10691
Мои мысли про стартапы и продукты. Байрам Аннаков, фаундер and CEO onsa.ai - автоматизация B2B продаж Мой YouTube: https://www.youtube.com/BaykaAnnakov Мой LinkedIn: https://linkedin.com/in/bayramannakov
Я несколько лет назад писал про Бейнхокера и идею применить принципы биологической эволюции к разработке продуктов. Похожую мысль озвучивал Eric Ries - стартап-дарвинизм. Недавно решил проработать эту тему в практическом русле - выкладываю запись воркшопа по этой теме, правда на английском.
https://youtu.be/yXMu38WLPFE
В эту же тему мой недавний пост про асимметрию VC и фаундера
Замутить такое же на русском, может?
AI User Boards
Недавно прочитал мощную статью про использование LLM в социальных экспериментах (Stanford, Princeton, Harvard и мой любимый Santa Fe) и как раз сегодня на 2м занятии курса AI Product Engineer кодили мульти-агентную систему для виртуальных user boards.
Ключевая идея: промптим LLM-ки на то, чтобы они вели себя как персоны нашего продукта, "помещаем" их в одно виртуальное пространство, и запускаем их общение с фасилитатором для обсуждения новой фичи или продукта (см выдержку из такого обсуждения).
В аттаче слайд про + и - такого подхода, но если вкратце то:
1) это не замена, а дополнение к user research; это такой пре-тест гипотез для настоящего ресерча
2) для текущих продуктов персоны можно и нужно граундить на данных из внутренних систем: метрики, тикеты в саппорте, пользовательские исследования, отзывы и тп. Для новых же - можно использовать базы а-ля persona hub
3) это быстро и дешево
Когда кодил систему то осознал:
1) как важно дать возможность AI персонам быть в одном контекстном поле, "слышать" ответы друг друга и "развивать мысль"
2) как важно передать управление разговором LLMке, а не жестко кодить его, чтобы дать возможность задавать уточняющие вопросы
А вы что думаете про такую тему?
Очень хороший выпуск у Lenny с CPO OpenAI Кевином Вейлом - срезонировало:
1) Продакты должны приходить с прототипами, а не спеками - писал про это тут
2) Что важно понимать, как работают LLM и как их тестировать, писать evals - тут было про это и тут
3) Проектировать продукты и фичи на опережение, с учетом темпов улучшения модели
4) Про мультиагентов и ансамбли моделей
5) Про важность агентности у продакт менеджеров, которых они нанимают в OpenAI
6) Думать о модели как о человеке - я писал про это тут и еще на днях смотрел отличнейший доклад от Anthropic о том, как проектировать агентов
7) Он повторил свою controversial мысль о том, что чат - это лучший интерфейс для человека
Если лень смотреть, то попросил дружбана выделить ключевые идеи
Рекомендую!
На днях был в гостях у NoML сообщества и де факто рассказал первую часть вот этой презентации - enjoy!
https://www.youtube.com/live/71J-mmTzVUM?si=SRUw-noOAAENRxB9
P.S. ну и last call на курс - нас уже собралось 40!
"Меняют софт как перчатки"
Помню, в какой-то момент в магазинах появились одноразовые фотоаппараты и я поверить себе не мог, что это возможно. Фотоаппарат всегда мне казался достаточно дорогой штукой, и это застряло в голове. А тут можно взять, пофоткать на свадьбе друга, и утилизировать.
Про кастомный софт, который становится возможным с падением стоимости разработки и барьеров для входа, я считаю происходит та же ситуация: "олды" начинают говорить про то, что софт надо поддерживать и тд итп, и поэтому ну не будет каждая компания делать себе свой софт. Пользуясь аналогией выше, есть много юзкейсов достаточно редких, чтобы сейчас под него пилить и поддерживать софт —> вот именно для таких ситуаций мы увидим кучу tailor-made одноразового софта. И это совершенно новый рынок имхо.
