Раз уж вчера начали говорить про вайбкодинг (да как говорить, 40 комментов уже), то давайте своими пожеланиями для создания своего первого продукта поделюсь

Это часть 2, вот тут часть 1

Пункты ниже в основном подходят для первого продукта, который хочется создать и монетизировать

Создание продукта — это только начало

После релиза MVP начинается стадия шейпинга: сбор фидбека, итерации, баги, улучшение онбординга, поддержка, оплаты. Часто продукт после запуска и продукт через 3 месяца — это разные продукты.

Если думаешь "запущу и пойду делать следующий" — скорее всего, первый не взлетит без постоянных финансовых и временных затрат на его продвижение.

Статистически, первые значимые деньги начнут приходить через 4-5 месяцев

Много микро-проектов = масштабирование ошибок

Есть такой популярный совет — "Делай 1 проект в месяц, что-то выстрелит".

Но проблема в том, что если ты не понимаешь, почему первый не взлетел — второй провалится по той же причине. И третий. И десятый.

Этот совет еще может будет хорош для serial founders, которые уже прошли не один цикл и понимают паттерны. Для первого-второго проекта лучше сфокусироваться и вытащить максимум learnings из одного

Хорошая цель для первого продукта — не юникорн, а 300 платящих клиентов

Найди 300 человек на планете, которые платят $10/мес = $3k MRR. Это уже актив, который позволяет жить практически где угодно.
Для подобного продукта сейчас не обязательно искать инвесторов, собирать огромную команду или считать TAM SAM SOM, все можно сделать одному при достаточном усердии

Пивоты — это норма, а не провал

YouTube начинался как дейтинг-сервис. Instagram — как приложение с чек инами и фильтрами. WhatsApp — как статусы для контактов.
Первая идея почти никогда не та, что взлетит. Главное — быть в рынке и слушать, что говорят пользователи.

Продвижение также важно, как и продукт

Отличный продукт без дистрибуции умрёт. Средний продукт с хорошим продвижением будет вполне комфортно себя чувствовать.
И на продвижение точно придётся тратить не меньше времени, чем на создание и улучшение, поэтому ⤵️

Органика требует времени — поэтому о продвижении надо начинать думать тогда же, когда и о создании продукта

SEO, контент, комьюнити — это всё работает, но с задержкой в 3-6 месяцев.
Если начнёшь думать о продвижении после запуска — потеряешь полгода. Пиши, публикуй, собирай аудиторию параллельно с разработкой.
Очень хорошо заходит формат Building in Public, где вы делитесь успехами и сложностями на пути к первым клиентам.

И да, похвалите Gemini за инфографику. Он немного накосячил с визуальной последовательностью, но все равно красиво сделал

Раз уж вчера начали говорить про вайбкодинг (да как говорить, 40 комментов уже), то давайте своими пожеланиями для создания своего первого продукта поделюсь

Это часть 1, вот тут часть 2

Пункты ниже в основном подходят для первого продукта, который хочется создать и монетизировать

Первый продукт лучше строить на пересечении: "Интересно / Могу / Кто-то за это заплатит"

И именно в таком порядке.

Если вам не интересно, то все остальные пункты уже не так важны.

По поводу Могу / Не могу
Сейчас "не смочь" — уже не рабочая отмазка. Разработка была единственной ощутимой проблемой, из-за которой людям приходилось говорить "О нет, это не моё, я гуманитарий".

По поводу "Заплатит / Не заплатит"
А если никто за это не заплатит — ну и ладно, хотя бы разберётесь как создать хоть что-то рабочее в первый раз. С текущими технологиями цена ошибки — несколько потраченных вечеров, а не месяцы и тысячи долларов как раньше.

Легче всего для первого продукта решать проблему, которая есть и у тебя

Поиск абстрактных "проблем рынка" через Reddit или Keywords мало чего даст тому, кто не понимает основы Customer Development'a.
Если это не твоя проблема — тебе сложно будет понять боль клиентов.
Когда делаешь для себя — ты уже понимаешь задачу, лучше понимаешь, где искать таких же людей, и можешь отличить важное от лишнего ☕️

То, что получилось у конкурентов, не обязательно получится у тебя

"У них работает, значит и у меня сработает" — возможно, но нет.
Успех часто связан с набором случайностей. Попали в хайп, у CEO огромный социальный нетворк или связи, залетел виральный пост, влили много на рекламу.

Конечно, лучше смотреть на продукт конкурента, чем не смотреть вообще.
Но к наличию каждой функции в продукте конкурента лучше относиться скептически, потому что ⤵️

80% фичей конкурентов, скорее всего, не работают

Многие смотрят на конкурентов и думают: "Надо сделать всё это, чтобы быть конкурентным".
А по факту — большая часть их фичей не используется или не влияет на метрики. Они сами не знают, что работает. Или знают, но не скажут.
Не копируй весь набор. Найди 1-2 вещи, которые реально решают проблему, и сделай их лучше.

Допустим, мне часто нужно вытаскивать аудиодорожки из длинных видео. Видеоряд грузить в интернет, чтобы вытащить аудиодорожку — слишком долго. Мне предлагают скачать всякие сложные сервисы, где эта функция еще и будет под платной подпиской. Следовательно, за пару вечеров я бы мог создать себе сервис с одной функцией — извлечь аудио. И для меня это уже будет ценно. А если будет ценно для меня, то и другие такие найдутся

Отсутствие конкурентов — red flag

Кажется логичным: у моей идеи нет конкурентов = голубой океан = ваукакклас.
На практике — если нет конкурентов = либо рынка нет, либо ищешь не там, либо рынок только зарождается и придётся потратить миллионы на создание спроса.

Конкуренты — это всегда хорошо. Они доказали, что рынок существует. Твоя задача — сделать лучше для конкретной ниши.

Часть 2

И да, похвалите Gemini за инфографику. Он немного накосячил с визуальной последовательностью, но все равно красиво сделал

Про вайбкодинг

Я в создании продуктов и продуктовом дизайне уже больше 6 лет

Успел застать эру дизайна интерфейсов и в Photoshop, и в CorelDraw, проектировал UX в AdobeXD, а потом и Figma вышла

Поучаствовал в создании ~15 стартапов — и у нас чаще всего была 1 проблема — разработка.

Разработка стоила дорого во всех смыслах.

Это и прямые затраты — когда уже в процессе и каждый месяц уходят деньги на команду. И opportunity cost — когда идея даже не доходит до старта, потому что "где я возьму на разработчика".

Получается, чтобы создать продукт, у тебя было два пути: либо ты сам/кофаундер разработчик, либо у тебя есть деньги на разработку. Третьего не дано. Идеи без одного из этих условий оставались идеями ☕️

Что привнес вайбкодинг

Любые задачи Junior-уровня сейчас закрываются ИИшкой без проблем. С большими проектами сложнее — там пока люди не научились работать с большим контекстным окном. Но барьер входа упал радикально.

Например, в последнем батче YCombinator у большинства проектов почти весь код AI-сгенерирован. Это не плохо или хорошо, но вот как наблюдение

Что меняется

Время от идеи до работающего продукта сократилось в разы. ИИшка может собрать MVP за 2 дня, тогда как раньше даже простая разработка занимала недели или месяцы. Я до сих пор помню свои стартапы, где мы пилили функционал по 3-4 месяца — хотя сейчас я бы собрал это за несколько дней.

