он создал современную альтернативу за месяц. Какие-то процессы стали быстрее в тысячи раз, при этом новое решение легко встраивалось в существующий стандарт. Проект получил и внешнее внимание: больше 200 звезд на GitHub, о нем стали писать в специализированных медиа. Первые сигналы того, что решение реально востребовано. Самое интересное, что наиболее ценным было понимание того, что можно улучшить и как именно, а не сама способность это сделать. Таких скрытых от широкого рынка ниш и процессов много. Раньше человек мог годами понимать, что нужно изменить, но стоимость разработки и передачи контекста другой команде делала это нецелесообразным. Теперь он получает возможность самостоятельно построить решение, проверить его в своей работе и доработать на основе результата. В ряде случаев пойти и донести до других похожих команд и превратить разработку в коммерческий продукт. Поэтому я верю, что следующая волна интересных продуктов может появиться по мере того, как навыки работы с кодинг-агентами распространятся среди специалистов в самых разных областях. У этих людей уже есть то, что сложно получить путем мониторинга Twitter и Sensor Tower: глубокое понимание задач, ограничений и специфики задач в своем сегменте рынка. Они знают, что надо сделать, просто не могут. Точнее раньше не могли. Хотите обсудить? Тегайте в X (Twitter). *** Если вы узнали в этом тексте себя или кого-то из знакомых — наша AI-мастерская построена как раз для решения такой задачи: научить работе с кодинг-агентами на примере разнообразных кейсов, которые хорошо перекладываются на любые другие схожие задачи. Присоединяйтесь. @gopractice
Open in TelegramПочему пора заниматься AEO/GEO прямо сейчас? 🏃🏻♂️ 1️⃣ Канал, которого не видно в аналитике — 71% покупателей B2B-софта обращаются к чат-ботам в процессе выбора, половина чаще начинает поиск решения с чат-бота, чем с Google. — Канал почти не оставляет следов: ссылка на источник есть лишь в 7% ответов ChatGPT, а при AI-сводке в выдаче Google по обычной ссылке переходят почти вдвое реже. — Если модель не называет вашу компанию, покупатель выбирает из списка без нее. Посещаемость и воронка этого не покажут. Увидеть это можно только прямым замером. 2️⃣ Ответ модели определяет выбор — Половина потребителей в США намеренно пользуется AI-поиском, для 44% из них это главный источник информации перед покупкой — чаще, чем обычный поиск (31%), сайты брендов (9%) и площадки отзывов (6%). — К 2028 году через AI-поиск в США пройдет $750 миллиардов выручки. — Систематически отслеживают свою видимость только 16% брендов. Кто отслеживает и влияет, уже впереди большинства рынка. 3️⃣ Место в ответе купить нельзя — Реклама в ChatGPT и Google идет отдельно от текста, который пишет модель. — Кого модель называет в ответе, зависит только от того, что она узнала при обучении и нашла в сети в момент ответа. Эту органическую часть и измеряет мониторинг видимости. 4️⃣ Выигрывают те, кого называют модели — Сила бренда не гарантирует места: лидеры рынка выпадают из ответов в кредитных картах, отелях, электронике и одежде. — Модели ищут ответ на задачу покупателя, а не самый известный бренд: например, среди автомобилей Rivian называют чаще Lincoln, потому что он четко объясняет, какие задачи решает. 5️⃣ Правила меняются на глазах — Источники: в августе 2026 года ChatGPT сократил ссылки на Reddit на 73%. — Модели: обновление модели резко перераспределяет доли между продуктами, а новые версии выходят постоянно. — Устройство ответов: доля ответов ChatGPT со ссылкой на источник за год выросла с 1,6% до 6,8%. — В новом кейсе AI-мастерской разбираем меры усиления видимости, подтвержденные исследованиями, и устройство ответов LLM как канала выбора. Меры устареют, понимание канала и умение проверять меру на своих данных останутся. 💎 Три кейса про AEO/GEO: измерить, понять, повлиять — Измеряем видимость компании в ответах LLM. Собрали с кодинг-агентом сервис мониторинга: он задает моделям вопросы покупателя от лица разных персон, вызывает несколько моделей с веб-поиском и без, разбирает ответы и превращает их в метрики видимости. — Анализируем видимость компании в ответах LLM. Научились работать с кодинг-агентом как с аналитиком данных: разбирать данные мониторинга и проверять выводы агента, прежде чем на них опираться. — Усиливаем видимость компании в ответах LLM — финальный кейс. Разбираем меры усиления видимости, учимся с помощью кодинг-агента находить, что мешает компании попадать в ответы LLM и как модели ее описывают, проверять, сработала ли мера, и управлять бюджетом мониторинга. Присоединяйтесь к студентам AI-мастерской: 🔗 https://gopractice.ru/course/aicases/ @gopractice
