Бизнес-модель продажи и использования ПО
Structured output решает одну из самых раздражающих проблем LLM-интеграций: модель наконец стабильно возвращает данные в ожидаемом формате. Но валидный JSON ещё не означает правильные данные. Разбираю, где заканчиваются гарантии JSON Schema и как провести границу доверия между LLM и бизнес-логикой Go-сервиса.
Один человек за сутки собирает аналог Discord (технически похоже, но "душу" проекта, аудиторию и репутацию, конечно же не скопировать), не написав ни строчки кода.
Красиво.
Но есть подвох.
Завтра таких проекто-копипастеров будет сотня.
Код дешевеет, SaaS плодятся, а настоящий гемор никуда не делся, то есть найти рынок, клиента и причину, почему тебе вообще должны платить.
Пятница, 25 сентября, 22:35. Я отправляю первый промпт: стену текста без единой запятой. В ней вперемешку всё сразу: хочу рабочий продукт вроде Discord. Чаты там сделаны так, что меня бесит, поэтому чат будет как в Telegram. Звук и стабильность как в Zoom, с передовыми кодеками. Ещё голос, роли и права, стрим экрана, PostgreSQL и отдельной строкой «эхо не должно быть совершенно».
Вечером следующего дня версия 0.3.1 уже стояла в проде: подписанные сборки под macOS, Windows и Linux, веб-версия, лендинг.
Я отправил 90 сообщений, 29 из них были скриншотами с подписью «сделай как тут». Строчки кода я не написал. Ни одного теста не запустил. Всё остальное сделали модели.
Продукт назвали Calab, код лежит на GitHub. Дальше будут цифры, стоимость в долларах и список мест, где нейросети ошибались. (Без него история выглядит слишком хорошо, я бы и сам ей не поверил.)
Шесть сервисов, где можно бесплатно получить доступ к Claude, GPT и другим топовым ИИ-моделям без привязки банковской карты. Проверил стартовые кредиты, реальные лимиты, доступные модели и ограничения: от $20 до $100 стартовых кредитов, а в отдельных сервисах — до сотен тысяч токенов и кредитов
Совсем недавно работа с ИИ почти всегда выглядела одинаково: открываешь вкладку, пишешь запрос, получаешь ответ — а дальше повторяешь итерацию.
Модель в самом деле может за минуту написать приемлемое письмо. Однако если таких писем нужно сорок, перед этим нужно проверить сорок компаний, достать данные из CRM, пройтись по сайтам, а потом вернуть результат обратно — магия довольно быстро увядает. Вместо одной работы появляется новая: таскать контекст между ИИ и всеми остальными инструментами.
Агентские среды, как концепт, появились чтобы сделать присутствие человека минимальным, хотя бы в этой части процесса. Модель получает браузер, файлы, API, доступ к приложениям и расписание — и запрос “подготовь письмо” можно превратить в “каждый вечер разбирай новые лиды, изучай компании, готовь персональные письма, а по четвергам собирай результат в отчет”.
Правда дать модели браузер и разрешить ей нажимать кнопки не то чтобы достаточно, чтобы получить полезного агента. В рабочей среде быстро возникают нудные, но необходимые вопросы: как постоянно держать агентам подключенным к системам компании, где заканчивается автономность и начинается согласование с человеком и, наконец, как упаковать это все для пользователя.
С KodikChat мы решили строить именно такой продукт: среду, в которой агенты могут органично встроиться в налаженные системы, выполнять повторяющиеся процессы и приносить человеку уже собранный результат.
В обычном backend fallback обычно означает: тот же контракт, другой исполнитель. С LLM всё сложнее — резервная модель может вернуть валидный JSON, но изменить смысл результата. Разбираю, почему retry и fallback нужно разделять, как учитывать деградацию качества и когда честная ошибка лучше «успешного» ответа другой модели.
На 220 черновиках ответов поддержки нашли 37 обещаний участия человека, которые пропустили наши правила. Рассказываю, как разбирали расхождения с Jev, что осталось от результата после выбора порога и почему этого замера ещё недостаточно для автоматической эскалации.
В тариф включено 5 млн токенов. Клиент уже использовал 4,8 млн и отправляет новый запрос на 500 тысяч. Кто должен решить, можно ли его выполнить?
Ответ зависит от того, кто считает потребление. Сервис может сам вести счетчик и контролировать лимит либо передавать события в биллинг, оставляя ему учет накопленного объема.
В статье разбираю распределение ответственности между продуктом и биллингом: кто фиксирует использование, кто считает потребление, кто контролирует лимиты и где рассчитывается стоимость.
Один интерфейс LLMProvider быстро перестаёт быть достаточным, когда в SaaS появляются разные модели, требования к приватности, fallback, стоимость и observability. Разбираю, как вынести эти решения в отдельный AI Gateway на Go и не размазать AI-логику по всему backend.
Часто задаюсь таким вопросами:
• что будет с моими активами через 5 лет, если взять квартиру в ипотеку?
• стану ли я богаче или же беднее от этого?