Теперь не нужна cost consuming команда, чтобы показать результат. Расходы из зарплатного фонда перетекают в расходы на подписки

Вайбкодинг резко удешевил и ускорил создание софта, поэтому венчур (и другие “money givers”) смещается от “дать денег, чтобы построили” к “дать денег, чтобы доказали спрос и масштабировали”

Как это влияет на мир

Количество созданных проектов увеличивается → конкуренция за пользователя растет → появляется больше нишевых решений

Раньше универсальный софт был следствием того, что разработка стоит дорого. Экономически выгоднее один продукт для всех. Сейчас за неделю можно создать 10 копий одного решения под разные рынки/ниши, и все они будут вполне рабочими

И получается, что самыми дорогими навыками теперь стали ⤵️

👨‍💻 Умение генерировать ценные идеи
👨‍💻 Продвигаться
👨‍💻 Выигрывать конкурентную борьбу за клиента

Почему вайбкодинг не спасет 95% проектов от провалов

Вайбкодинг убрал процесс, который и так не влиял на успешность продукта. Код сам по себе не делает продукт успешным — он просто был барьером на входе. Барьер сняли, но всё, что реально влияет на успех — все еще нужно уметь решать: понимание ЦА, работа с проблемой, умение донести продукт до людей, которым он нужен, и затем еще и масштабировать успех

Дальше — две долины (не той) смерти:
— Problem-Solution Fit: Решаем ли мы важную проблему?
— Product-Market Fit: Достаточно ли людей готовы за это платить?

Вероятность пройти оба — около 5%. У тех, кто не понимает, что нужно делать.

Потому что за "создать успешный продукт" спрятаны 4 огромных домена

1. Находить проблемы людей
   Не "мне кажется, это нужно", а реальные боли, за решение которых платят

2. Проектировать решение
   Так, чтобы оно действительно решало проблему. Не фичи ради фич

3. Продвигать через сотни конкурентов
   Кстати, отсутствие конкурентов — red flag. Либо ты дизраптор с миллионами на маркетинг, либо рынка просто нет

4. Выстроить прибыльную бизнес-модель
   Чтобы unit-экономика сходилась, а не "сначала наберём пользователей, потом разберёмся"

Каждый из этих пунктов — отдельная дисциплина. И вайбкодинг не помогает ни с одним из них

Итого

Вайбкодинг снижает ценность "уметь писать код". Но повышает ценность "уметь создавать продукты, которые покупают"

Технический барьер упал. Продуктовый — остался

Теперь просто больше людей могут быстрее создавать продукты, которые никому не нужны. Зато цикл обучения будет быстрее ☕️

Хорошая новость: если ты понимаешь продуктовую часть — у тебя огромное преимущество. Потому что большинство соревнуется в скорости разработки, а не в качестве идей.

Вторая часть про Tier 1 "AI tools", первая тут https://habr.com/ru/posts/966942/
В первой части коротко про ChatGPT, Claude + NotebookLM, во второй коротко про изображения и автоматизации

🔡 Генерация изображений и видео

Nano Banana 🍌

Визуальная модель внутри Gemini, которая генерирует одни из лучших на сегодня изображений. Очень высокое сохранение лиц и объектов.

В интерфейсе Gemini на бесплатном аккаунте доступно до 100 генераций в день

Либо можно работать через AI Studio — он чуть перегружен, но там можно выбирать разрешение:

Основные сценарии:
• Создание контента и креативов с нуля
• Визуал для постов, афиш, презентаций, обложек
• Быстрое редактирование и улучшение фото (удаление объектов, замена фона)
• Генерация ключевых кадров для дальнейшего создания видео в Veo 3.1

Nano Banana не переделывает всю сцену с нуля, а как бы «прифотошопливает» людей и объекты, сохраняя исходную композицию.

Лучшие практики:
• Подробно описывайте результат (стиль, освещение, тона)
• Используйте референсы для сохранения персонажей и стиля
• Работайте итеративно: сначала фон, затем персонажи, потом детали

Про AI изображения писал огромную статью, все те же правила подойдут и для бананы

Veo 3.1 (есть ещё Sora 2, тоже очень высокого качества)

Создание видео из изображения или текста

Гугловская модель для создания видео и озвучки. Превращает статичные изображения в живые ролики.

В бесплатном Gemini напрямую не доступен — нужен Pro-тариф.

Основные сценарии:
• Создание рекламных и промо-роликов без съемок
• Короткий контент для Reels, Stories, TikTok
• Оживление статичных фото и концепт-артов
• Демонстрация продукта с разных ракурсов

Как работать:
• Пропишите детальный сценарий: локацию, время, героев, действия, камеру, звук
• Добавляйте референсные изображения для сохранения стиля
• Тестируйте композицию в Fast, финальный вариант делайте в Normal

В режиме Image to Video можно загрузить два кадра (Start Frame и Finish Frame) и получить плавное видео между ними.​​​​​​​​​​​​​​​​

⸻

🔡 Автоматизации и агенты

n8n

Low-code платформа для автоматизаций. Не только AI, но последнее время они активно развивают AI ноды

Это уже сильно прикладной инструмент. Последнее время мне намного проще написать кодом и развернуть на своём сервере автоматизацию, чем собирать в n8n.

Но для визуальной сборки он классный 🐥

Основные сценарии:
• Автоматическая обработка заявок, лидов, форм
• Связка ChatGPT/Claude с CRM, Notion, почтой
• Регулярные отчеты, выгрузки, уведомления

AgentKit от OpenAI

Похоже на n8n немного, но достаточно сильно отличается изнутри. Работает только как агентная система с ИИ. Тогда как в n8n не обязательно ставить ИИ-ноду.

Но у AgentKit есть огромные плюсы в виде очень удобного RAG, Guardrails и уже готового SDK с сильно настраиваемым UI.

Что означает, что чат-бота можно развернуть за 10 минут на своем сайте.

Есть много других подобных сервисов, например Make или Google Opal.

⸻

🔡 Создание сайтов и интерфейсов с помощью ИИ

Что пробовал я:
• Replit
• Lovable
• v0
• Bolt

Насчет разницы между ними сложно сказать, так как они постоянно развиваются, а мой опыт работы с каждой из платформ становится не релевантным уже спустя месяц. Но если бы я выбирал только 1 из них, то выбрал бы Replit, вроде самый популярный сейчас

Я просто последнее время перешел на связку VS Code + Claude Code + Codex + CLI, а за инструменты из списка выше платить перестал.

Cursor я кстати не использую, но без каких либо конкретных причин, просто за Claude Code 100$ плачу

Про работу с кодом как нибудь отдельно расскажу, ещё и про AI CLI. Так как это очень большой отдельный мир

Уже несколько месяцев как провожу воркшопы по AI, и вот список сервисов, про которые я постоянно там рассказываю

Часть 1 про LLM 🫡

ChatGPT — это база, основную теорию по которому я расписывать не буду, по нему у меня написан целый гайд

Но в chatgpt вау эффекты для меня вызывают эти функции 👇


Agent Mode

Режим, в котором ИИ эмулирует поведение человека в браузере — сам открывает сайты, кликает, вводит данные, ищет и сравнивает информацию.