Open in TelegramЗаключительный кейс серии про AEO/GEO стартует на следующей неделе: усиливаем видимость компании в ответах LLM Покупатели все чаще спрашивают ChatGPT, Claude и Gemini, какой продукт выбрать. Если модели не называют вашу компанию или описывают ее по устаревшим данным, вы теряете сделки, которые даже не увидите в аналитике. На следующей неделе в AI-мастерской выходит третий, заключительный кейс серии о работе с видимостью компании в ответах LLM. Вместе три кейса складываются в полный цикл: измерить, понять, повлиять. Что уже было 1️⃣ «Работа с AEO/GEO. Измеряем видимость компании в ответах LLM». Мы собрали с кодинг-агентом сервис мониторинга. Он задает моделям вопросы покупателя от лица разных персон, вызывает несколько моделей с веб-поиском и без, разбирает ответы и превращает их в метрики видимости. 2️⃣ «Работа с AEO/GEO. Анализируем видимость компании в ответах LLM». Мы научились работать с кодинг-агентом как с аналитиком данных: анализировать данные мониторинга и проверять выводы агента, прежде чем на них опираться. Что будет в третьем кейсе 3️⃣ «Работа с AEO/GEO. Усиливаем видимость компании в ответах LLM». Мы разберем меры усиления видимости и покажем, как с помощью кодинг-агента понять, что мешает компании попадать в ответы LLM и как модели ее описывают. А еще научимся проверять, сработала ли мера, и управлять бюджетом мониторинга. Учебный пример, как и в первых двух кейсах, — Granola, AI-блокнот для встреч. Granola служит нам учебным примером, но все приемы подходят для любой компании. Соберите мониторинг для своего продукта, разберите его данные и пройдите приемы этого кейса на своей компании и на конкурентах, которых модели называют чаще вас. Присоединяйтесь к студентам AI-мастерской: 🔗 https://gopractice.ru/course/aicases/ @gopractice
Open in TelegramПривет, это Олег. Рано или поздно почти каждая продуктовая команда приходит к идее: а давайте добавим в продукт виральность. Идея выглядит очень привлекательно. Вместо работы с дорогими или сложными в построении каналами привлечения, хочется сделать так, чтобы существующие пользователи сами приводили новых. Классические идеи для реализации: дадим пользователю бонус, если он пригласит друга. Добавим реферальную программу. Попросим поделиться результатом. Дадим дополнительную функциональность или скидку за приглашение друзей. Реальность же такова, что виральность практически невозможно прикрутить к существующему продукту сбоку. Я лично такого не видел. Если взять продукты, где виральность действительно работает, то обычно можно увидеть один из двух паттернов: 1. Виральный цикл является частью основного сценария использования продукта. 2. Продукт создает настолько сильную добавочную ценность, что люди начинают рассказывать о нем другим, а команда может этот эффект усилить. В первом случае новый пользователь появляется как естественное следствие того, как используется продукт. — Я создаю документ и отправляю его коллеге в Google Docs. — Я делаю прототип в Lovable и делюсь им с коллегами. — Создаю встречу и приглашаю других участников через Calendly. — Загружаю файл в Dropbox и делюсь ссылкой. Во всех этих случаях я новый пользователь узнает о продукте не потому, что меня попросили его приглаcить и что-то пообещали, а так как это часть основного сценария использования. Если такой виральный цикл существует, его можно и нужно усиливать: убирать сопротивление, улучшать опыт ключевого флоу, увеличивать долю пользователей, которые делятся, сокращать путь от получения ссылки до регистрации и первого полезного действия. Во втором паттерне фундаментом для виральности становится огромная добавочная ценность продукта, которая мотивирует пользователей рассказывать о нем друзьям и коллегам. Здесь тоже появляется пространство для оптимизации. Можно сделать результат удобнее для публикации, подсказать подходящий момент для шеринга, убрать лишние шаги или специально создавать артефакты, которыми хочется делиться. Если же нет ни первого, ни второго, то кнопка Invite friends или бонус за приглашение вряд ли фундаментально изменят ситуацию. Поэтому вопрос «как добавить виральность в наш продукт?» обычно стоит переформулировать следующим образом: Есть ли в самом продукте естественная причина, по которой его использование приводит к следующему пользователю? Виральность сложно добавить в продукт. Зато уже существующую виральность можно сделать значительно сильнее. Важный комментарий: на задачу добавления виральности можно посмотреть под другим углом, например, можно ли создать новый мини-продукт, который сможет за счет виральности или других механизмов помочь привлекать людей в основной продукт. Это уже намного более разумный способ думать о такой проблеме и здесь часто намного больше потенциала, чем в добавлении «виральности» в сам основной продукт. Хотите обсудить? Тегайте в X (Twitter). P.S. Присоединяйтесь к обучению в нашем обновленном «Симуляторе управления продуктом на основе данных», в котором тема виральности тоже имеет не последнее по важности значение. @gopractice
