Кому нужен ещё один канал про AI?
Привет! Я — Илья Филиппов, CEO red_mad_robot AI. Занимаюсь реализацией AI-стратегии в одной из самых технологичных команд на рынке. Участвовал в создании десятков решений — от ML для фондового рынка до workflow-агентов в бизнес-процессах.
За последние годы мы с командой внедрили AI в девелопмент, ритейл, банкинг и финтех. И хорошо видим, где он про деньги и бизнес, а где — просто красивый слайд для питча.
Сегодня компании наконец начинают отходить от игр с чат-ботами и точечной оптимизации и фокусируются на системных изменениях в процессах, ролях и экономике. Этот канал — способ фиксировать, что действительно работает.
Если отвечаете за бизнес и процессы — welcome on board!
Привет! Я — Илья Филиппов, CEO red_mad_robot AI. Занимаюсь реализацией AI-стратегии в одной из самых технологичных команд на рынке. Участвовал в создании десятков решений — от ML для фондового рынка до workflow-агентов в бизнес-процессах.
За последние годы мы с командой внедрили AI в девелопмент, ритейл, банкинг и финтех. И хорошо видим, где он про деньги и бизнес, а где — просто красивый слайд для питча.
Сегодня компании наконец начинают отходить от игр с чат-ботами и точечной оптимизации и фокусируются на системных изменениях в процессах, ролях и экономике. Этот канал — способ фиксировать, что действительно работает.
Если отвечаете за бизнес и процессы — welcome on board!
🔥9👨💻8⚡5👍3
Про UI-агентов
Мне интересно разбираться, как новые AI-технологии будут решать реальные задачи — и для людей, и для бизнеса. Сегодня — коротко о том, куда нас могут привести UI-агенты.
Если кто не знает, то UI-агенты — это программы, способные взаимодействовать с пользовательскими интерфейсами для выполнения задач по запросу. Например, Operator от OpenAI. Подробнее об этом можно прочитать здесь и здесь.
По сути, AI научился сам работать за компьютером. Он и раньше мог исполнять код и делать другие операции, но сейчас меняется парадигма. До этого, чтобы управлять системой, нужно было подключаться к API (если оно есть) или парсить данные. Теперь — достаточно визуального интерфейса. Агент «видит» экран и понимает, что нужно делать, почти как человек.
К чему это может привести?
Агенты смогут работать с системами, которые раньше были признаком прокачанного резюме — SAP, SAS, Bloomberg, CRM и ERP. AI станет тем самым «настройщиком», который после нативного объяснения сам занесёт данные, соберёт дашборд и настроит новые сценарии.
Для бизнеса это означает три вещи:
1. Ускорение — одно звено в цепочке уходит, условный оператор ЭВМ больше не нужен.
2. Снижение издержек — больше не нужно платить интегратору за каждую допнастройку.
3. И, пожалуй, самое главное: можно будет опираться на профильные навыки сотрудников, а не на их техническую подкованность, которая раньше могла быть блокером.
Мне интересно разбираться, как новые AI-технологии будут решать реальные задачи — и для людей, и для бизнеса. Сегодня — коротко о том, куда нас могут привести UI-агенты.
Если кто не знает, то UI-агенты — это программы, способные взаимодействовать с пользовательскими интерфейсами для выполнения задач по запросу. Например, Operator от OpenAI. Подробнее об этом можно прочитать здесь и здесь.
По сути, AI научился сам работать за компьютером. Он и раньше мог исполнять код и делать другие операции, но сейчас меняется парадигма. До этого, чтобы управлять системой, нужно было подключаться к API (если оно есть) или парсить данные. Теперь — достаточно визуального интерфейса. Агент «видит» экран и понимает, что нужно делать, почти как человек.
К чему это может привести?
Агенты смогут работать с системами, которые раньше были признаком прокачанного резюме — SAP, SAS, Bloomberg, CRM и ERP. AI станет тем самым «настройщиком», который после нативного объяснения сам занесёт данные, соберёт дашборд и настроит новые сценарии.
Для бизнеса это означает три вещи:
1. Ускорение — одно звено в цепочке уходит, условный оператор ЭВМ больше не нужен.
2. Снижение издержек — больше не нужно платить интегратору за каждую допнастройку.
3. И, пожалуй, самое главное: можно будет опираться на профильные навыки сотрудников, а не на их техническую подкованность, которая раньше могла быть блокером.
Openai
Introducing Operator
A research preview of an agent that can use its own browser to perform tasks for you. Available to Pro users in the U.S.