А вы как считаете? Какие есть редкие edge кейсы, под которые ваш вендор либо не хочет пилить софт, либо вы даже не задумыветесь о том, чтобы искать что-то на рынке, так как это ну оооочень специфичная проблема с обьемом рынка ~ 1?
ChatGPT постепенно формирует совершенно новую «норму» в подходах к коммуникации и UX. Я бы сравнила это с тем, как мы ориентировались на iOS Human Interface Guidelines или Material Design — с их фокусом на визуальной согласованности и понятности интерфейсов. Сегодня в центр внимания логика общения, умение понимать и адаптироваться к контексту пользователя.
По сути, GPT задаёт новый стандарт того, как продукты могут и должны общаться с людьми: более естественно, тонко и персонализированно. Это не просто о внешнем виде, а о том, как именно интерфейс взаимодействует с человеком, насколько он способен учитывать нюансы человеческого восприятия и намерений.
Например:
⚫️Сценарное мышление
Вместо однозначных инструкций — варианты действий, из которых пользователь выбирает наиболее подходящий ему путь. Пример: 1. Любой навигатор предлагает несколько маршрутов на выбор 2. Airbnb предлагает разные сценарии путешествия: романтический уикенд, деловая поездка, отпуск с детьми — каждый со своими подсказками и вариантами жилья.
⚫️Zero UI с ясной логикой
Максимально ясная логика взаимодействия при минимуме интерфейсных элементов. Пример: не обвешивать полезную информацию/целевое действие визуальным мусором.
⚫️Контекст
Обработка текущего контекста и прошлого опыта взаимодействия пользователя для создания максимально релевантного ответа. Пример: учитывать время суток и местоположение пользователя при работе сервисом.
⚫️Проактивность
Помощь ещё до того, как пользователь почувствует затруднение. Пример: предлагать варианты исправления сообщения в зависимости от того, кому он его пишет.
⚫️Разделение сложных задач
Автоматическое разделение сложных задач на понятные и простые шаги, облегчая взаимодействие. Пример: Webflow делит создание сайта на пошаговый процесс: выбор шаблона → настройка стилей → настройка взаимодействий → публикация.
⚫️Ну и копеечка от Deep Seek: Deep Thinking
Глубокое осмысление запроса и отображение процесса работы. Пример: 1. Midjourney не просто сразу выдаёт готовый результат, а показывает постепенные шаги и эволюцию создания картинки, что позволяет пользователю понять процесс работы. 2. Полезно использовать при любой долгой загрузке, когда пользователю приходится ожидать результата.
К чему это я?
Используя эти подходы, мы создаём интерфейсы, которые ощущаются как диалог с живым, понимающим собеседником. Это не просто про удобство — это про доверие, вовлечённость и настоящую человечность в цифровом опыте.
State of AI 2025
Готово очередное издание уже запомнившегося нам индекса AI от Стенфорда
Моя любимая диаграмма с падением стоимости инференса в аттаче - в 280 раз за 18 месяцев
Вот тут 10 ключевых диаграмм из отчета
Кажется, пора делать очередную state of the union встречу - ставь 💯 если да. Наберем 100 и сделаю
10 инстинктов Рослинга
Иногда возвращаюсь к этой методичке величайшего Ханса Рослинга про наши ошибки суждения.
Вы наверное его помните: такой «чокнутый» профессор, который всему миру показал наши заблуждения про «развивающиеся» страны. Эта методичка учит, как тренировать свой процесс размышления не делать ошибки обобщения, экстраполяции, суждения в изоляции, неучета медленных изменений и тп.
Даже зная эту методичку, ваш покорный слуга все равно грешит ими. Поэтому не будьте как я, почитайте его.
Найдите время сегодня, пересмотрите, и примерьте к любому тексту. Хотя бы к этому посту! :-)
И расскажите в комментариях, что у вас получится
AI 2027: от "спотыкающихся" агентов к ASI
Очень прикольный проект сегодня запустили: де-факто это сценарий прогресса AI в ближайшие 3 года с 2025 по 2027. Это не просто science fiction, выводы и сценарии отталкиваются от глубокого ресерча, но все равно это размышления о будущем (как в классическом сценарном планировании). Причем в конце ресерча можно выбрать свой вариант развития событий и посмотреть, что в таком случае произойдет. Я, разумеется, почитал оба сценария, изначально выбрав Race :)
Итак, что же нас ждет?