Open in TelegramВсе про персональный маркетинг — на Mindbox Конференции 2026 Третий год подряд поддерживаем Mindbox Конференцию. В этом году команда Mindbox подготовила двухдневную программу: доклады, мастер-классы, интервью и онлайн-воркшоп по вайбкодингу для маркетологов. Среди докладов 23 октября: 🔹 «Купер» доверил реактивацию клиентов ML-модели и удвоил ROMI; 🔹 «Вита» передала аналитику и рассылки нескольким ИИ-агентам; 🔹 «Сравни»: ручная микросегментация не сработала, а ML-модель увеличила выручку рассылок на 20% в своём сегменте. Во второй день, 24 октября — онлайн лаборатория вайбкодинга. За день участники настроят сквозную аналитикгу по воронке с алертами и соберут агента для мониторинга конкурентов. Потребуется отдельная регистрация на второй день, ноутбук и подписка на Claude. Рекомендуем всем, кто руководит маркетингом и продвижением продуктов. Если вы представляете бренд, используйте для офлайн-регистрации промокод GOPRACTICE и дождитесь подтверждения от организаторов — заявки проходят модерацию. Онлайн — бесплатно для всех, записи получат все зарегистрированные. 📅 23–24 октября 📍 Москва, кластер «Ломоносов», и онлайн Программа и регистрация Реклама ООО «Майндбокс». ИНН: 7713688880. Erid: 2W5zFHYgAjs
Open in TelegramМы измерили видимость в ответах LLM. Что дальше? Предыдущие две недели в AI-мастерской мы работали над кейсом «Работа с AEO/GEO. Измеряем видимость компании в ответах LLM». В нем мы собрали сервис мониторинга видимости в ответах LLM. Он показывает, что LLM отвечают человеку, который собирается выбрать продукт в вашей категории: называют ли вашу компанию, на каком месте в списке и в какой тональности — и то же самое по конкурентам. В нашем примере это Granola, AI-ассистент для рабочих встреч, и четыре конкурента: Otter, Fireflies, Fathom и Zoom AI Companion. Мы завели корзины вопросов, персоны, набор моделей и два режима вызова, настроили разбор ответов с помощью LLM, организовали расчет метрик и поставили сбор на расписание. Получился инструмент, который каждый день обращается к моделям и сохраняет ответы в базу. В новом кейсе AI-мастерской, который стартует сегодня, мы работаем с собранными данными: учимся их анализировать и делать из них выводы. Чему научимся: — Понимать, что стоит за числами. Какие вопросы задают моделям и от лица кого, как считается метрика и по каким ответам. Без этого одно и то же число можно прочитать по-разному. — Интерпретировать метрики. С чем сравнивать видимость компании, чтобы понять, высокая она или низкая. Когда резкое изменение говорит о рынке, а когда это случайность. — Анализировать данные. Какие вопросы задавать к данным, в каких срезах искать продуктовые выводы, как превращать находку в гипотезу и проверять ее по текстам ответов моделей. Работаем на данных нашего сервиса, но навык переносится на любые данные о видимости в ответах LLM: из вашего собственного мониторинга или из готовых сервисов, которые предлагает рынок. Навыки на выходе: — Анализ данных с кодинг-агентом: вопросы к выгрузке, сверка расчетов, дашборд — Интерпретация метрик видимости: Mention rate, First mention rate, Sentiment split — Анализ изменений: рынок, правки замера и случайные колебания — Продуктовые выводы из срезов: модели, персоны покупателя, вопросы Присоединяйтесь к студентам AI-мастерской: 🔗 https://gopractice.ru/course/aicases/ Этот кейс можно обсуждать в закрытом чате для студентов вместе с экспертами, которые работали над его созданием. @gopractice
Open in TelegramПродолжаем серию кейсов о работе с AEO/GEO. Анализируем видимость в ответах LLM Все больше покупателей выбирают продукт, спрашивая совета у ChatGPT, Gemini или Claude. Если модель не называет вашу компанию в ответе, вы проигрываете еще до того, как человек дойдет до сайта, и даже не узнаете об этом. Позиции в поиске компании отслеживают годами, а что о них говорят модели, большинство не знает. Мониторинг видимости закрывает этот пробел: показывает, в каких вопросах вас советуют, где выигрывают конкуренты и с какой тональностью модели о вас пишут. По этим данным можно понять, что менять в позиционировании, контенте и присутствии на внешних площадках. Вторая часть кейса AI-мастерской о видимости в ответах LLM уже на подходе. В первой части мы собрали сервис, который каждый день опрашивает модели и сохраняет ответы в базу. Во второй учимся работать с этими данными: понимать, что стоит за числами, интерпретировать метрики и находить в срезах продуктовые выводы. 💎 Несколько советов для тех, кто анализирует видимость в LLM: — Прежде чем читать число, разберитесь, из чего оно собрано: какие вопросы, от лица какой персоны, по каким ответам. Иначе одну и ту же цифру можно прочитать по-разному. — Оценивайте видимость только в сравнении с конкурентами. Mention rate в 40% сам по себе ничего не говорит. — Отличайте сдвиг рынка от случайности. Прежде чем делать выводы из резкого скачка, сверьтесь с журналом изменений и посмотрите, сколько ответов за ним стоит. — Разделяйте общую и брендовую корзины. Попадание в ответ на вопрос о категории и ответ на вопрос о вас — разные метрики. — Ищите выводы в срезах: по персонам, моделям, режимам с веб-поиском и без. Среднее по всем ответам скрывает самое интересное. — Превращайте находку в гипотезу и проверяйте ее по текстам ответов. Числа показывают, где смотреть, тексты объясняют почему. Разбираем все на данных по Granola и четырем конкурентам. Если в первой части вы собирали мониторинг по своему продукту, повторите анализ на своих данных. Навык работает и с готовыми сервисами мониторинга: они тоже показывают только числа, а решения по ним принимаете вы. Присоединяйтесь, начинаем уже на следующей неделе. В будущей третьей части, «Работа с AEO/GEO. Усиливаем видимость компании в ответах LLM», разберем, как на эти метрики влиять. @gopractice