⚡6🔥5👨💻2
🔥 Прожарка AI: готовим и обсуждаем AI
Вчера ребята из @sthhb устроили вечер в духе «вино + мясо + AI». Без сцены, но с живыми дискуссиями и кухонным интерактивом. Вместо презентаций просто обсуждали, что такое AI для бизнеса сегодня. А заодно резали, жарили, взбивали — ну и так далее)
Потом готовили десерт с Витей Тарнавским (Т-Банк) и Мишей Неверовым (X5 Tech) и подводили итоги обсуждений. Короче, интересный формат получился👨🍳
Вчера ребята из @sthhb устроили вечер в духе «вино + мясо + AI». Без сцены, но с живыми дискуссиями и кухонным интерактивом. Вместо презентаций просто обсуждали, что такое AI для бизнеса сегодня. А заодно резали, жарили, взбивали — ну и так далее)
Потом готовили десерт с Витей Тарнавским (Т-Банк) и Мишей Неверовым (X5 Tech) и подводили итоги обсуждений. Короче, интересный формат получился
Please open Telegram to view this post
VIEW IN TELEGRAM
⚡9🔥8👨💻4
HR-tech и AI
Сегодня участвовал в панельной дискуссии на Skolkovo Startup Village. Ребята из @it_sense позвали рассказать про AI — в непривычной для меня теме HR-tech.
Обсуждали, что происходит с IT-рекрутингом, зачем бизнесу технологии в HR и где заканчивается ATS и начинается нормальный HRM. На панели были Лиза Василенко (Т-Банк), Ира Голубева (экс-Lamoda Tech) и Василина Соколова (HRBOX). Модерировал всё это дело Ваня Лунин (SENSE).
Было интересно)
Сегодня участвовал в панельной дискуссии на Skolkovo Startup Village. Ребята из @it_sense позвали рассказать про AI — в непривычной для меня теме HR-tech.
Обсуждали, что происходит с IT-рекрутингом, зачем бизнесу технологии в HR и где заканчивается ATS и начинается нормальный HRM. На панели были Лиза Василенко (Т-Банк), Ира Голубева (экс-Lamoda Tech) и Василина Соколова (HRBOX). Модерировал всё это дело Ваня Лунин (SENSE).
Было интересно)
🔥8⚡3👍3
Run, Forrest, Run
Все говорят о невероятных скоростях, с которыми сейчас развивается AI: релизы моделей, новые подходы, технологии. Но я бы остановился на том, как быстро появляются и умирают AI-based продукты и бизнесы.
Недавно прошла волна обсуждений стартапа Cluely, который помогает проходить технические интервью под манифестом cheat on everything. Всех, конечно, занимала этическая сторона вопроса (вот тут большой тред о том, с чего всё началось), но меня привлекли цифры. $3M ARR и $5M инвестиций у проекта, который только что запустился.
На большой поляне темп тоже фантастический. Cursor, на который сейчас смотрит OpenAI, может стать самой быстрорастущей компанией в истории с $100M ARR, достигнув этого показателя меньше чем за два года!
Но вот обратная сторона медали: с каждым обновлением фундаментальных моделей умирают сотни продуктов — тот же сервис доступен из коробки.
Какой вывод?
Скорость — ключевая вещь в AI-бизнесе прямо сейчас. Если вы не делаете быстро, скорее всего, кто-то уже делает это вместо вас. Так что для AI-продактов действует правило: «Беги, Форрест, беги!»)
Все говорят о невероятных скоростях, с которыми сейчас развивается AI: релизы моделей, новые подходы, технологии. Но я бы остановился на том, как быстро появляются и умирают AI-based продукты и бизнесы.
Недавно прошла волна обсуждений стартапа Cluely, который помогает проходить технические интервью под манифестом cheat on everything. Всех, конечно, занимала этическая сторона вопроса (вот тут большой тред о том, с чего всё началось), но меня привлекли цифры. $3M ARR и $5M инвестиций у проекта, который только что запустился.
На большой поляне темп тоже фантастический. Cursor, на который сейчас смотрит OpenAI, может стать самой быстрорастущей компанией в истории с $100M ARR, достигнув этого показателя меньше чем за два года!
Но вот обратная сторона медали: с каждым обновлением фундаментальных моделей умирают сотни продуктов — тот же сервис доступен из коробки.
Какой вывод?
Скорость — ключевая вещь в AI-бизнесе прямо сейчас. Если вы не делаете быстро, скорее всего, кто-то уже делает это вместо вас. Так что для AI-продактов действует правило: «Беги, Форрест, беги!»)
⚡6👍3🔥3👨💻2
ML vs GenAI
На фоне роста GenAI бизнес всё чаще задаётся вопросом: что делать с ML-решениями? Во многих компаниях уже есть полноценные команды Data Science, но непонятно, стоит ли продолжать инвестировать в долгий и дорогой процесс создания ML-моделей. Не станет ли всё это устаревшим и ненужным?
На мой взгляд — нет. Более того, в некоторых задачах технологии GenAI могут дать ML новый виток развития.
Возьмём, например, рекомендательные системы (RecSys). Они, как правило, требуют большого количества данных: истории покупок, просмотров фильмов, поисковых запросов и etc. У таких моделей почти всегда возникает проблема холодного старта — и её вполне можно решить с помощью синтетических данных, сгенерированных LLM.
Другой пример — обогащение фич-листов ML-моделей информацией, агрегированной с помощью LLM. Мы можем просто закинуть в модель какую-то data клиента, которая на первый взгляд не связана со скорингом (например транзакции), и попробовать извлечь из них что-то полезное. В духе: «Любит ли он летать на самолётах?» Да, это будет не супер точно. Да, не факт, что фича в итоге улучшит скор. Но гипотеза точно стоит теста.