1) лето 2025 - "спотыкающиеся агенты": в теории работают как или даже лучше людей, пишут код как не в себя, ресерчат интернет обо всем для людей. Но на практике они спотыкаются: ненадежны, дОроги. Но некоторые компании-таки встраивают их в рабочие процессы.
2) конец 2025 - условная компания OpenBrain (любая из топ компаний мира сейчас) строит самый большой датацентр в мире, другие - следуют за ней. Ключевая задача - ускорить AI ресерч (помните, встречу по GenAI, когда мы разбирали отчет Situational Awareness?).
3) лето 2026 - Китай. DeepCent (хорошая пародия на Tencent и DeepSeek) добивается успехов даже с экспортными ограничениями на чипы, отстает от OpenBrain месяцев на 6. Национализируется и централизируется весь AI ресерч, ну и шпионы не бамбук курят, а пытаются своровать веса у OpenBrain.
4) конец 2026 - AI отбирает работу у джуниор разработчиков, но спрос огромен на тех, кто умеет менеджить и контролировать качество AI команд (как раз про это мы на курсе говорим). Ну и протесты анти-AI-щиков в Washington DC.
Далее читайте сами :)
Я люблю сценарии, потому что они рассказывают яркие истории, которые делают ресерч доступным, "двигают" людей к действию в доступном и понятном нарративе. Поэтому настоятельно порекомендую почитать и потыкать!
Как заработать триллион
Нет, меня не взломали :-)
Разбираемся: или рынки сильно недооценивают ИИ, или можно заработать триллион. Такой вывод делается в статье “Artificial General Intelligence & Efficient Market Hypothesis”.
Вкратце мысль достаточно проста: текущие долгосрочные процентные ставки будто совсем не верят в трансформационную силу ИИ, как в позитивном (бешеный рост экономики), так и в катастрофическом сценарии (мы все умрем). Слишком умеренные. Поэтому можно сыграть на рынке.
Вообще, об этом парадоксе говорят уже некоторое время. Конечно, никто и не верит, что Мистер Рынок всегда прав, было много случаев, когда он ошибался. Хотя в случае долгосрочных процентных ставок и экономического роста обычно нет, судя по графикам и доказательствам авторов статьи.
А вы как считаете?
История DoorDash
Очень понравился эпизод подкаста YC с фаундером DoorDash Тони Ху:
1) как они наблюдали за работой ресторана - прямо ходили весь день за человеком - и увидели книгу "отказанных" заказов и не могли понять, как это так? —> эмпатическое проектирование
2) как сами доставляли товары и это позволяло лучше понять клиентов - мамы с детьми —> do things that dont scale
3) про создание рынка (дать доставку ресторанам, у которых ее нет) vs обслуживание текущего (рестораны с доставкой) —> моя ошибка с RuBeacon, имхо
4) про 3 задачи маркетплейса и как они решали их
5) про "listen to the customer, then run a test" и аналитику - вместо центров городов уход в пригороды и инсайт, что доставка нужна там, где рядом нет ресторанов
6) про сложности с фандрейзом и как 2 раза почти не вышли из бизнеса, про "all you need is one investor to say yes"
7) про органический рост и скейлинг, про необходимость достичь определенного обьема, чтобы экономика сошлась, про то как продвигали своих конкурентов в своей рекламе
И другое
я прямо очень рекомендую, чувак очень глубокий имхо
начинаем через 10 минут
подключайтесь: https://pyn-ru.zoom.us/j/98022590982?pwd=GUy0YTWXOJz2f2ec9rkVpSsWluSEM2.1
Асимметрия VC и фаундера - Размышления пост
Вы наверняка знаете про асимметрию в размере риска у VC и фаундера:
1) VC использует портфельный подход и параллельно «тестирует» сотни идей, чтобы из нее выстрелило несколько. Назовем это - вширь.