Open in TelegramПерсональные AI-ассистенты — вау или ничего нового Привет, это Олег. Наблюдаю интересную разницу в реакции на персональных AI-ассистентов (Muse, Instinct). — Одни пробуют и очень быстро ловят aha moment. — Другие пробуют и не видят ничего принципиально нового относительно того, что они уже делали. Дело в том, что люди из технологического мира забывают, насколько далеко их повседневный опыт использования AI ушел от опыта большинства. Многие из них платят по $200 в месяц за продвинутых кодинг-агентов, работают с топовыми моделями и постепенно отдают агентам все больше и больше задач. Но этот опыт пока далеко не массовый: по данным американского банка PNC, в мае 2026 года за подписки на генеративный AI платили лишь 2,2% домохозяйств. Если же говорить про продвинутых кодинг-агентов, то доля тех, кто испытал их магию на себе еще существенно меньше. Для многих людей AI — это по-прежнему бесплатный ChatGPT с лимитами, который они используют для поиска. Более умный Google, который еще иногда и галлюцинирует. И теперь представьте, что этим людям дают агента на топовой модели, со своей виртуальной машиной, браузером, памятью и способностью использовать самые разные инструменты. Агента, который может заполнить для них сложную налоговую форму, выбить скидку у провайдера интернета, забронировать билеты в кино, купить подарок на день рождения или разобраться с таможней по поводу застрявшей посылки. Для таких пользователей это огромный скачок добавочной ценности относительно того, что они привыкли получать от условного «бесплатного ChatGPT». Скачок чем-то похожий на тот, который многие из нас пережили с Claude Code для рабочих задач месяцев десять назад. Но, вероятно, даже больше. Мы с тех пор постепенно привыкали к новым возможностям AI: персистентные агенты, наличие у агента своего компьютера, память, способность использовать браузер и компьютер, проактивность, решение совершенно разных задач через агентов. А многие люди сейчас получают весь этот прогресс за один шаг в новых персональных агентах. При этом сам продукт персональных агентов хорошо заточен под консьюмерский юзкейс: бесплатный, форм-фактор понятен людям без продвинутых технических навыков, онбординг не в «поисковый» юзкейс, а в «решение реальных задач человека». Люди даже не знают, какая модель работает под капотом. Собственно, а зачем им знать? Вместе это дает резкий скачок в ценности: становится доступно то, что еще вчера человек делал сам или вообще откладывал, потому что не хотел тратить время. Отсюда и вау. Хотите обсудить? Тегайте в X (Twitter). *** Приходите к нам в AI-мастерскую, чтобы получить скачок добавочной ценности от агентов для рабочих и творческих задач. @gopractice
Open in TelegramБольшое обновление первого симулятора 🚀 Привет, это Олег. В 2018 году мы запустили наш первый образовательный продукт — «Симулятор управления продуктом на основе данных». За прошедшие годы в нем прошли обучение десятки тысяч студентов, и по их мнению — это лучший образовательный продукт (такие замеры ежегодно проводят Product Sense, devcrowd и другие команды). Симулятор учит тому, как создавать ценность через поиск более эффективных способов решения задач людей. В частности тому, как использовать данные и исследования для того, чтобы делать это осознанно. Принципы этой работы за прошедшие 8 лет не изменились, поэтому фундамент курса мы оставили прежним. Но сам мир за это время сильно поменялся, особенно в последние пару лет. Поэтому мы обновили многие части симулятора — прежде всего инструменты и подходы, которые можно использовать в продуктовой работе. В том числе добавили, как AI-агенты помогают работать с данными и решать продуктовые задачи. Мы входим в мир, где создание продуктов становится доступно все большему числу людей. По моему опыту, на старте люди часто совершают одни и те же ошибки — пока еще нет опыта, который обычно достается дорого. Поэтому хочется верить, что симулятор продолжит помогать получать этот опыт в вымышленном мире, а не ценой реальных денег и упущенных возможностей. Ключевые обновления версии-2026: — События симулятора теперь происходят в 2025 году, в мире стремительно развивающихся AI-технологий; — В главах появилось много современных кейсов и примеров из реального мира; — С аналитикой и исследованиями теперь можно работать