Наконец, LLM и другие генеративки иногда позволяют прототипировать ML-решение за 2-3 дня. Допустим, нужен классификатор — пока нет датасета, роль модели временно играет LLM. Смотрим, какую точность она даёт, запускаем пилот, проводим A/B-тесты. И уже на основе этих результатов принимаем решение: стоит ли вкладываться в полноценную разработку, собирать команду и инвестировать в данные и масштабирование.
На фоне роста GenAI бизнес всё чаще задаётся вопросом: что делать с ML-решениями? Во многих компаниях уже есть полноценные команды Data Science, но непонятно, стоит ли продолжать инвестировать в долгий и дорогой процесс создания ML-моделей. Не станет ли всё это устаревшим и ненужным?
На мой взгляд — нет. Более того, в некоторых задачах технологии GenAI могут дать ML новый виток развития.
Возьмём, например, рекомендательные системы (RecSys). Они, как правило, требуют большого количества данных: истории покупок, просмотров фильмов, поисковых запросов и etc. У таких моделей почти всегда возникает проблема холодного старта — и её вполне можно решить с помощью синтетических данных, сгенерированных LLM.
Другой пример — обогащение фич-листов ML-моделей информацией, агрегированной с помощью LLM. Мы можем просто закинуть в модель какую-то data клиента, которая на первый взгляд не связана со скорингом (например транзакции), и попробовать извлечь из них что-то полезное. В духе: «Любит ли он летать на самолётах?» Да, это будет не супер точно. Да, не факт, что фича в итоге улучшит скор. Но гипотеза точно стоит теста.
Наконец, LLM и другие генеративки иногда позволяют прототипировать ML-решение за 2-3 дня. Допустим, нужен классификатор — пока нет датасета, роль модели временно играет LLM. Смотрим, какую точность она даёт, запускаем пилот, проводим A/B-тесты. И уже на основе этих результатов принимаем решение: стоит ли вкладываться в полноценную разработку, собирать команду и инвестировать в данные и масштабирование.
🔥7👍5⚡4👨💻3
GenAI и клиентский опыт
Поделился с @rbc_trends взглядом на то, как GenAI меняет работу с клиентами — не в теории, а на уровне реального внедрения.
Сегодня на рынке много решений, которые называются AI, но по сути остаются rule-based — сценариями с базовой персонализацией и предсказуемыми шаблонами. Настоящие LLM-системы работают иначе: обучаются на контексте, адаптируются к пользователю, понимают нечёткие запросы и генерируют новый смысл, а не пересобирают готовые ответы.
Примеров уже много: AI-рекомендации в книгах билайн, визуалы в Яндекс Книгах, подбор отелей в Marriott, нейросканер в Beauty-GPT. Во всех этих случаях меняется не UX, а поведение: пользователь остаётся в продукте дольше, быстрее находит нужное и чаще возвращается.
🤩 Статья целиком — здесь
Поделился с @rbc_trends взглядом на то, как GenAI меняет работу с клиентами — не в теории, а на уровне реального внедрения.
Сегодня на рынке много решений, которые называются AI, но по сути остаются rule-based — сценариями с базовой персонализацией и предсказуемыми шаблонами. Настоящие LLM-системы работают иначе: обучаются на контексте, адаптируются к пользователю, понимают нечёткие запросы и генерируют новый смысл, а не пересобирают готовые ответы.
Примеров уже много: AI-рекомендации в книгах билайн, визуалы в Яндекс Книгах, подбор отелей в Marriott, нейросканер в Beauty-GPT. Во всех этих случаях меняется не UX, а поведение: пользователь остаётся в продукте дольше, быстрее находит нужное и чаще возвращается.
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥11⚡6👨💻4
Forwarded from Neural Deep
Как GenAI работает в реальных решениях? Расскажем на Conversations
В конце июня встречаемся на одной из главных летних AI-конференций — Conversations 2025. Обсудим, как GenAI становится частью рабочих систем, что помогает не просто тестировать технологии, а внедрять их осознанно, и куда движется индустрия.
От red_mad_robot — два доклада:
Я расскажу, как мы перешли от Naive RAG к workflow-агентским системам, усложнили архитектуру и применяем подход в решении многослойных бизнес-задач.
Илья Филиппов, CEO red_mad_robot AI, вместе с руководителем сервиса книги билайн Натальей Каменских покажет, как AI-поиск работает в продукте и что это даёт пользователю и бизнесу. Кстати Илья завел очень крутой канал где рассказывает про крупный b2b сегмент GenAI в РФ
Конференция пройдёт 26–27 июня в Санкт-Петербурге. Подробности и билеты на сайте,а от меня промокод на 10% — CNVS25sKaV
В конце июня встречаемся на одной из главных летних AI-конференций — Conversations 2025. Обсудим, как GenAI становится частью рабочих систем, что помогает не просто тестировать технологии, а внедрять их осознанно, и куда движется индустрия.