Основные сценарии:
• Поиск отелей на Booking/Airbnb по конкретным критериям
• Поиск товаров на маркетплейсах вроде Lazada
• Сбор информации с сайтов, где обычный поиск бессилен
• Выполнение простых рутинных действий в интерфейсе

Их браузер Atlas, насколько я понимаю, должен делать примерно то же самое, но я еще не успел его протестировать — он пока только на macOS.


GPTs

Отличный вариан настроить чат под себя, добавив свои документы и системный промпт

Основные мои сценарии, которые я делал либо для себя, либо для компаний
• Переводчик в нужном стиле
• Личный редактор под мой tone of voice
• Чат по продукту/компании на базе знаний
• Онбординг-бот для новичков
• Внутренний FAQ по документации


Deep Research

Почти все знают про Deep Research для изучения интернета и сбора информации. Но мало кто знает, что его можно запустить и в свой Gmail, Google Drive, Notion или GitHub.

Например, он бегает по моему GitHub и делает подробное ревью репозитория, дает советы по продуктовому бэклогу и подсказывает, что можно улучшить в коде.

⸻

Claude — мой второй LLM

Мне чуть больше нравится, как он пишет, но 90% моего использования Claude — это возможность подключения множества сервисов через MCP: Google Analytics, Miro, Notion, Apify, Tick Tick и другие.

Со всем этим Claude может взаимодействовать — читать данные и записывать.

Это невероятно удобно: почти в каждом инструменте у меня есть умный помощник, который может получить и проанализировать данные прямо из базы сервиса.

Да, у ChatGPT тоже есть MCP, но по сути это слой поверх OAuth. У Claude вариантов подключения к тысячам сервисов ощутимо больше и гибче.

⸻

NotebookLM — RAG-UI от Google

Красивый интерфейс для RAG-системы. Загружаешь свои данные, а он строит вокруг них чат и артефакты.

На одном воркшопе команды за 30 минут сделали чатики для онбординга новых сотрудников на основе корпоративных статей. Теперь новый сотрудник, вместо изучения статей, может просто задавать вопросы в чатик и получать моментальные ответы с ссылками на источники.

Что можно загрузить:
• Множество документов
• Обычный текст
• YouTube-видео по ссылке

Что можно получить:
• Чат, который опирается только на загруженные данные и практически не галлюцинирует
• Видео, аудио, текстовые конспекты и отчеты
• Квизы, мемори-карточки, майндмэпы

Если еще не пробовали NotebookLM — очень советую

Вторую часть выложу чуть попозже

Can a Machine Think?

Пару дней назад я нашёл свою первую публично опубликованную статью, которую написал более 5 лет назад

Через 2 года после того, как OpenAI выпустили документ "Improving Language Understanding by Generative Pre-Training" — то, что можно считать основой GPT-1

Тогда рассуждения об ИИ, с которым можно качественно общаться, воспринимались как что то далекое. Похоже на то, о чем рассуждал ещё Алан Тьюринг

А Siri и Google Assistant были вершиной публично доступных чат-ботов

Но прошло 5 лет, и ИИ агенты это уже данность. Они спокойно проходят не только тесты Тьюринга, но и вообще любые тесты

Но есть одна проблема...

Мы уперлись в стену

GPT-5 показывает фундаментальное ограничение GPT моделей — мы близки к исчерпанию всех оцифрованных человеческих знаний, которые нужны моделям на стадии предобучения

Можно улучшать модели через мелкие улучшения изнутри, увеличивать reasoning tokens за счет роста вычислительных мощностей и структур сетей, но от этого подобные модели не перестанут быть next token prediction

Если привести аналогию, то модель "пытается познать мир", находясь внутри библиотеки. Но насколько большую библиотеку ты не создавай, по настоящему познавать мир через нее у модели не получится

Для познания мира мы, люди, используем совершенно другой механизм — любопытство.

И это — наше главное эволюционное преимущество, которое привело нас туда, где мы есть

В чём разница между пересказом и пониманием?

«Откуда мы знаем, что существуют чёрные дыры, квазары, взрываются сверхновые и образовываются всевозможные химические элементы, из которых состоит наше тело и Земля? Ведь это невообразимо далеко и невероятно сложно»

«Мы это знаем благодаря телескопам и измерительным устройствам» — это плохое объяснение

«Мы знаем, что существуют конкретные законы физики, мы проверили эти законы много раз, мы получили много информации о том, что эти законы соблюдаются и на Земле и за миллиарды километров, поэтому мы с хорошей точностью знаем что происходит при взрыве сверхновой» — это хорошее объяснение

Объяснения — это самый базовый элемент, который позволяет человечеству создавать новые знания

Которые создаются только таким способом

— Выдвинуть гипотезу — догадаться/предположить, что что-то устроено определённым образом
— Сделать действия — проверить гипотезу экспериментами
— Обработать данные — получить обратную связь от мира
— Сделать выводы — выбросить гипотезу, принять или доработать

А затем ждать лучшего объяснения

И да, это стандартный продуктовый подход через HADI циклы

И именно этот процесс привёл к созданию всего знания, всех инструментов в мире

Другого процесса создания знания не существует

Библиотека vs Лаборатория

Мы посадили ИИ в библиотеку, а ему нужна лаборатория

Текущие модели — отличные библиотекари. Они идеально пересказывают существующие знания, комбинируют их и даже делают инсайты на основе прочитанного

Но если мы хотим настоящий AGI, то он должен стать учёным. Он должен создавать новые знания

Bottle Neck человечества для создания знаний

На планете менее 1% людей в определённый момент времени занимаются созданием знаний на границе неизвестного

Мы ограничены количеством мозгов и рук, которые способны выдвинуть гипотезу, проверить ее и сделать выводы

Вот где настоящее бутылочное горлышко роста знаний — не в данных, а в количестве мозгов и рук, способных выдвинуть и проверить гипотезу.

Путь к сингулярности

Для создания AGI нам нужно научить ИИ

1. Выдвигать гипотезы

2. Проверять их экспериментально

3. Делать выводы и, в идеале, делиться ими

Для этого ему понадобится доступ к нашему миру через сенсоры. И развитие робототехники — необходимый шаг

AGI = Модель + HADI циклы + Реальный мир

После того, как мы научим ИИ проходить HADI циклы, мы войдём в эру сингулярности знаний

Рост знаний будет ограничен только вычислительными мощностями, а не количеством любопытных людей на планете.

Вместо 1% человечества, которые генерируют знания, нам нужно будет создать ИИ-ученых, работающих 24/7

Это и будет состояние мира, близкого к настоящей сингулярности

Вольный пересказ тезисов от управляющего партнера Sequoia Capital из подкаста «AI or DIE»

почему то ссылка на подкаст недоступна, scam, но я все равно расскажу вам

💫 Начинается время безграничных возможностей
AI устраняет традиционные ограничения, позволяя небольшим и гибким командам вытеснять крупные и неповоротливые компании.
Бизнесу придется внедрять AI, иначе он быстро станет неактуальным.
Через 10 лет практически каждый человек будет умнее, чем умнейшие сегодня.