с помощью AI-агентов. Но сначала мы все же рекомендуем научиться делать это руками, чтобы понимать, как проверять работу агентов; — Мы существенно обновили главы про каналы роста с учетом того, как эти каналы работают сегодня; — Мы подробнее и понятнее раскрыли фреймворк создания добавочной ценности и JTBD; — Появилась новая теоретическая глава о росте через поиск: ASO, SEO и AEO/GEO. Кому доступна новая версия симулятора: — Всем новым студентам (будет доступна по умолчанию) — Всем, кто уже начал обучение, но еще не завершил его. Как мигрировать в новую версию? Напишите на [email protected] и команда поможет разобраться. Над этим масштабным обновлением мы работали более 9 месяцев, поэтому будем благодарны, если вы поделитесь симулятором с теми, кому он может быть полезен. 🔗 https://gopractice.ru/course/pm/ P.S. Чуть больше о масштабе изменений в обновленной версии — на картинке ниже. @gopractice
Open in Telegram«Это конец поиска, каким мы его знали, но маркетологи чувствуют себя нормально. Более или менее» Больше двадцати лет SEO было базовым инструментом для видимости в интернете. Вокруг него выросла целая индустрия: набивка ключевых слов, торговля ссылками, оптимизация контента, инструменты для аудита — и специалисты с агентствами, которые всем этим управляют. Но в 2025 году поиск начал смещаться от привычных браузеров к LLM-платформам. После анонса Apple о том, что AI-поисковики вроде Perplexity и Claude будут встроены в Safari, монополия Google на дистрибуцию оказалась под вопросом. В фундаменте SEO-рынка объемом более $80 млрд появилась трещина. Формируется новая парадигма — ее определяет не PageRank, а языковые модели. Начинается второй акт истории поиска: генеративная поисковая оптимизация (Generative Engine Optimization, GEO). Текст выше — это начало материала из блога Andreessen Horowitz, который мы перевели для вас и рекомендуем прочитать. Он подробно и наглядно объясняет, как AEO/GEO постепенно начинает играть все более значимую роль для бизнеса. Именно поэтому работать над отслеживанием упоминаний в ответах LLM нужно начинать уже сейчас. Именно об этом наш новый кейс в AI-мастерской, который стартует сегодня 🔥 Работа с AEO/GEO. Измеряем видимость компании в ответах LLM В этом кейсе вы с помощью кодинг-агента соберете сервис, который задает моделям вопросы покупателя и фиксирует, называют ли они вашу компанию и конкурентов, на каком месте и в какой тональности. Регулярные замеры покажут, как эти цифры меняются со временем. Инструмент будет уметь: — Задавать моделям корзины вопросов от лица разных категорий покупателей; — Вызывать несколько LLM в двух режимах — с веб-поиском и без; — Разбирать ответы моделей; — Переводить результат в метрики видимости; — Собирать данные по расписанию в рамках заданного бюджета. Настроить его можно сразу на свою компанию и своих конкурентов — тогда на выходе у вас будет не учебный пример, а рабочий инструмент. Присоединяйтесь к студентам AI-мастерской: 🔗 https://gopractice.ru/course/aicases/ @gopractice
Open in TelegramУзнаем, советуют ли вас ChatGPT, Gemini и Claude: собираем сервис мониторинга видимости в ответах LLM Новый кейс AI-мастерской стартует уже на следующей неделе. В нем вы с помощью кодинг-агента соберете сервис, который задает моделям вопросы покупателя и фиксирует, называют ли они вашу компанию и конкурентов, на каком месте и в какой тональности. Регулярные замеры покажут, как эти цифры меняются со временем. Несколько советов для тех, кто строит мониторинг видимости в LLM: — Формулируйте вопросы словами своих покупателей. Шаблонные отраслевые запросы дают усредненную картину. — Задавайте вопросы от лица разных персон. Модель по-разному советует стартапу и корпорации. — Смотрите режимы с веб-поиском и без него раздельно. Это два разных канала с разной логикой попадания в ответ. — Сохраняйте сырые ответы. Когда изменится список компаний или появится более точная модель для разбора, архив можно перечитать заново. — Запускайте сбор по расписанию с жестким бюджетом. Ежедневные прогоны по нескольким моделям быстро становятся дорогими. Мы разберем подход на примере Granola и четырех конкурентов, но сервис можно сразу настроить под свою компанию и свой рынок. Тогда на выходе будет не учебный пример, а рабочий инструмент. Присоединяйтесь к AI-мастерской — на следующей неделе стартуем: 🔗 https://gopractice.ru/course/aicases/ На сегодня вам уже доступны 6 кейсов в AI-мастерской: 1️⃣ Основы работы с кодинг-агентами. Создаем своего персонального AI-ассистента, чтобы усвоить ключевые принципы создания продуктов с помощью AI. 2️⃣ Мониторинг конкурентов. Разбираемся, как с помощью AI собирать и анализировать изменения по заданным параметрам. Полученные знания можно переложить на свои реальные задачи по мониторингу и ad-hoc аналитике. 3️⃣ RAG на практике: строим AI на своей базе. Сделаем продукт, который находит места в городе на основе собственной базы данных. Это даст вам понимание, как создать продукт, который использует AI-поиск на ваших данных. 