От red_mad_robot — два доклада:
Я расскажу, как мы перешли от Naive RAG к workflow-агентским системам, усложнили архитектуру и применяем подход в решении многослойных бизнес-задач.
Илья Филиппов, CEO red_mad_robot AI, вместе с руководителем сервиса книги билайн Натальей Каменских покажет, как AI-поиск работает в продукте и что это даёт пользователю и бизнесу. Кстати Илья завел очень крутой канал где рассказывает про крупный b2b сегмент GenAI в РФ
Конференция пройдёт 26–27 июня в Санкт-Петербурге. Подробности и билеты на сайте,
🔥8⚡6👨💻4
Прокомментировали с Валерой новость о том, что Яндекc начал интегрировать GenAI в свои рекомендательные системы. Это как раз пример той связки ML и GenAI, о которой я недавно писал.
ML-модели отлично справляются с точечными задачами, но как только в сценарии появляется большое количество неструктурированных данных и разрозненной информации — нужна LLM, которая может дополнить информацию, а не просто посчитать.
ML-модели отлично справляются с точечными задачами, но как только в сценарии появляется большое количество неструктурированных данных и разрозненной информации — нужна LLM, которая может дополнить информацию, а не просто посчитать.
Forbes.ru
Генератор советов: «Яндекс» внедряет ИИ-рекомендации в свои сервисы
«Яндекс» продолжает активное внедрение генеративного ИИ в собственные продукты. Теперь компания вводит в свои сервисы рекомендательные системы на основе генеративных моделей, узнал Forbes. Помимо «Яндекс Музыки», их уже успешно интегрировал «Маркет»,
🔥12⚡5👨💻4
LLM + векторный поиск = новый СX
Сегодня выступал на @conversations_ai вместе с Наташей Каменских (CPO AI @beeline). Рассказывали, как мы собрали AI-поиск в сервисе книги билайн.
Система объединяет сразу три контура:
— Поиск через LLM
— Расширенный фильтрационный поиск по базе
— Векторный поиск по аннотациям
Все ранжируются через кастомный реранкер и дополняются short summary.
Под капотом — нормализованная база, сгруппированные жанры, xgrammar и защита от нежелательного контента. На выходе — поиск, который понимает не только прямые, но и ситуационные или эмоциональные запросы: «почитать в самолёте», «что-то как у <…>», «если грустно», «про дружбу собаки и человека».
В этом проекте очень интересно, что AI-решение реализуется действительно полноценным продуктовым подходом: с анализом реальных запросов людей, адаптацией под них стратегий поиска и постоянным мониторингом метрик.
Неожиданный инсайт: поиском, созданным для неструктурированных и абстрактных запросов, люди в 75% случаев пользуются как обычным точным поиском — вводят конкретного автора или книгу. То есть технологии шагнули вперёд, но пользовательские привычки и паттерны поведения пока остаются прежними.
Интересно сколько времени ещё займёт трансформация людей?
Сегодня выступал на @conversations_ai вместе с Наташей Каменских (CPO AI @beeline). Рассказывали, как мы собрали AI-поиск в сервисе книги билайн.
Система объединяет сразу три контура:
— Поиск через LLM
— Расширенный фильтрационный поиск по базе
— Векторный поиск по аннотациям
Все ранжируются через кастомный реранкер и дополняются short summary.
Под капотом — нормализованная база, сгруппированные жанры, xgrammar и защита от нежелательного контента. На выходе — поиск, который понимает не только прямые, но и ситуационные или эмоциональные запросы: «почитать в самолёте», «что-то как у <…>», «если грустно», «про дружбу собаки и человека».
В этом проекте очень интересно, что AI-решение реализуется действительно полноценным продуктовым подходом: с анализом реальных запросов людей, адаптацией под них стратегий поиска и постоянным мониторингом метрик.
Неожиданный инсайт: поиском, созданным для неструктурированных и абстрактных запросов, люди в 75% случаев пользуются как обычным точным поиском — вводят конкретного автора или книгу. То есть технологии шагнули вперёд, но пользовательские привычки и паттерны поведения пока остаются прежними.
Интересно сколько времени ещё займёт трансформация людей?
⚡10👍6🔥5👨💻2
From SEO to GEO
Сегодня хочу написать об одном из изменений, которое с одной стороны влияет на бизнес, а с другой — вызвано как раз новым пользовательским опытом. А именно — сменой паттерна потребления контента.
Двадцать лет мы жили по правилам SEO (Search Engine Optimization). Целая индустрия — $80 миллиардов — росла на оптимизации ключевых слов, линкбилдинге и бесконечных километрах контента. Специалисты бились за попадание в топ-3 поисковой выдачи. Но фундамент трещит. Всё меньше людей гуглят ответы, всё больше — спрашивают у ChatGPT. И вместе с этим приходит новая парадигма: GEO — Generative Engine Optimization.
Это не просто угроза бизнес-модели Google — это радикальный пересмотр подхода к контенту. Алгоритмы LLM не листают выдачу. У них нет второй или третьей страницы. Бренд либо вшит в память модели, либо его нет. В новых сценариях LLM уже приводит до 10% новых клиентов некоторым компаниям. И это только начало.