✨ Вместо количества сотрудников нужно растить «magic per employee»
Успешность компании больше не измеряется количеством персонала. Чем больше людей, тем выше операционные затраты на поддержание бизнеса. Маленькие компании с качественно выстроенными AI процессами могут тратить это время на изучение своих пользователей и на адаптацию к постоянно меняющимся трендам

💵 Еще одна проблема раздутого штата — их скрытые расходы
Большой штат всегда ведет за собой сложности в координации, усложненный найм и постоянные затраты на онбординг. Все это отвлекает от основной задачи компании — создания ценности для клиентов. Компактные команды лучше сохраняют фокус на клиенте и быстро принимают решения.

Фаундерам придется уделять максимум времени прямому взаимодействию с клиентами, регулярно вовлекая их и свою команду в развитие продукта. Компании, погруженные во внутреннюю бюрократию вместо клиентской ценности — не смогут конкурировать с маленькими и быстрыми конкурентами.

🕶 Реагируйте, а не предсказывайте
Теперь быстрое реагирование на изменения важнее, чем попытки предугадать будущее. Будущее сегодня слишком непредсказуемо.

Компании, плохо адаптирующиеся к изменениям, быстро потеряют свои позиции. Microsoft и Nvidia — хороший пример качественной адаптации, несмотря на их размеры

💞 AI как гениальный сотрудник
Воспринимайте AI как нового, сверхразумного и не ленивого сотрудника.
Вместо того чтобы разочаровываться в AI, стоит научиться работать с ним.
Практически любую бизнес задачу уже сейчас можно оптимизировать с помощью AI. А то, что нельзя оптимизировать сейчас, можно будет оптимизировать через пол года или год

✍️ Стройте бизнес модели на будущее
Можно не бояться, если ваша перспективная бизнес модель не сходится из-за высоких затрат на АИ компьютинг. За последние 3 года они упали в десятки раз, и пока останавливаться не собираются

🍭 Относитесь к AI с оптимизмом
Люди и основатели, которые с энтузиазмом используют AI как мощный драйвер изменений — точно добьются успеха. По сравнению с теми, кто продолжает игнорировать этот инструмент. Сейчас наступил идеальный момент, чтобы ускорять свой рост, проявлять смелость в инновациях и опережать конкурентов.

========

🎮 Как бы я действовал уже сегодня, если бы меня попросили сделать AI трансформацию внутри компании

1️⃣ Оценил бы бизнес модель, текущие задачи и штат компании. Отметил бы, что уже сейчас можно улучшить с помощью AI. Или что можно будет улучшить через пол года

2️⃣ Сократил бы внутренние барьеры и бюрократию, фокусируясь на быстром внедрении инноваций.

3️⃣ Выстроил бы процесс регулярного взаимодействия с клиентами, чтобы четко понимать их потребности и быстро реагировать на изменения. Сейчас это еще важнее, чем было недавно

4️⃣ Создал бы небольшие гибкие команды и в каждую команде бы выделил или добавил лидера в AI. Задача этого человека — нести AI знания внутрь своей команды и к каждой новой задаче задавать вопрос — а как мы можем решить ее быстро и с минимальными человекоресурсами

5️⃣ Постоянно проводил бы новые эксперименты и тестировал новые AI решения. И быстро бы интегрировал те решения, которые отлично себя показали

💯 Вывод, который я и так всем говорю
AI — это не просто технологический тренд, как блокчейн допустим, а критически важный повод полностью пересмотреть структуру, стратегию и принципы работы вашей компании

Agent2Agent (A2A) by Google, но немного запоздало

9 апреля, что уже более 3 месяцев назад, Google анонсировал новый открытый протокол — Agent2Agent (A2A)

В дополнение к статье про Model Context Protocol — это ещё один шаг в сторону координируемых ИИ-систем

Agent2Agent протокол решает одну простую проблему

Как заставить AI-агентов говорить на одном языке и работать вместе?

Небольшая сноска по поводу того, кто такие агенты, потому что сейчас агентами любят называть обычные автоматизации

Агент — это AI-сущность, которая должна:
— понимать задачу и условия выполнения
— принимать решения, чтобы добиться наилучшего исполнения
— общаться с другими агентами, чтобы прийти к своей цели
— работать независимо, как сотрудник

Что предложил и сделал Google?
По сути, создал язык и мессенджер для агентов.
Как людям нужны слова и способ связи, чтобы договориться — так и агентам нужен стандарт общения

У меня появилась аналогия с островами.
Агенты без протокола — как жители разных островов
Каждый внутри своего острова как-то справляется. Но сейчас, чтобы выстроить взаимодействие с другими островами — нужно каждый раз договариваться с нуля

A2A протокол предлагает агентам общий язык и единый протокол работы.

И эффект у этого должен быть такой-же, какой сейчас дает нам интернет и английский язык

🏢 И еще одна простая аналогия на примере компании

Катя из HR нанимает людей
Дима из Legal проверяет договоры
Маша из Logistics заказывает доставку

Они общаются через Telegram на русском языке

😉 В мире ИИ: Катя, Дима, Маша — это агенты

A2A — это их Telegram и русский язык. Если что-то из этого убрать в их коммуникации, то работа встанет

Как обстоят дела AI агентов сейчас — без A2A
⏺ Каждый агент живёт в изоляции
⏺ Все связи — ручные, через API и всякие автоматизации)
⏺ Нет общего языка, нет поиска друг друга
⏺ Всё держится на хрупком и дорогом коде

Что даёт A2A протокол
🔵 Общий язык и формат общения между агентами
🔵 Описание способностей AI-агента через AgentCard в виде JSON формата
🔵 Передача задач и их состояний (Task, Artifact)
🔵 Поддержка долгих задач, асинхронность, push-уведомления
🔵 Безопасность на уровне enterprise (OAuth, TLS, mTLS)
🔵 Поддержка фреймворков по типу LangChain, Genkit, LangGraph и тдтп

🤝 Как Model Context Protocol и A2A работают вместе
MCP — это стандарт, который помогает LLM-моделям подключаться к данным, ресурсам и внешним инструментам.
Он уже за пару месяцев успел закрепиться как стандарт ниши — OpenAI, Anthropic и многие другие строят совместимость с MCP.

A2A решает другую задачу
Он позволяет агентам координировать действия между собой — не как "инструмент → вызов → результат", а как равноправные сущности, которые обмениваются задачами, артефактами и статусами.

MCP — это про «чем пользоваться»
A2A — это про «с кем и как взаимодействовать»

MCP соединяет агента с инструментом, A2A — с другими агентами.

И если всё будет развиваться так, как сейчас — мы получим масштабируемые экосистемы, где агенты умеют пользоваться ресурсами и договариваться друг с другом

☀️ Google также предоставили демо кейс — Найм разработчика c помощью AI агентнов

Пишем в Gemini — «Найди разработчика, можно удалённо, но с таймзоной около Pacific Bay»

Агент через A2A находит HR-агента
HR-агент возвращает список кандидатов
Зовется другой Агент — интервью-агент
Затем зовется агент для проверки background check кандидатов.