4️⃣ Перенос сервиса в облако. Переносим созданный сервис в интернет, где они становятся доступны 24/7 вам и внешней аудитории. При этом принимаем ключевые решения об архитектуре сервиса и учитываем необходимые требования безопасности. На выходе вы умеете правильно переносить свои AI-продукты в интернет — без дыр в безопасности и очевидных упущений. 5️⃣ Своя AI-видеостудия: от идеи до готового видео. На выходе сервис будет уметь писать сценарий, описывать персонажей, рисовать их референсы и стартовые кадры каждой сцены, оживлять кадры в клипы со звуком и склеивать сцены в один ролик. 6️⃣ LLM wiki: ваш новый рабочий инструмент. Собираем личную вики — связанный набор страниц по заданной области, который агент пишет и поддерживает сам. На выходе вы можете с помощью вики готовиться к обсуждениям, анализировать гипотезы, свои заметки, а также делать обзор новой области. Точку старта обучения выбираете вы. Хотите — с нуля, хотите — с более продвинутого кейса. Присоединяйтесь к обучению! @gopractice
Open in TelegramПривет, это Олег. Сегодня немного личный анонс. Последний год мы с небольшой командой исследовали, как применять AI-агентов для прикладных задач. В процессе появился Unreal Agent — харнесс или обвязка, которая управляет работой агента, позволяющая существенно снизить стоимость решения задач без потери качества. На бенчмарке Terminal-Bench 4.0 наше решение показывает результат на том же уровне, что Codex + Astra, но при этом обходится на 40% дешевле. Сегодня мы выпускаем Unreal Agent в open source: открываем код и данные тестов, а в техническом посте рассказываем, как всё устроено и за счёт чего удалось повысить эффективность. Буду благодарен за поддержку запуска: перейдите в наш пост в X и напишите комментарий или сделайте репост. https://x.com/unreallabsai/status/2102435462065385775?s=20
Open in TelegramАгент внутри SaaS или SaaS как инфраструктура для Codex и Claude Code? Привет, это Олег. Между SaaS-компаниями и продвинутыми пользователями AI-инструментов формируется конфликт интересов: компании хотят встроить агента внутрь своего продукта, а пользователи — встроить сами продукты внутрь своего агента, например Cowork, Codex или Hermes. Для SaaS-компаний первая стратегия логична. Она позволяет сохранить контроль над пользовательским опытом, улучшать его и забирать себе большую часть создаваемой ценности. Но пользователи, которые уже привыкли работать через универсальных агентов, хотят другого. Они уже платят за подписку и получают в ее рамках объем токенов, который при оплате через API стоит в разы дороже. Они уже собирают весь свой контекст в одном месте. Поэтому они предпочитают подключать нужные сервисы через MCP. Им не нужен отдельный агент внутри каждого продукта — со своей подпиской, оплатой токенов и ограниченным контекстом. Им нужен один агент, который знает их контекст и умеет работать со всеми необходимыми инструментами. Например, получить данные из аналитики и CRM, проанализировать их, отправить результат по почте и создать задачи. И все это — без необходимости открывать четыре разных продукта и переносить между ними данные и контекст. Если работа через Codex, Cowork и другие универсальные агенты станет массовым сценарием — а такая вероятность есть, — роль SaaS-сервисов заметно изменится. Интерфейс, контекст и управление рабочим процессом начнут перемещаться внутрь универсальных агентов. А сами SaaS-сервисы могут превратиться в инфраструктуру, которая предоставляет данные, API, возможность выполнять определенные действия или уникальную доменную логику. Для пользователей это удобнее и дешевле. Для SaaS-компаний — опасно. Они теряют прямой контакт с пользователем, контроль над его опытом и возможности для дифференциации. Подобное расхождение стимулов часто создает пространство для новых игроков. Существующие сервисы будут стараться удержать агента внутри собственного продукта. И именно здесь может открыться возможность для новых компаний: изначально строить не очередной SaaS со своим интерфейсом и агентом, а лучшую инфраструктуру для агентов, которыми люди уже пользуются. Скорее всего, обе модели будут сосуществовать. Главный вопрос в том, где пройдет граница между ними и какая ставка окажется более выигрышной в долгосрочной перспективе. Хотите обсудить? Тегайте в X (Twitter). *** P.S. Присоединяйтесь к студентам AI-мастерской, чтобы получить прикладные навыки работы с AI-инструментами, которые мы считаем важными и полезными. @gopractice