Уже сейчас появляются десятки новых бизнесов, которые создают tools для навигации в мире GEO. A16z сделали отличный обзор тренда — очень рекомендую к прочтению.
Сегодня хочу написать об одном из изменений, которое с одной стороны влияет на бизнес, а с другой — вызвано как раз новым пользовательским опытом. А именно — сменой паттерна потребления контента.
Двадцать лет мы жили по правилам SEO (Search Engine Optimization). Целая индустрия — $80 миллиардов — росла на оптимизации ключевых слов, линкбилдинге и бесконечных километрах контента. Специалисты бились за попадание в топ-3 поисковой выдачи. Но фундамент трещит. Всё меньше людей гуглят ответы, всё больше — спрашивают у ChatGPT. И вместе с этим приходит новая парадигма: GEO — Generative Engine Optimization.
Это не просто угроза бизнес-модели Google — это радикальный пересмотр подхода к контенту. Алгоритмы LLM не листают выдачу. У них нет второй или третьей страницы. Бренд либо вшит в память модели, либо его нет. В новых сценариях LLM уже приводит до 10% новых клиентов некоторым компаниям. И это только начало.
Уже сейчас появляются десятки новых бизнесов, которые создают tools для навигации в мире GEO. A16z сделали отличный обзор тренда — очень рекомендую к прочтению.
🔥7👨💻3⚡2👍1
Вчера участвовал в обсуждении AI в формате круглых столов с @k2_tech. Это была живая дискуссия с ребятами с практическим подходом, которые сегодня действительно занимаются проектами на рынке.
Несколько выводов, которые для себя зафиксировал:
1️⃣ Всё больше игроков в индустрии начинают воспринимать AI не как способ автоматизировать текущие процессы, а как возможность трансформировать сами процессы. Это принципиально важно, потому что фокус смещается с донастройки существующего на переосмысление и проектирование нового. Условно говоря, мы наконец отходим от тюнинга лошадиной повозки и пересаживаемся на автомобиль.
2️⃣ Коробок с полностью готовыми решениями в этом году мы не увидим. Топы продолжают собирать под себя — и это, похоже, останется нормой как минимум на ближайший цикл.
3️⃣ Обучение и консалтинг — важные enablers для внедрения AI. Из‑за высокой дисперсии в понимании инструментов недостаточно просто инвестировать в технологии и инфраструктуру — нужно менять mindset. Важно развенчивать мифы, честно говорить о пределах моделей, обсуждать не только возможности, но и риски.
Думаю, буду и дальше участвовать в таких встречах. Это хороший способ сверять нашу внутреннюю кухню с другими командами, смотреть, как у кого и что устроено. Ну и приятно, что вокруг AI формируется по-настоящему открытое и дружелюбное комьюнити — это радует)
Несколько выводов, которые для себя зафиксировал:
Думаю, буду и дальше участвовать в таких встречах. Это хороший способ сверять нашу внутреннюю кухню с другими командами, смотреть, как у кого и что устроено. Ну и приятно, что вокруг AI формируется по-настоящему открытое и дружелюбное комьюнити — это радует)
Please open Telegram to view this post
VIEW IN TELEGRAM
👍12🔥4👨💻4⚡2
AI-native GTM: новая экономика роста
Все обсуждают AI в продуктах, но почти никто — как он меняет экономику бизнеса. И дело не в автоматизации процессов или чат-ботах в поддержке. Речь о принципиально другой модели роста.
Возьмём Perplexity. Компания вышла на пять тысяч корпоративных клиентов при команде всего из пяти сейлзов — соотношение 1,000:1, которое в традиционном SaaS невозможно даже в теории. Похожая история у Cursor: при оценке в $400M у них нет полноценного GTM-отдела. Ни масштабного найма, ни сложной воронки продаж — рост заложен в сам продукт.
Что изменилось?
AI-native компании встраивают интеллект не в отдельные фичи, а в весь customer journey — от первого касания до ретеншена. Это создаёт органически масштабируемую модель роста, которую традиционный бизнес воспроизвести просто не может. Цифры говорят сами за себя: при $25M ARR классические SaaS-компании в среднем держат 21 человека в GTM. AI-native — 13. И при этом они растут быстрее. Это не про оптимизацию издержек. Это про выручку, которая масштабируется без пропорционального роста операционных затрат.
McKinsey называет такой подход product-led sales — комбинацией лучшего из PLG с AI-автоматизацией. Результат: +10% к ARR и +50% valuation по сравнению с традиционными подходами. AI берёт на себя рутину: квалификацию лидов, онбординг, первую линию поддержки. Люди фокусируются на стратегической работе с высокой добавленной стоимостью. Но главное — это создаёт принципиально другую юнит-экономику.
Какой вывод?
Мы находимся в начале трансформации не просто продуктов, но и самой природы B2B. Те, кто сейчас строит AI-native GTM, получают структурное преимущество, которое нельзя догнать, просто добавив AI-фичи в существующие процессы.
Все обсуждают AI в продуктах, но почти никто — как он меняет экономику бизнеса. И дело не в автоматизации процессов или чат-ботах в поддержке. Речь о принципиально другой модели роста.
