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
Открыть в Telegram
GoPractice!
Продакт-менеджмент, аналитика, ML/AI и профессиональное развитие. Делаем обучающие симуляторы и публикуем полезные материалы — gopractice.ru Написать нам: @GoPracticeTeam № 5862230071
Подписчики, 30 дней
15 нояб. – 16 нояб.+7 (0%)
Показать таблицей
| Дата | Подписчики |
|---|---|
| 15 нояб. 2026 г. | 29 382 |
| 16 нояб. 2026 г. | 29 389 |
Средние просмотры поста по дням
По дню публикации
Показать таблицей
| Дата | Просмотров на пост |
|---|---|
| 21 окт. 2026 г. | 4 484 |
| 22 окт. 2026 г. | 4 789 |
| 27 окт. 2026 г. | 4 262 |
| 29 окт. 2026 г. | 4 970 |
| 5 нояб. 2026 г. | 4 322 |
| 10 нояб. 2026 г. | 2 799 |
Самые просматриваемые за месяц
- 01Просмотры4,97 тыс.Пересылки58Реакции47Комментарии0
- 02Просмотры4,79 тыс.Пересылки28Реакции13Комментарии0
- 03Просмотры4,48 тыс.Пересылки36Реакции38Комментарии0
- 04Просмотры4,32 тыс.Пересылки27Реакции16Комментарии0
- 05Просмотры4,26 тыс.Пересылки52Реакции10Комментарии0
Новые посты
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
Открыть в 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
Открыть в 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
Открыть в 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
Открыть в 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
Открыть в 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
Открыть в 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
Открыть в 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
Открыть в 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
Открыть в TelegramСвязи
Похожие каналы
Центр Навыков Безопасности "КОБРА"@cobra_tacticallКурсы и гайды12,2 тыс.
CWS: Creative Writing School@dostoevsky_cwsКурсы и гайды12 тыс.
Вольница. Учим полезному@volnitsa_newsКурсы и гайды10,5 тыс.
Depártment of Aesthetics | Департамент Эстетики@departmentaestheticsКурсы и гайды9,28 тыс.
ZIMA_WAR@iniciativnaiagruppaКурсы и гайды9,26 тыс.
ОТРЯД «Т». Учебный центр@otryadtКурсы и гайды8,05 тыс.
ПАРТИЗАН@ruspartizanКурсы и гайды7,9 тыс.
Отборный FrontЪ@otfrontКурсы и гайды6,68 тыс.