Open in TelegramКак превратить разрозненные источники в связанную базу знаний, которую ведет агент В AI-мастерской стартовал новый кейс — LLM wiki: ваш новый рабочий инструмент. Вы узнаете, как с помощью кодинг-агента собрать личную вики — связанный набор страниц по вашей области, который агент пишет и поддерживает сам. Задачи, которые вы сможете решать: — Подготовка к обсуждению — собрать все, что коллекция знает по теме встречи, вместе с расхождениями между источниками; — Анализ гипотезы — проверить свою идею на накопленном материале и увидеть, что ее поддерживает, а что ей противоречит; — Своя заметка — записать собственный вывод так, чтобы он участвовал в каждом следующем ответе вики; — Обзор новой области — составить картину незнакомой темы и увидеть, чего по ней в коллекции не хватает. На выходе вики будет уметь сводить каждый новый источник со всем, что уже записано, фиксировать расхождения между источниками с указанием, кто и что утверждает, вести отдельный список того, чего в коллекции не хватает, и отвечать на вопросы со ссылками на исходные материалы. Учиться будем на коллекции статей по продуктовому менеджменту, но вики можно сразу строить на своем материале — тогда на выходе у вас будет не учебный пример, а рабочий инструмент. Для работы понадобится любой кодинг-агент на ваш вкус — Cursor, Codex, Claude Code. Markdown-редактор можно использовать любой, но мы выбрали Obsidian. Репозиторий в GitHub понадобится для хранения версий. Навыки на выходе: — Работа с кодинг-агентом как с редактором базы знаний: схема в CLAUDE.md, протоколы загрузки источника, запроса и аудита — Связанная markdown-вики в Obsidian: типы страниц, перекрестные ссылки, граф связей, индекс и журнал — Сопоставление источников между собой: фиксация расхождений, аудит связности, список пробелов в коллекции — Версионирование вики в GitHub и запуск облачных сессий агента с телефона Присоединяйтесь к студентам AI-мастерской: 🔗 https://gopractice.ru/course/aicases/ Этот кейс можно обсуждать в закрытом чате для студентов вместе с экспертами, которые работали над его созданием. @gopractice
Open in TelegramВыходим на новый уровень работы со знаниями — собираем личную вики, которую ведет AI Новый кейс AI-мастерской стартует уже на следующей неделе. В нем вы соберете собственную базу знаний, которая не просто хранит прочитанное, а сводит источники между собой, показывает пробелы и расхождения, и помогает принимать решения. Несколько советов для тех, кто заводит личную LLM-вики: — Храните вики в обычных текстовых файлах. Markdown, папка на вашем компьютере, чтение в Obsidian. — Сразу заведите приватный репозиторий на GitHub. С репозиторием любое ошибочное изменение легко отменить. — Оптимизируйте добавление материалов с помощью MCP. Notion, Google Documents, таск-трекеры и общий диск подключаются к агенту, и документы можно загружать в вики без ручного копирования файлов. — Держите вики под рукой. У Obsidian есть бесплатные приложения для iOS и Android, а Claude Code можно использовать из браузера или приложения на телефоне. — Используйте возможности агентов для создания html-артефактов на данных вики. — Запускайте регулярный аудит вашей вики. Он покажет, что устарело, какие новые противоречия появились, что стоит прочитать следующим. Собирать вики можно на любом материале: свой рынок и конкуренты, пользовательские интервью, регламенты и внутренние документы, отчеты по экспериментам, новая для вас предметная область. Присоединяйтесь к AI-мастерской — на следующей неделе стартуем: 🔗 https://gopractice.ru/course/aicases/ На сегодня вам уже доступны 5 кейсов в AI-мастерской: 1️⃣ Основы работы с кодинг-агентами. Создаем своего персонального AI-ассистента, чтобы усвоить ключевые принципы создания продуктов с помощью AI. 2️⃣ Мониторинг конкурентов. Разбираемся, как с помощью AI собирать и анализировать изменения по заданным параметрам. Полученные знания можно переложить на свои реальные задачи по мониторингу и ad-hoc аналитике. 3️⃣ RAG на практике: строим AI на своей базе. Сделаем продукт, который находит места в городе на основе собственной базы данных. Это даст вам понимание, как создать продукт, который использует AI-поиск на ваших данных. 4️⃣ Перенос сервиса в облако. Переносим созданный сервис в интернет, где они становятся доступны 24/7 вам и внешней аудитории. При этом принимаем ключевые решения об архитектуре сервиса и учитываем необходимые требования безопасности. На выходе вы умеете правильно переносить свои AI-продукты в интернет — без дыр в безопасности и очевидных упущений. 5️⃣ Своя AI-видеостудия: от идеи до готового видео. На выходе сервис будет уметь писать сценарий, описывать персонажей, рисовать их референсы и стартовые кадры каждой сцены, оживлять кадры в клипы со звуком и склеивать сцены в один ролик. Точку старта обучения выбираете вы. Хотите — с нуля, хотите — с более продвинутого кейса. Присоединяйтесь к обучению! @gopractice