Возьмём Perplexity. Компания вышла на пять тысяч корпоративных клиентов при команде всего из пяти сейлзов — соотношение 1,000:1, которое в традиционном SaaS невозможно даже в теории. Похожая история у Cursor: при оценке в $400M у них нет полноценного GTM-отдела. Ни масштабного найма, ни сложной воронки продаж — рост заложен в сам продукт.
Что изменилось?
AI-native компании встраивают интеллект не в отдельные фичи, а в весь customer journey — от первого касания до ретеншена. Это создаёт органически масштабируемую модель роста, которую традиционный бизнес воспроизвести просто не может. Цифры говорят сами за себя: при $25M ARR классические SaaS-компании в среднем держат 21 человека в GTM. AI-native — 13. И при этом они растут быстрее. Это не про оптимизацию издержек. Это про выручку, которая масштабируется без пропорционального роста операционных затрат.
McKinsey называет такой подход product-led sales — комбинацией лучшего из PLG с AI-автоматизацией. Результат: +10% к ARR и +50% valuation по сравнению с традиционными подходами. AI берёт на себя рутину: квалификацию лидов, онбординг, первую линию поддержки. Люди фокусируются на стратегической работе с высокой добавленной стоимостью. Но главное — это создаёт принципиально другую юнит-экономику.
Какой вывод?
Мы находимся в начале трансформации не просто продуктов, но и самой природы B2B. Те, кто сейчас строит AI-native GTM, получают структурное преимущество, которое нельзя догнать, просто добавив AI-фичи в существующие процессы.
⚡6🔥3👍2👨💻1
AI-соло: как один человек конкурирует с целыми командами
За последние несколько лет предпринимательский ландшафт кардинально изменился. Так, в 2024 году 38% стартапов были основаны соло-предпринимателями (против 22% в 2015). Используя AI как рычаг, они выходят на серьёзные метрики и уверенно конкурируют с полноценными командами.
Что говорят данные:
• Соло-основатели с AI достигают $1M ARR на четыре месяца быстрее, чем традиционные SaaS
• Бизнес держит маржинальность на уровне 70-90% против 60-80% у команд
• Один человек работает с эффективностью 5–10 специалистов
Реальные кейсы:
🇻🇳 Тони Дин, вьетнамский разработчик и создатель TypingMind, зарабатывает $45,000 в месяц при маржинальности 90%. Уже за первую неделю продукт принёс $22,000 выручки. В команде — только он и трое фрилансеров.
🇳🇱 Дэнни Постма, основатель HeadshotPro из Нидерландов, зарабатывает $300,000 в месяц, предлагая AI-альтернативу традиционным фотостудиям. Ранее он продал другой свой проект, Headlime, за $1M при выручке $20K MRR.
🇮🇳 Бхану Теджа, 24-летний выпускник индийского IIT, зарабатывает $95,000 в месяц на продукте SiteGPT и ещё $7,600 — на Feather, сервисе, который превращает страницы в Notion в полноценные блоги. Его проекты конкурируют с венчурными командами, несмотря на то, что он работает в одиночку.
Почему соло работает?
Скорость: pivot занимает часы, а не месяцы. Никаких комитетов, согласований решений и бюрократии.
Экономика: вместо команды за $15,000+ — стек AI-инструментов за $200 в месяц.
Абсолютный фокус: 100% владения означает 100% ответственности и точности в исполнении.
Связь с клиентом: прямая коммуникация создаёт лояльность, которая в корпоративной модели попросту невозможна.
Завтра продолжу и расскажу о конкретных бизнес-моделях, которые уже работают на WW-рынке. Уверен, их быстро скопируют и у нас…
За последние несколько лет предпринимательский ландшафт кардинально изменился. Так, в 2024 году 38% стартапов были основаны соло-предпринимателями (против 22% в 2015). Используя AI как рычаг, они выходят на серьёзные метрики и уверенно конкурируют с полноценными командами.
Что говорят данные:
• Соло-основатели с AI достигают $1M ARR на четыре месяца быстрее, чем традиционные SaaS
• Бизнес держит маржинальность на уровне 70-90% против 60-80% у команд
• Один человек работает с эффективностью 5–10 специалистов
Реальные кейсы:
🇻🇳 Тони Дин, вьетнамский разработчик и создатель TypingMind, зарабатывает $45,000 в месяц при маржинальности 90%. Уже за первую неделю продукт принёс $22,000 выручки. В команде — только он и трое фрилансеров.
🇳🇱 Дэнни Постма, основатель HeadshotPro из Нидерландов, зарабатывает $300,000 в месяц, предлагая AI-альтернативу традиционным фотостудиям. Ранее он продал другой свой проект, Headlime, за $1M при выручке $20K MRR.
🇮🇳 Бхану Теджа, 24-летний выпускник индийского IIT, зарабатывает $95,000 в месяц на продукте SiteGPT и ещё $7,600 — на Feather, сервисе, который превращает страницы в Notion в полноценные блоги. Его проекты конкурируют с венчурными командами, несмотря на то, что он работает в одиночку.