И на выходе получаем самого подходящего кандидата

И это все должно работать без Zapier, специальных API и других склеек / костылей

😎 Почему это важно бизнесу

Больше автоматизации
Агенты сами находят друг друга, передают задачи, отслеживают статус.

Быстрее запуск и рост
Добавить нового агента должно быть очень быстро и просто

Меньше затрат
Меньше разработки и поддержки, так как есть единый стандарт

Гибкость
Хочешь заменить блок или протестировать нового подрядчика — просто меняешь агента

Понятно, что пока это все стадия "Для гиков", но уже движение есть. MCP понадобилось пол года, чтобы найти свою аудиторию. Для А2А уже прошло 3 месяца, и оно вроде как все еще растет

Полезные промпты для вашего бизнеса. Часть 3/3.
Валидируем идею через взгляд инвестора⁠⁠

Еще давно писал пост с этими промптами, но сейчас еще раз их открыл и прогнал продукт клиента через эти промпты в ChatGPT + Claude. И опять оказалось очень полезно

Подойдет практически любому бизнесу. Если попробуете, то много инсайтов получите

Часть 1/3
Часть 2/3

Поэтому поделюсь еще раз ⤵️

ヾ(•ω•`)o

Промпт №3

Валидируем идею через взгляд инвестора
📌 Чтобы понять, а как потенциальные инвесторы могли бы посмотреть на вашу идею или уже существующий продукт

💬 Cам промпт

Я хочу проверить свою идею с точки зрения инвестора.
Мой продукт – [описание], а целевая аудитория – [описание ICP из части 1]

Оцени идею по этим 5 критериям

1️⃣ Рыночный спрос – действительно ли это большая проблема, которую хотят решить?
2️⃣ Конкурентное преимущество – чем этот продукт уникален?
3️⃣ Масштабируемость – может ли из этого вырасти что-то крупное или это узкая ниша?
4️⃣ Монетизация – как на этом зарабатываются деньги? Готовы ли пользователи платить?
5️⃣ Исполнение и риски – какие главные риски, которые могут убить этот продукт?

В конце поставь инвестиционный балл (1-10) и скажи, что нужно улучшить, чтобы получить 8+/10

Результат, который я перенес из ChatGPT в Miro

📌 Почему это полезно?

Помогает избежать ловушки "продукт без спроса".

Заставляет думать о масштабировании, а не просто о запуске.

Подготовит вас к переговорам с инвесторами

Полезные промпты для вашего бизнеса. Часть 2/3.
Определяем Jobs to be Done ваших клиентов

Еще давно писал пост с этими промптами, но сейчас еще раз их открыл и прогнал продукт клиента через эти промпты в ChatGPT + Claude. И опять оказалось очень полезно

Подойдет практически любому бизнесу. Если попробуете, то много инсайтов получите

Часть 1/3
Часть 3/3

Поэтому поделюсь еще раз ⤵️

ヾ(•ω•`)o

Промпт №2

Определяем Jobs to be Done ваших клиентов💫
📌 Чтобы понять, какие существующие работы может закрывать твой продукт для клиентов

Jobs to be Done - это задачи реального или потенциального клиента, которые он хочет решить

💬 Cам промпт

Я хочу лучше понять ключевые задачи пользователей через Jobs to be Done инструмент. Мой продукт – [описание продукта], моя аудитория – [описание ICP из части 1].

Разбей их на три категории
1️⃣ Функциональные задачи (какую практическую работу выполняет продукт?)
2️⃣ Эмоциональные задачи (какие эмоции вызывают решение или нерешение проблемы?)
3️⃣ Социальные задачи (как решение проблемы меняет их статус, восприятие окружающими?)

Затем расставь приоритеты
✅ Какая работа самая болезненная? (Сила боли / Частотность)
✅ Где пользователи готовы платить?
✅ У какой задачи еще нет хорошего альтернативного решения?

Результат 💫

Вот такой результат у меня получился на выходе, после того, как я ответы модели переложил в Miro

📌 Почему это полезно

Сужает целевую аудиторию → точный маркетинг и правильные решения в продукте.

Фокусирует ценность → продукт решает реальные боли клиентов.

Избегает ошибок → не строим слишком широкий и бесполезный продукт.

==================

Иногда LLM лучше понимаю промпты на английском, поэтому вот его вариант на английском

💬 Prompt

I want to understand the deepest Jobs to be Done (JTBD) for my target users. My product is [describe product] and my audience is [describe ICP].

Break down their JTBD into three categories:
1️⃣ Functional JTBD (What practical task does my product help them complete?)
2️⃣ Emotional JTBD (What emotions does solving this problem trigger for them?)
3️⃣ Social JTBD (How does solving this problem change how they are perceived by others?)

Then, prioritize them based on:
✅ What’s the most painful job?
✅ Where is the highest willingness to pay?
✅ What job still has't great alternative solution?

Полезные промпты для вашего бизнеса. Часть 1/3.
Определяем Ideal Customer Profile⁠⁠

Еще давно писал пост с этими промптами, но сейчас еще раз их открыл и прогнал продукт клиента через эти промпты в ChatGPT + Claude. И опять оказалось очень полезно

Подойдет практически любому бизнесу. Если попробуете, то много инсайтов получите

Часть 2/3
Часть 3/3

Поэтому поделюсь еще раз ⤵️

ヾ(•ω•`)o

Промпт №1

Определяем ICP — Ideal Customer Profile aka Идеальный профиль клиента
📌 Чтобы понять, кто именно наши лучшие клиенты и как выстроить продукт под них

💬 Cам промпт

Я работаю над [тип продукта], который помогает [целевой аудитории] решать [проблему]. Помоги мне определить мой ICP, используя Value Proposition Canvas

Структурируй так

1️⃣ Профиль клиента
• Jobs to be Done (JTBD) – какие ключевые задачи они пытаются решить?
• Боли – что мешает им достичь цели?
• Выгоды – чего они хотят достичь?

2️⃣ Ценностное предложение
• Основные функции продукта
• Что убирает боли клиентов?
• Что дает дополнительные выгоды?

Убедись, что ICP конкретный и фокусируется на самых прибыльных клиентах

Value Proposition Canvas — удобный инструмент визуализации проблем клиента и функций продукта. Вот как он выглядит. Это часть Business Model Canvas по Остервальду

Результат 💫

📌 Почему это полезно

Сужает целевую аудиторию → точный маркетинг и правильные решения в продукте

Фокусирует ценность → продукт решает реальные боли клиентов

Избегает ошибок → не строим слишком широкий и бесполезный продукт

===============

Иногда LLM лучше понимаю промпты на английском, поэтому вот его вариант на английском

I’m working on a [product type] that helps [target audience] solve [problem].

Can you help me define my Ideal Customer Profile (ICP) using the Value Proposition Canvas?

Break it down into:

Customer Profile
🎯 Jobs to be Done (JTBD)
⚠️ Pains
💡 Gains

Value Proposition
🛠 Key product features
💊 Pain relievers
🚀 Gain creators

Make sure the ICP is specific and prioritizes the highest-value customers!

В продолжении серии постов про Claude Desktop MCP Servers.