Open in Telegram«Самыми ценными оказываются люди, которые способны брать на себя любую работу, необходимую команде именно сейчас». Ожидания от продакта в эпоху AI: взгляд изнутри Anthropic Команды, работающие над Claude, не только делают один из передовых AI-продуктов, которым пользуются профессионалы во всем мире, но и одни из первопроходцев новых реалий продуктовой работы в эпоху AI. Lenny Rachitsky поговорил с Cat Wu, которая руководит продуктами Claude Code и Cowork, а мы сделали сокращенный и адаптированный перевод их разговора. В команде Claude Code многие продакты раньше были инженерами или продолжают писать код. Дизайнеры тоже нередко имеют инженерный опыт. Немало инженеров в команде способны пройти весь путь самостоятельно — от того, чтобы заметить жалобу пользователя в социальной сети до готовой фичи к концу недели — практически без участия продакта. Это эффективный способ шипить. Это не значит, что продакт-менеджеры больше не нужны. Скорее наоборот: границы между ролями становятся менее жесткими, а самыми ценными оказываются люди, которые способны брать на себя любую работу, необходимую команде именно сейчас. Для этого важно мыслить шире: понимать, как меняется технология, что сейчас ограничивает команду, и где именно ты можешь принести наибольшую пользу. 🔗 https://gopractice.ru/skills/cat-wu-pm/ 💎 Чтобы быть таким специалистом в команде, который может брать на себя важную работу в моменте и создавать максимум ценности, нужно освоить разностороннее применение AI для решения разных задач. Именно этому мы учим в «AI-мастерской». Присоединяйтесь. @gopractice
Open in TelegramКак создать видеоролик с помощью AI. Несколько рекомендаций 1️⃣ Не начинайте сразу с видео. Число неудачных попыток приведет к большим затратам. Вместо этого превращайте простые формы в более сложные. Сперва сделайте первые кадры всех сцен, убедитесь в их консистентности и соответствии ожиданиям, а лишь после этого — анимируйте. Собранный таким образом пайплайн даст вам гораздо больше шансов получить желаемое видео и сэкономит деньги. 2️⃣ При работе с изображениями, начинайте с генерации ассетов. Это поможет сохранить консистентность. Перед тем, как генерировать первые кадры основных сцен, создайте все ключевые ассеты: актеров, локации, ключевые объекты. Дальше передавайте их в модель при генерации как референсы. Это позволит избежать ситуации, в которой в разных сценах герой будет выглядеть по-разному в ряде мелких деталей, либо другие важные факторы визуального ряда будут расходиться. Генерация медиа с помощью AI стремительно растет и все больше проникает в совершенно разные сферы жизни Хотите научиться создавать видеоролики с помощью AI? Присоединяйтесь к новому кейсу AI-мастерской — своя AI-видеостудия: от идеи до готового видео. Учиться будем на мультфильме — это наглядный пример, а навык и принципы переносятся на любые типы видео. Мы пройдем весь путь продакшна мультфильма: идея → сценарий → дизайн героев → раскадровка → анимация и звук → монтаж. Цель — получить инструмент, с помощью которого можно делать любые видео по вашим правилам. 🔗 https://gopractice.ru/course/aicases/ Этот кейс можно (и нужно!) обсуждать в закрытом чате для студентов вместе с экспертами, которые работали над его созданием. А заодно — делиться получившимися роликами и обсуждать их ⭐️ @gopractice
Open in TelegramВыходим на новый уровень владения AI-инструментами — и-ии-ии создаем мультфильм! Новый кейс AI-мастерской стартует уже на следующей неделе. В нем вы научитесь создавать свой собственный мультфильм — от идеи до готового видео. Вы можете сказать, что это, конечно, очень классно и замечательно, но вопрос — зачем вам это нужно 🧐 Дело в том, что принципы работы собственной AI-видеостудии универсальны для любых форматов. По тому же принципу вы сможете быстро и качественно создавать: — Рекламные креативы и промо для продукта ✔️ — Обучающие ролики и онбординг-видео ✔️ — Демо для новых фич и продуктов ✔️ — Видео для питча ✔️ — Варианты одного и того же ролика под разные аудитории и рынки ✔️ При этом стиль видео на выходе может быть любым: фотореалистичным, мультипликационным, минималистичным и так далее. Вы не ограничены ничем, кроме собственных идей. Присоединяйтесь к AI-мастерской — на следующей неделе стартуем: 🔗 https://gopractice.ru/course/aicases/ На сегодня вам уже доступны 4 кейса в AI-мастерской: 1️⃣ Основы работы с кодинг-агентами. Создаем своего персонального AI-ассистента, чтобы усвоить ключевые принципы создания продуктов с помощью AI. 2️⃣ Мониторинг конкурентов. Разбираемся, как с помощью AI собирать и анализировать изменения по заданным параметрам. Полученные знания можно переложить на свои реальные задачи по мониторингу и ad-hoc аналитике. 3️⃣ RAG на практике: строим AI на своей базе. Сделаем продукт, который находит места в городе на основе собственной базы данных. Это даст вам понимание, как создать продукт, который использует AI-поиск на ваших данных. 4️⃣ Перенос сервиса в облако. Переносим созданный сервис в интернет, где они становятся доступны 24/7 вам и внешней аудитории. При этом принимаем ключевые решения об архитектуре сервиса и учитываем необходимые требования безопасности. На выходе вы умеете правильно переносить свои AI-продукты в интернет — без дыр в безопасности и очевидных упущений. Точку старта обучения выбираете вы. Хотите — с нуля, хотите — с более продвинутого кейса. Ждем вас! 🐭 @gopractice
Open in Telegram