• смогу ли я выплатить вообще с текущими доходами и расходами всю ипотеку?
• а если не смогу, в какой момент получу кассовый разрыв?
Ипотечные калькуляторы считают только платёж, а в Excel нужно знать тонну формул для учета всех нюансов расчетов во времени, да и наглядность в эксель сильно хромает.
Поэтому для получения ответов на свои вопросы, решил написать движок, который симулирует движение денег между счетами, и посчитал на нем два базовых сценария:
• снимать квартиру и параллельно гасить ипотеку
• или взять жильё на миллион дороже, сразу заехать и отправлять сэкономленную аренду в досрочное погашение.
Второй вариант закрыл ипотеку почти на год раньше, а процентов банку ушло столько же - хотя взял я на миллион больше.
Rezi получил более 11 тысяч аккаунтов после запуска на Reddit, а затем развивал продвижение через поиск. Разбираю, как команда выбирала страницы и инструменты, и предлагаю эксперимент для своего SaaS.
Несколько месяцев назад мне понадобилось заключить договор с Леноблводоканалом. Казалось бы, обычная бюрократическая задача: отправил документы, получил ответ, подписал договор. На практике ответа долго не было. Юриста у меня не было. Зато был AI.
Я описал ситуацию, приложил документы и попросил помочь разобраться, какие у меня вообще есть варианты. В результате подготовил две жалобы в УФАС. Через некоторое время история сдвинулась с места, и договор со мной в итоге заключили.
Не хочу делать из этого вывод в духе «ChatGPT заменил юриста». Наоборот. Когда я позже посмотрел на этот процесс уже как backend-разработчик, самым интересным оказалось другое:
обычный чат — довольно плохая архитектура для решения подобных задач.
Именно из этого наблюдения появилась идея небольшого SaaS-проекта.
Как Web3Forms находил первых клиентов и почему готовый пример формы может стать частью продвижения API. Разбор источников и эксперимент для своего SaaS с событиями, которые стоит измерять.
Miro продали в 13 раз дешевле оценки 2021 года, и я пошёл считать, что вышло из нашей попытки уйти от подписок. За год мы заменили Tilda, Confluence, Jira и Slack своим кодом, целей было две: экономия и гибкость. Экономии не получилось: по полной ставке сеньора и с учётом владения первый год ушёл в минус около 2 млн. Гибкость, кажется, получилась, и выяснилось, что трекер до рабочего состояния доводит не разработчик, а скрам-мастер. В статье цифры по четырём заменам, инцидент с уязвимостью в авторизации, который заставил поставить ревью второй нейронкой, и критерий из трёх вопросов, что переписывать не стоит.
Postiz можно установить на своём сервере или оплатить облако с теми же возможностями. Разбираю, как открытый код, интеграции и страницы сравнений связаны с продвижением продукта, и предлагаю эксперимент для своего SaaS.
Какой биллинг нужен стартапу для первого платного запуска? Подключить приём платежей — мало, но и полноценная система расчётов на старте не нужна. Разбираю, что должно войти в MVP биллинга, а какие сценарии можно оставить на потом.
Шесть российских RPA‑платформ, более 300 критериев и тысячи страниц документации. В начале исследования мы ожидали увидеть привычный для enterprise‑рынка разрыв между несколькими лидерами и остальными участниками. Вместо этого обнаружили сформировавшееся ядро зрелых платформ, каждая из которых способна работать в крупном корпоративном контуре.
Это не значит, что продукты одинаковы. Наоборот, различия есть, но искать их нужно не в базовом списке функций. Они проявляются в архитектуре, эксплуатации, требованиях к команде, работе с отечественной инфраструктурой, ИИ‑возможностях и полной стоимости владения.
В конце июля июля мы опубликовали исследование «RPA Круг Громова 2026». В этой статье расскажу, как мы его делали, какие гипотезы не подтвердились и на что смотреть заказчику, если пункт «умеет создавать программных роботов» уже ничего не объясняет.
Проверил 6 AI API-сервисов с бесплатным доступом: VyceAI, Experiential, Dahl, APInex, ModelRouter и TokenForge. Сравнил доступные модели, стартовые лимиты, RPM и поведение API на практике.
Сегодня только самый ленивый уже не попробовал создать свой SaaS. И я это знаю, так как руковожу маркетинговым агентством, которое больше 10 лет специализируется на продвижении SaaS-сервисов, и мы тоже параллельно делаем несколько собственных SaaS-продуктов, за маркетинг которых я плачу из своего кармана. И ко мне переодически приходят за консультацией по поводу продвижения разных SaaS. Поэтому, учитывая, что за эти годы мы собрали микс работающих каналов для десятков клиентских, я решил написать статью, в которой расскажу, что работает в России, а что за рубежом и что из этого доступно для российских основателей, чем продвижение B2B SaaS отличается от B2C, и с чего бы я начинал сегодня.
Отток в массовом B2B SaaS почти всегда рождается не в недовольстве продуктом, а в первых днях после покупки, до того как клиент дошёл до реального результата. Чинит его онбординг, а не запуск программы удержания.