В этом посте расскажу про 2 из 4 серверов, с которыми постоянно работаю

Вот какие MCP сервера подключены у меня

🟢 TickTick — мой таск трекер (на чтение и на запись)
🟢 Notion (на чтение и на запись)
🟢 GitHub (на чтение и на запись)
🟢 Google Analytics 4 (только на чтение)

------------

Большая статья про это же, но в ней больше картинок и юзкейсов, версия v0.5

Моя статья про MCP сервера в общем

------------

MCP #2 — Notion MCP

Все же знаю, что такое Notion?

Для тех ктонет — это такая супер мощная база знаний. У меня там хранится почти все, что нужно хранить и записывать, от регламентов до планов на жизнь.

У Notion есть официальный MCP, что устанавливается намного проще, чем кастомные через GitHub.

Какие кейсы с Claude Desktop => Notion есть у меня ⤵️

1. Claude заполняет мою табличку финансов

   Я ему говорю, что и куда сегодня потратил, или где и сколько заработал. А он сам распределяет доход по категориям и создает теги, если нужно

   

2. Claude заполняет мою табличку персональных метрик

   Тут должна быть картинка, но посты на хабре позволяют вставить только 1 картинку, поэтому ссылкой добавлю

3. Claude сам создал и управляет моей табличкой для UTM меток

   Тут должна быть картинка, но посты на хабре позволяют вставить только 1 картинку, поэтому ссылкой добавлю

4. Claude имеет доступ к папке, в которой я создаю всеразличный контент. И может редактировать, уточнять содержание или дописывать какие-то блоки по моей просьбе.

   Например, для поддержания актуальности своего гайда по ChatGPT я периодически запускаю его внутрь каждой главы и прошу сверить содержание с ситуацией на сегодня через DeepResearch.

   Или прощу найти в огромном количестве текста точную строку, где находится эта цитата. Вот ссылка на картинку

Что мне нравится во всех кейсах с ноушеном, что возможности LLM, как и возможности Notion, ограничены лишь моей фантазией, поэтому я постоянно придумываю новые возможности их взаимодействия.

Может у вас тоже есть какие то идеи, как еще можно было бы использовать Notion + Claude Desktop?

В продолжении серии постов про Claude Desktop MCP Servers.

В этом посте расскажу про первый из 4 серверов, с которыми работаю

Вот какие MCP сервера подключены у меня

🟢 TickTick — мой таск трекер (на чтение и на запись)
🟢 Notion (на чтение и на запись)
🟢 GitHub (на чтение и на запись)
🟢 Google Analytics 4 (только на чтение)

------------

Недавний пост-введение

Моя статья про MCP сервера в общем

------------

Этот пост коротко про Tick Tick MCP

TickTick — это мой таск трекер. Типо ToDoist

Я пользуюсь им для ведения своих задач. Так как работаю я сам на себя, то трекер это важная часть моей жизни, который у меня в основном выглядит вот так

Первый MCP, с которого я начал свое изучение этой темы — Tick Tick MCP
Было интересно сделать себе мини ассистента

Как это работает

У меня есть чат в Claude Desktop, в контекст которого вгружена роль Claude в этом диалоге

Затем в этот чат я пишу, что я хочу, Claude сам понимает, хочу ли я обратиться к TickTick или просто спрашиваю что-то. Если из контекста он понимает, что нужно использовать TickTick, то он вызывает ту функцию, которую примерно определил

Что умеет мой MCP TickTick

1. Ставить задачи, можно даже на конкретное время

2. Удалять задачи, переносить задачи

3. Добавлять описание задачам

4. Создавать / удалять проекты, группировать задачи по проектам

В среднем, каждый MCP умеет делать то, что в нем написали. И то, насколько богатое API есть у сервиса, к которому будет подключен наш MCP.

Разные энтузиасты могут написать различные MCP для одного и того же сервиса. И все они будут разного уровня глубины и проработки

Какие основные кейсы при работе с TickTick MCP есть у меня

1. Почти каждую неделю я планирую в воскресенье вечером. Этот процесс у меня в основном происходит внутри ChatGPT, чтобы он был в контексте моих планов

2. Затем, я закидываю получившийся план в Claude, и прошу поставить мне эти задачи на неделю через TickTick, например, через такой промпт

   Вот мой список задач на неделю.
   К каждой задаче поставь Start Date и End Date в течении следующих 7 дней, учитывая их приоритет.
   Выполнение каждой задачи в этом списке в среднем должно занимать не больше 3 часов.
   После каждой задачи ставь буфер в 40 минут. Для каждой задачи можешь примерно добавить Definition of Done
   Учти, что сейчас я живу в Бангкоке, работаю в среднем с 12 дня до 10 вечера. Суббота и Воскресенье -- не нагружай меня больше чем на 4 часа работы
   Старайся не допускать накладывания задач на уже существующие задачи

   Сначала напиши список и скинь в чат, а затем, после моего аппрува, добавь в TickTick

Это самый частый кейс ⤴️

Иногда закидываю в него разовые задачи

Например, я в Spotify увидел, что недалеко от меня через 2 месяца будет концерт. Я скинул скрин в Claude и попросил, чтобы он собрал инфу о билетах и поставил напоминалку через пару недель

Он задействовал свой deep research и все собрал в задачу. Я потом просто перейду по ссылке и куплю

Или, например.

Мне нужно купить новые кроссовки в диапазоне 200$, скорее всего найк

Поставь это в задачи, и перед этим проанализируй их модельный ряд, сравни с NB, PUMA и Adidas. Выбери топ 3 под мой запрос -- бег по городу, 5-6км в среднем. А затем глянь, есть ли они в Бангкоке

И оформи в задачу, чтобы я через неделю сгонял в магазин

---------

Пока на этом все

Такие черновые посты помогают мне написать большую статью. Но у постов слишком много ограничений. Например -- только одна картинка на весь пост и лимит по символам. Поэтому сделать посты информативными сложно, пусть хотя бы в выгрузке мыслей помогают

Вот тут можно посмотреть огромный набор MCP серверов

А вот тут в более удобном интерфейсе

o((>ω< ))o

Мое новое увлечение — завожу себе MCP сервера в Claude

Ранее писал про MCP сервера на хабре

И вот уже как два месяца пользуюсь этим сам

Если супер просто, то вот что такое MCP сервера внутри Claude Desktop

Прослойка с кодом, которая связывает клиент, например Claude Desktop, и сервис на той стороне

Связывает таким способом, что я могу человеческим языком писать в чат Claude, а эта прослойка сама понимает, какую функцию нужно вызвать

Есть официальные прослойки, которые пишут сами компании. А есть те, которые написаны энтузиастами. К одному MCP серверу, нужному мне, я тоже приложил руку, а точнее форк

Вот тут можно посмотреть набор серверов, но это не полный список

Пока что технически установить и подключить эти сервера не так просто, хотя Anthropic, создатели протокола, постоянно думают над упрощением процесса установки и подключения

Вот какие MCP сервера подключены у меня

🟢 Notion (на чтение и на запись)
🟢 GitHub (на чтение и на запись)
🟢 TickTick — мой таск трекер (на чтение и на запись)
🟢 Google Analytics 4 (только на чтение)

Какие сценарии использования есть у меня

MCP Server TickTick — мой сервис для задач

Через подключенный MCP сервер я обычным языком, как живому ассистенту, говорю список задач. Он их может ставить, удалять, передвигать, менять описание и все, что могу делать я.