2) Фаундер же вкладывается в одну идею, принимает гораздо больше рисков, и в случае неудачи теряет годы своей жизни. Назовём это вглубь.
Разговорились тут со знакомым о том: а как и фаундеру применить портфельный подход? Может ли в этом помочь AI, снижающий стоимость создания продукта и тестирования оного рынком? Можно ли применить «биологическую эволюцию» и копировать, рекомбинировать, и отбирать лучшие варианты, чтобы не уходить слишком вглубь? Можно ли обмениваться с фаундерами других продуктов долями, эдакое товарищество? Или может есть еще варианты?
Хочется порассуждать как выравнивать эту асимметрию, поэтому велком в комменты
на этой неделе, в четверг сделаем стрим про linkedin вместе с @ProductsAndStartups и @thefutureofwork
это не про то, как писать посты на 200 лайков, или как выстраивать автоматические цепочки аутбаунда.
скорее попробуем сделать реверс-инжиниринг главного продукта и самой компании
подойдет больше для тех, кто строит продукты поверх linkedin или интересуется социальными продуктами
затронем такие темы:
1/ почему linkedin оказался устойчив к демографическим циклам и до сих пор остается единственной рабочей площадкой. кто и когда может прийти на смену?
2/ linkedin и b2b SaaS продукты, построенный поверх соцсети. почти у каждого сейлза — это основной инструмент. но что мешает linkedin самому превратиться в полноценный crm? и почему до сих пор нет? как внутри компании принимаются продуктовые решения, кому давать api, а кому — нет?
3/ контент и linkedin — как он стал главным каналом для b2b бренда и лидгена? и что происходит с приходом генеративного контента?
4/ карьера как продукт
как linkedin формирует представление о карьере? как влияет на поколение профессионалов? как люди используют linkedin для сигнализации статуса: где работают, что пишут, какие сертификаты выкладывают. как это встроено в продуктовые механики?
5/ неудавшиеся эксперименты linkedin
linkedin stories, linkedin events, marketplace — что они пробовали, что не взлетело, и что это говорит о продуктовых гипотезах команды?
приходите — формат свободный, без презентаций, больше из темы продуктовой философии.
время: 27 марта, 17:00 CET
добавить в календарь
Pull vs Push
Одна из черт, которые отличают новых и матёрых фаундеров, по моим наблюдениям, легко описывается pull vs push.
На старте практически никому нет дела до твоего продукта. Матерый фаундер это знает. Поэтому он каждый день начинает с вопроса: кто еще должен узнать о моем продукте и как эффективнее всего это сделать? Он понимает, что это numbers game и надо просто планомерно этим заниматься.
Новоиспеченный же - ждет, что за него задачу дистрибуции решит акселератор, инвестор, партнер, консультант, директор по продажам. Веря в истории, что чуваки за 30 дней лонча заработали 10М, и с ним будет именно так же. И, за исключением выбросов, эта стратегия ни к чему не приводит. А потом мы делаем пивот.
Google Play для агентов?
Попробовал сегодня agent-2-agent протокол от Google - класс! Это то, о чем мы думали в onsa.ai (см. выдержку из внутреннего дока в конце поста) —> не удивлюсь, если google скоро сделает а-ля google play для агентов, и можно будет на лету подключать этих агентов в свои чаты. И даже платить :)
Вкратце:
1) создаешь агента на любом фреймворке: crewai, langgraph, google adk и тп
2) описываешь карточку агента
3) экспоузишь карточку в интернет
4) подключаешь агента по адресу, считывается карточка, и агенту-клиенту/оркестратору понятно, как общаться с этим агентом
Вот видео классное по теме + скриншоты, когда поднял у себя демку
"Core Architectural PrinciplesЧитать полностью…
1) Open Agent Interface (OAI) - OpenAPI-like agent declaration
Every AI agent must expose a clear interface—think of it like an “API for AI”
Agents should be discoverable through a registry or directory, so other agents can easily learn who they are and how to interact with them.