Почему соло работает?
Скорость: pivot занимает часы, а не месяцы. Никаких комитетов, согласований решений и бюрократии.
Экономика: вместо команды за $15,000+ — стек AI-инструментов за $200 в месяц.
Абсолютный фокус: 100% владения означает 100% ответственности и точности в исполнении.
Связь с клиентом: прямая коммуникация создаёт лояльность, которая в корпоративной модели попросту невозможна.
Завтра продолжу и расскажу о конкретных бизнес-моделях, которые уже работают на WW-рынке. Уверен, их быстро скопируют и у нас…
⚡5🔥3👨💻2
AI-соло: бизнес-модели, которые работают для одиночек
Вчера говорил о результатах — сегодня разберём конкретные модели, которые позволяют одному человеку конкурировать с полноценными командами. Примеры в основном из опыта WW. В России такие модели пока встречаются реже — спрос ниже, но сами подходы вполне адаптируемы.
📍 AI SaaS: топовая модель с потенциалом $10K-$300M ARR при маржинальности 70-90%
Стратегия: находим конкретную боль (например, генерация формул, кастомные интерфейсы к ChatGPT, автоматизация задач) → решаем её лучше существующих продуктов → упаковываем в подписку по $29–299 в месяц.
📍 Цифровые продукты: форматы с высокой маржой (85–95%) и минимальной поддержкой после запуска
Что работает:
• Курсы с AI на стеке ChatGPT + ElevenLabs + Canva: $150K за полгода
• Notion-шаблоны: до $220K в год при цене $15–100 за один шаблон
• AI-генерируемый контент: eBooks, чек-листы, гайды
Формула: AI создаёт контент → вы добавляете экспертизу → автоматизированные продажи.
📍 AI-услуги: персонализированный подход с премиальными ценами
Примеры ниш:
• Внедрение AI в бизнес-процессы
• Автоматизация контент-маркетинга
• Создание кастомных AI-агентов
📍 AaaS (Automation as a Service): один из самых удобных вариантов для пассивного дохода. Уверен, в SME-сегменте в РФ этот формат быстро найдёт спрос.
Что продавать:
• 24/7 AI чат-боты для сайтов
• Автоматизация email-маркетинга
• AI для e-commerce (рекомендации, поддержка)
Модель ценообразования: разовая настройка → ежемесячная обслуживание → или % от сэкономленных затрат (обычно 10–30%).
Все эти модели не требуют команд, офисов и больших инвестиций — только фокус, понимание задачи и правильный стек.
Вчера говорил о результатах — сегодня разберём конкретные модели, которые позволяют одному человеку конкурировать с полноценными командами. Примеры в основном из опыта WW. В России такие модели пока встречаются реже — спрос ниже, но сами подходы вполне адаптируемы.
Стратегия: находим конкретную боль (например, генерация формул, кастомные интерфейсы к ChatGPT, автоматизация задач) → решаем её лучше существующих продуктов → упаковываем в подписку по $29–299 в месяц.
Что работает:
• Курсы с AI на стеке ChatGPT + ElevenLabs + Canva: $150K за полгода
• Notion-шаблоны: до $220K в год при цене $15–100 за один шаблон
• AI-генерируемый контент: eBooks, чек-листы, гайды
Формула: AI создаёт контент → вы добавляете экспертизу → автоматизированные продажи.
Примеры ниш:
• Внедрение AI в бизнес-процессы
• Автоматизация контент-маркетинга
• Создание кастомных AI-агентов
Что продавать:
• 24/7 AI чат-боты для сайтов
• Автоматизация email-маркетинга
• AI для e-commerce (рекомендации, поддержка)
Модель ценообразования: разовая настройка → ежемесячная обслуживание → или % от сэкономленных затрат (обычно 10–30%).
Все эти модели не требуют команд, офисов и больших инвестиций — только фокус, понимание задачи и правильный стек.
Please open Telegram to view this post
VIEW IN TELEGRAM
⚡3👍2🔥2👨💻1
Как топ-менеджеры на самом деле используют GenAI
Решил разобраться, как топы реально внедряют AI в свою работу — не в формате корпоративных кейсов с конференций, а через личные сценарии. Попросил Claude изучить, что можно найти публично, и дополнил это собственными наблюдениями и опытом на нашем рынке.
Утренние ритуалы с AI
💻 Сатья Наделла (Microsoft)
Каждое утро по дороге в офис он загружает транскрипты подкастов в Copilot и задаёт вопросы по ходу поездки. Вместо пассивного прослушивания — активный диалог с AI. У него настроено более десяти кастомных агентов в Copilot Studio, которых он называет своими «руководителями аппарата».
🟢 Дженсен Хуанг (NVIDIA)
В шесть утра, до начала рабочего дня, использует ChatGPT и Gemini для написания первых драфтов речей и презентаций. Алгоритм простой: он даёт LLM базовый outline, загружает PDF прошлых выступлений и получает рабочий черновик.
🧠 Сэм Альтман (OpenAI)
Начинает день с того, что просит ChatGPT разобрать почту и суммировать документы. Называет такое использование AI скучным, но именно это освобождает ментальные ресурсы для стратегического мышления.
