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!

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.

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)

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!»)

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.

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

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.

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?

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.

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.

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…