Например,

Поставь мне вот эти 10 задач на неделю, к каждой напиши Definition of Done и выстави время в течении недели, когда эту задачу лучше сделать, учти зависимости с другими задачами

Или

Передвинь задачи из этого проекта на день вперед, я не успеваю сегодня их сделать

А что у меня сегодня запланировано

В общем, как будто через ассистента задачами управляете

Дальше идет Notion — моя база знаний и хранение всего подряд

Claude через Notion MCP знает все файлы, к которым я дал ему доступ. Может создавать там сложные таблицы и контент, который я его прошу
В Notion у него есть доступы к моей таблице управления UTM ссылками, финансовому дашборду и бизнес дашборду.

Во все эти места у Claude есть доступ, и все это он умеет заполнять, пока я просто ему наговариваю, что хочу

Затем — Google Analytics

К моему продукту, гайду по ChatGPT, подключеные две аналитики. Яндекс и Гугл. И вот в Google Analytics мой Claude умеет смотреть.

Может приносить мне инсайты недели, какие источники лучше работают, по каким источникам лучше / хуже удержание и возвращаемость

И последний в списке, но не по значимости — GitHub

Через MCP GitHub я улучшаю мои MCP сервера — если понимаю, что их можно улучшить. Claude сам мне может подсказать, что текущая конфигурация MCP сервера ему не нравится, и предлагает улучшения. Мы с ним делаем форк существующего MCP сервера и улучшаем

Плюс все мои сайты могу создавать напрямую из Claude -> GitHub

Это был краткий экскурс в MCP сервера, надеюсь в течении пары дней я смогу упаковать это в подробный пост 🧑‍💻

💫 Получите развернутый анализ GitHub репозитория через ChatGPT Deep Research

Не все про это знают, но с помощью ChatGPT Deep Research можно изучить любой GitHub проект

В режиме Deep Research через селектор выберите желаемый репозиторий, а через 5 минут получите детальный анализ по вашему запросу

Иногда пользуюсь этой функцией, чтобы разобрать архитектуру проекта, объяснить логику кода или найти потенциальные проблемы и улучшения. Сам я не кодер, поэтому мне это очень сильно помогает

Особенно полезно при изучении чужих проектов, когда надо быстро вкатиться

Вот тут можете посмотреть, как ChatGPT сделал разбор моего тестового репозитория, опираясь на мой неполноценный промпт

20+ кейсов с изображениями в ChatGPT. Или экономим 100,000₽+ на дизайнерах

Так как в пост можно загрузить только одну фотографию, то я все упаковал в большую статью https://habr.com/ru/articles/920274/

Эта статья про полезные юзкейсы генерации картинок, с которыми каждый из вас может сталкиваться.

И да, в статье я не топлю про полную замену дизайнера, а именно про снижение человекочасов, которые уходят на дизайн. Так как сам в общем то и дизайнер

Внутри статьи ⤵️

Мои примеры с лампой-кроликом — взял один объект из комнаты и показал 10+ способов его использования

• Превратил в робота-маскота

• Сделал комиксы про морковку

• Создал стикерпак для Telegram

• Нарисовал карточки товаров

• Сгенерировал 3D-версии

В статье рассказал подробно, что все еще плохо работает в генерациях

❌ Плохо работает с кириллицей (артефакты в тексте)
❌ Галлюцинирует на сложных сценах
❌ Точечные правки работают коряво
❌ Лица меняются между итерациями
❌ Размываются мелкие детали

Так как в пост можно загрузить только одну фотографию, то я все упаковал в большую статью https://habr.com/ru/articles/920274/

ChatGPT vs Claude: Мой опыт после двух месяцев использования двух LLM

Ссылка на полную статью, там подробнее и с картинками

В марте я расширил свой AI-инструментарий и взял подписку еще и на Claude в дополнение к ChatGPT, которым пользуюсь уже год.

Триггером было недовольство в том, как ChatGPT работает с большим объемом текста в определенном стиле

И вот, спустя два месяца интенсивного использования обоих тулов — могу поделиться своими открытиями и сравнить их

Claude и его преимущества ⤵️

Мощность обработки текста 💫

Сложно объяснить конкретно, но после ответов Claude мне приходится делать намного меньше стилистических и смысловых правок, чем после ChatGPT.

Ответы Claude в среднем объемнее, чем ответы ChatGPT

Помимо самой обработки текста отдельно выделю у Claude работу со стилем

🟢 Гораздо лучше держит стиль на протяжении всего текста
🟢 Создаёт более "живые" и менее шаблонные сообщения с первого промпта
🟢 Позволяет создавать стили написания и переключаться между ними в любой момент

В Claude есть MCP, как встроенная, так и с возможностью добавить их самостоятельно 💫

Можно подвязать аккаунты и через чат задавать вопросы по типу

— Какие у меня на этой неделе встречи в календаре?
— Какие у меня входящие за сегодня — найди самые важные и требующие ответа от меня?
— Выдай мне данные из документа XXX

Отдельно, через MCP у меня подвязан мой Таск Трекер, что супер удобно

Про токены и лимиты 💢

По моим наблюдениям, на Claude я быстрее упираюсь в лимиты, чем с ChatGPT.

Что логично, расширенное контекстное окно помогает держать больше в памяти, но также и быстрее тратит лимиты

Итого, когда я использую ChatGPT, а когда Claude?

После двух месяцев эксперимента у меня сложился четкий паттерн использования

ChatGPT для

🔵 Быстрых вопросов
🔵 Deep Research
🔵 Генерации изображений и концепт-артов
🔵 Общего контекста моей жизни, GPT психолог и все такое

Claude же теперь я использую для

🔵 Написания больших, стилистически цельных текстов
🔵 Поддержанием единого тона в длинных диалогах
🔵 Написание текстов в "моем стиле"
🔵 Для работы с кодом

Ссылка на полную статью, там подробнее и с картинками

Claude vs ChatGPT + Codex: Кто лучше решит комплексную задачу? Тестируем 6 моделей 💫

Ссылка на статью, там подробнее и с картинками

Суть эксперимента

Дал одинаковое задание ChatGPT и Claude: создать интерактивную игру с кодом и интерфейсом. Задача комплексная — нужно и код написать, и текст придумать, и интерфейс сделать

Наши испытуемые

• ChatGPT: 4.1, o3, Codex-1

• Claude: Sonnet 3.7, Sonnet 4, Opus 4

💬 Исходный промпт для всех моделей выбрал такой
Каждая модель ИИ получила идентичное задание

Давай сделаем игру на основе этого промпта

Придумай 10 заранее заготовленных Change (сам придумай) - и в формате истории рассказываешь что бы произошло

I want to simulate a new reality by altering a single variable. I'll give you the change, and you'll break down the cascade of consequences — starting from the most fundamental shift down to specific, real-world effects — so I can trace the full chain of cause and reaction. Let's begin with: [change]

Напиши код с интерфейсом

Да, промпт без всяких изысков и правил написания правильного промпта. Без указания ролей, структуры и тому подобного. Специально, что бы не фреймить модели на слишком точную задачу

Результаты по моделям ⤵️

ChatGPT семейство 💫

GPT o3 — 80 строк, 6KB Самый компактный код, но с серьезными косяками: текст размазан по экрану, нет viewport для мобилок, поверхностное выполнение основной задачи.