Встречи и коммуникация
🔳 Эй Джей Уилкокс (B2Linked)
Открыл для себя Fireflies.ai через подкаст, так что теперь все клиентские встречи автоматически записываются. AI создаёт comprehensive notes, пока он полностью сосредоточен на разговоре. Говорит, что это избавило от неловких моментов, когда не помнишь, что обсуждали на прошлом звонке.
🔳 Макс Коби (Abstrax)
Генерирует квартальные отчёты для инвесторов с помощью ChatGPT o1. Сначала просит AI создать формат отчёта исходя из потребностей инвесторов, затем заполняет его финансовыми данными. Экономит по четыре часа ему и CFO.
Принятие решений
🔳 Кортлин Холт-Нгуен (Accelerated Analyst)
Создаёт в ChatGPT виртуальные advisory boards — с участием Стива Джобса, Джеффа Безоса, Рейда Хоффмана и Шерил Сэндберг. Использует команды вроде «EVERYONE», «DEBATE» и «DEVIL’S ADVOCATE», чтобы получить групповой инпут, конфликтующие мнения и worst-case сценарии.
Также встречаются кейсы, где CEO готовятся к борду с помощью ChatGPT — такие практики видел и у знакомых в России. Ответы модели совпадали с реальными комментариями членов СД примерно на 80 %.
Что всё это означает?
Главный паттерн: executives используют AI не для замены, а для усиления. Человеческий надзор остаётся, но рутинные задачи уходят к моделям. Многие говорят, что 30–50 % их работы теперь AI-assisted.
Самые частые инструменты: ChatGPT, Claude, Copilot, Gemini + специализированные решения вроде Otter.ai и Fireflies.ai для встреч.
Интересно, что нигде не видно, чтобы условный Сэм Альтман запускал ультрасложную мультиагентную on-premise-систему, которая сама что-то изобретает на основе знаний и навыков. Пока это прерогатива IT-команд. Менеджеры же спокойно используют облачные базовые инструменты и экономят своё (весьма ценное) время. Вот вам и эффект, который не всегда отражён в метриках, но заметен в повседневной практике.
Решил разобраться, как топы реально внедряют AI в свою работу — не в формате корпоративных кейсов с конференций, а через личные сценарии. Попросил Claude изучить, что можно найти публично, и дополнил это собственными наблюдениями и опытом на нашем рынке.
Утренние ритуалы с AI
Каждое утро по дороге в офис он загружает транскрипты подкастов в Copilot и задаёт вопросы по ходу поездки. Вместо пассивного прослушивания — активный диалог с AI. У него настроено более десяти кастомных агентов в Copilot Studio, которых он называет своими «руководителями аппарата».
В шесть утра, до начала рабочего дня, использует ChatGPT и Gemini для написания первых драфтов речей и презентаций. Алгоритм простой: он даёт LLM базовый outline, загружает PDF прошлых выступлений и получает рабочий черновик.
Начинает день с того, что просит ChatGPT разобрать почту и суммировать документы. Называет такое использование AI скучным, но именно это освобождает ментальные ресурсы для стратегического мышления.
Встречи и коммуникация
Открыл для себя Fireflies.ai через подкаст, так что теперь все клиентские встречи автоматически записываются. AI создаёт comprehensive notes, пока он полностью сосредоточен на разговоре. Говорит, что это избавило от неловких моментов, когда не помнишь, что обсуждали на прошлом звонке.
Генерирует квартальные отчёты для инвесторов с помощью ChatGPT o1. Сначала просит AI создать формат отчёта исходя из потребностей инвесторов, затем заполняет его финансовыми данными. Экономит по четыре часа ему и CFO.
Принятие решений
Создаёт в ChatGPT виртуальные advisory boards — с участием Стива Джобса, Джеффа Безоса, Рейда Хоффмана и Шерил Сэндберг. Использует команды вроде «EVERYONE», «DEBATE» и «DEVIL’S ADVOCATE», чтобы получить групповой инпут, конфликтующие мнения и worst-case сценарии.
Также встречаются кейсы, где CEO готовятся к борду с помощью ChatGPT — такие практики видел и у знакомых в России. Ответы модели совпадали с реальными комментариями членов СД примерно на 80 %.
Что всё это означает?
Главный паттерн: executives используют AI не для замены, а для усиления. Человеческий надзор остаётся, но рутинные задачи уходят к моделям. Многие говорят, что 30–50 % их работы теперь AI-assisted.
Самые частые инструменты: ChatGPT, Claude, Copilot, Gemini + специализированные решения вроде Otter.ai и Fireflies.ai для встреч.
Интересно, что нигде не видно, чтобы условный Сэм Альтман запускал ультрасложную мультиагентную on-premise-систему, которая сама что-то изобретает на основе знаний и навыков. Пока это прерогатива IT-команд. Менеджеры же спокойно используют облачные базовые инструменты и экономят своё (весьма ценное) время. Вот вам и эффект, который не всегда отражён в метриках, но заметен в повседневной практике.
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥5⚡3👨💻2