2) Inter-Agent Autonomy & Collaboration
Agents should be designed to autonomously seek out other agents if they cannot complete a task on their own.
Agents might even “pay” or “reward” each other for services or compute resources.
3) Modular, Extensible Design
New agents must be able to plug into the ecosystem easily.
Keep interfaces stable and versioned to avoid breaking changes.
Support third-party agent integration to enrich capabilities.
4) Agent Recruiting & Handshaking
Standardize a handshake protocol so any agent can “recruit” another agent.
Include the possibility of negotiated terms (e.g., how many resources or tokens are required to complete the request).
5) Unified Task Planning & Execution
Agents should provide introspection capabilities—so they can communicate what tasks they can handle, how they handle them, and what constraints they have.
A master planning agent or orchestrator can use these declarations to build complex workflows.
"
AI in Action: Scaling B2B Sales with Automation and Intelligence
Join us online on April 21st for a special event where I’ll share key lessons and practical insights we’ve learned from automating sales processes with AI.
I’ll then be joined by Abhinav Kumar, Chief of Staff at Alma, for a discussion on their real-world experience integrating AI into their sales processes.
More details and registration: https://lu.ma/ntymsehf
Feel free to forward this to your colleagues and friends
как вам veo 2?
хотел сделать мини-ролик про эволюцию от идеи к приложению на телефоне, это zero shot, просто написал так:
a time lapse video an idea evolving from a sketch on a paper through design, then coding, into a final mobile app in the hands of creatorЧитать полностью…
AI Growth Sprint: Scale Your B2B AI Startup in the US Market
If you're leading a B2B AI startup targeting the US market, this is for you (thus this post is in English).
After successfully helping numerous startups scale their sales and go-to-market strategies, I've created a dedicated, focused program called the AI Growth Sprint.
Here's what one of our customers says about working with onsa.ai:
“onsa.ai completely transformed our outbound sales! It delivers high-quality prospects that actually convert. The ROI is incredible, and it's a channel we can easily scale. An absolute game-changer for our company!”
– Aizada Marat, CEO & Founder, Alma
Митап в Алматы #2
26 апреля снова буду в Алматы - прошлую встречу я закончил мыслью про агентность и что наша работа сильно трансформируется. Собственно на этой встрече поговорим как раз про это, про профессию AI Product Engineer, про то, как управлять командами AI агентов и какие скиллы для этого требуются. Де факто по мотивам моего курса (кстати, до воскресенья можно присоединиться к нему)
Регистрируемся
Окс, наш дизайнер, размышляет про интерфейсы (см пост ниже).
Как я писал ранее, chatGPT имеет большой mindshare у пользователей в западном мире и поэтому, мы думаем, сильно формирует ожидания пользователей от подобных продуктов. И важно изучать и ловить эти паттерны. Ну и они не чураются воровать заимствовать у Claude (канвас), DeepSeek (reasoning trace) у других
Answer Engine Optimization
В субботу на фаундер школе у нас была в гостях моя друг и предприниматель - Наташа Шагарина - и она высказала мысль, что при смене технологической парадигмы обычно меняется и система дистрибуции (smartphone —> mobile ads). Уже некоторое время я слышу про оптимизацию своих продуктов под chatgpt-подобные сервисы и тут узнал, что этому уже дали термин - Answer Engine Optimization.
Основная идея: контент на странице своего продукта выдавать в виде, оптимальном для LLM: вопрос-ответ, llmstxt и тп. Делюсь Deep Research от chatGPT и Gemini для интересующихся
Кстати, стало интересно: кто-то из вас уже делает это? какие результаты - например, доля трафика с assistant-ов?
1 Daily Deep Research
Попросил chatgpt каждый день мне советовать 1 идею, какой топик глубоко поресерчить с ее помощью для роста onsa.ai. Лучше любой книги и подкаста, если честно.