GPT 4.1 — 137 строк, 5KB
Наиболее сбалансированный результат среди ChatGPT. Есть viewport, чистый ES6+ код, корректная мобильная версия. Но отсутствуют медиазапросы и не подсвечивается выбранный вариант.

Codex-1 — 105 строк, 6KB Единственный из ChatGPT написал интерфейс на русском. Технически грамотно, но слабо раскрыл суть задачи — вместо каскада последствий дал простые описания в 2-3 предложения.

Claude семейство 💗

Sonnet 3.7 — 317 строк, 20KB Структурированный подход с выпадающими списками и кнопками выбора. Хорошо выполнил часть с "каскадом последствий". В 3.2 раза тяжелее ChatGPT решений, но функциональность это оправдывает

Sonnet 4 — 562 строки, 33KB Появились переходы между страницами с искусственными загрузками через setTimeout. Модель уже начала осознавать UX-принципы: время ожидания увеличивает вовлеченность

Opus 4 — 497 строк React, 26KB Полноценный React-компонент с JSX, анимациями и пошаговым интерфейсом. Opus реализовал не прототип, а интерактивный полноценный опыт, который можно хоть сейчас отправлять на прод

Главные выводы

ChatGPT: Vanilla JS, минимализм, работает и хорошо, файлы 5-6KB
Claude: Продуманная архитектура, UX-решения, выглядит вау, файлы 20-33KB

Разница в подходе и результате очень значительная — от HTML до React-приложений

Детальный разбор каждой модели, анализ кода, ссылки на GitHub, сравнение стоимости токенов, любопытные наблюдения о "личности" моделей и практические рекомендации для выбора — всё это в полной статье 👈

Там же найдете рабочие демо всех 6 результатов

Думал написать большую классную статью по кейсам с новым генератором картинок в ChatGPT. И рассказать, как экономлю часы работы себе как продуктовый дизайнер

Но в процесса написания статьи получился еще и такой пост, который больше про мои наблюдения за AI трендом, чем про что-то конкретное

Я часто бываю на митапах, рабочих созвонах и сижу в профильных чатах.
Смотрю на дизайнеров, аналитиков, продактов и разработчиков — основное моё окружение — многие вообще не инвестируют в AI.
Ни временем, ни вниманием, ни деньгами. И мало у кого поменялся подход к работе за последние пол года. Это не плохо, но мне интересно понять, почему так 🤨

Основная часть населения планеты застала 3 технологические революции
⏺ Компьютеры
⏺ Интернет
⏺ Смартфоны

Но ни одна из них не была настолько быстрой и всеобъемлющей

То, чему многие учатся несколько лет и думают, что этот навык будет кормить их еще 30 лет — теперь делается нейросетью за 10 минут. В моем окружении есть дизайнеры, проджекты и разработчики, которых можно спокойно заменить парой промптов уже сейчас.

AI-powered сотрудники будут в разы конкурентоспособнее 👨‍💻

Я предполагаю, что в 2025 году произойдет разделение на 10% тех, кто использует AI в своей работе и делают за день то, на что раньше уходила неделя.

И 90% тех, чей труд будет стоить дороже и выполняться значительно медленнее, чем сделанный AI. Соответственно, нанимать таких людей будет просто незачем

А что делать то?

Учиться. Много и быстро. Пробовать все подряд 🫂

Даже самые влиятельные люди в AI не знают, что выстрелит и как надо. Они скупают доли во всех AI стартапах. Что Sam Altman со своим OpenAI Startup Fund, что Microsoft, что Nvidia. Все инвестируют во все подряд, потому что никто не знает, что сработает а что нет

Про мой опыт

У меня уже нет интереса делать те задачи, которые я делал последние 5 лет
Зачем работать «по-старому», если через пару месяцев еще одну профессию оптимизируют. А затем еще одну и еще одну

• Зачем дальше изучать дизайн, когда я уже большую часть делегирую ИИ
• Зачем детально изучать программирование, когда LLMки справляются или будут справляться с этим лучше
• Зачем изучать другие языки, когда скоро появится real time translator
• Зачем изучать 3д, когда...
ну вы поняли

Из прикладных навыков я все больше времени стараюсь инвестировать в метанавыки

Сейчас 90% своего рабочего времени я изучаю
🔵 AI и кейсы использования
🔵 Автоматизация моих процессов
🔵 Создание продукта как solopreneur
🔵 Создание продукта и маркетинг без инвестиций и большой команды
🔵 Выстраивание личного бренда
В планах — заботать vibe coding 💻

Каждый день у меня уходит по 3–4 часа на взаимодействие с разными видами AI
Я переучиваюсь, ищу новые подходы и меняю привычки.
Пока не понимаю, куда это всё приведёт, но и оставаться в старой модели мышления мне было бы страшно

Одна из самых опасных мыслей для меня сейчас это «ну через пол года разберусь с AI, пока нет времени на это 🗿»

Я для себя решил воспринимать AI как новую префронтальную кору 🧠
И также, как ее развитие миллионы лет назад отделило нас от животных
Так и навыки работы с AI разделят людей на два лагеря

Как выглядит настоящий Product Market Fit

Еще один спонтанный пост родился, пока слушал подкаст про Lovable — делают SaaS, который позволяет через диалог с AI проектировать сайты и приложения

Стали самым быстрорастущим стартапом в Европе, и одним из во всем мире — 4mln$ годовой выручки за первые 30 дней после запуска, и 10mln$ ARR за 60 дней после запуска. Это по +1mln$ ARR в неделю.

Чтобы было удобнее ⚆_⚆еть — это около 80 млн рублей в месяц — через два месяца после релиза

Выводы из подкаста

1️⃣ Сейчас боттлнек при создании продукта переходит от «Who can build it?» к «Who knows what to build?»

2️⃣ Building in Public стал еще важнее. Сначала они выпустили GPT-Engineer как open source решение, собрали множество лайков и первых клиентов. И параллельно каждый день писали апдейты в твиттере (https://x.com/lovable_dev).

3️⃣ Хотите стать универсальным и дорогим профессионалом — станьте топ 1% AI tools пользователем

4️⃣ Продуктовый вкус, понимание пользователей и умение четко формулировать проблемы становятся ценнее, чем умение писать код, так как AI берет на себя все больше подобных задач

5️⃣ Про принципы найма в Lovable
⏺ Люди, которые действительно заботятся о продукте и пользователях
⏺ Высокие когнитивные способности
⏺ Стартап-мышление (скорость > процессы)
⏺ Генералисты с одним супер-навыком

6️⃣ Как эффективно освоить AI-инструменты
⏺ Реши одну реальную задачу только с помощью AI
⏺ Окружи себя людьми, увлеченными этим
⏺ Научись четко формулировать запросы
⏺ Практикуйся в объяснении того, что ты хочешь и ожидаешь
⏺ Проведи эту неделю, по максимому окружив себя AI тулами