Рекомендую! Все больше считаю, что chatgpt не хватает проактивности. Ну или слишком дорого это. Как раз с друзьями вчера обсуждали аналогию web 1 vs web 2 и AI эволюцию: что сначала (web1) все было больше про поиск и чтение. Такой pull формат. А потом ушло в user-generated интернет и пуш (email рассылки). Вот интересно даже как будет в этом случае
Выложил отрывок с 1й лекции курса, который стартовал: он как раз по мотивам этого поста
Надеюсь, будет полезно вам! До 2й встречи, которая будет 13 апреля, можно присоединиться к курсу
https://youtu.be/Pds4xcCpUq8
Я несколько раз упоминал dwarkeshpatel?si=4EwV9WEHZo2sVPtU">Дваркеша и его подкасты. Он написал классную книгу про LLM по мотивам своих интервью - проглотил ее просто! Купить можно уже электронную версию или ждать до июля печатной
Как я написал своему другу после прочтения:
«просто купи эту книгу»
Как работать с недоверием технологии
Зачастую у компаний побольше нет доверия к новым технологиям: они галлюционируют, ошибаются, не умеют складывать и считать колво букв r в strawberry, и тп. И мы, стартаперы, пытаемся их убедить: кто-то дает ее бесплатно (не делайте так!), кто-то за moneyback guarantee, кто-то - пытается убедить/надавить/продавить.
Для меня неустойчивость LLM чаще напоминает человека: мы тоже иногда галлюционируем, ошибаемся и тп. Как мы решаем это недоверие?
- Human in the loop - ставим контролирующего на проверку результатов работы сотрудника
- Процессы - ставим процессы/чеклисты на проверку и напоминание сотруднику, пытаемся не позволить ему сделать ошибку
- Страхуем - передаем риски третьей стороне
В случае LLM имхо все так же: паттерны для 1 и 2, но вероятно самый непроработанный пока - лишь третий путь. Я начинаю экспериментировать с ним: предлагать неустойку за ошибку. Эдакой SLA agreement, но чуть глубже - посмотрим что выйдет.
А вы как страховали или страхуете риски и, соответственно, недоверие?
P.S. Про 1 и 2 подробно на курсе AI Product Engineer, стартующем в это воскресенье: посмотрим как паттерны, так и как их реализовывать для своих систем
Если вы используете Hubspot, то нужна ваша помощь, пожалуйста
Мы сделали приложение для Hubspot, которое на текущий момент уже дает детальную инфу по любому контакту (см. пример в аттаче) из публичных источников, но дальше будет больше. Это удобно и для подготовки к звонку с человеком, и просто для более полного понимания что происходит с ним и с его компанией
Не могли бы вы плиз проделать инструкцию и поставить наш апп? Нам это нужно, чтобы пройти ревью приложения в hubspot store
Заранее спасибо большое!
Похожая мысль понравилась из интервью фаундера Harvey:
2 критерия для выбора индустрии для автоматизации при помощи LLMЧитать полностью…
1) результат деятельности - текстовый? Тут понятно + я думаю, что это было актуально 2 года назад, но сейчас смело можно добавить аудио и картинки, через год-два наверное и видео
2) сколько стоит токен? Типа в корпоративной юриспруденции это очень дорого, например SPA (соглашение о покупке акций) может быть меньше 100 страниц текста, а стоить минимум сотни тысяч долларов
fyi - у нас будет стрим с Даней и Женей про LinkedIn, присоединяйтесь
Читать полностью…
Как выбрать между жестким алгоритмом и LLM?
Продолжая этот пост про (не)детерминированность я попробовал набросать правила для принятия решения о том, когда юзать конкретный алгоритм, а когда лучше отдать решение LLM - получилось следующее:
1. Для начала надо определиться с тем, что я подразумеваю под каждым понятием:
- детерминированные системы - основаны на жетских правилах, производят один и тот же результат для одних и тех же входных данных. Стабильны, но "жёсткие".
- вероятностые (недетерминированные) системы - учатся на данных, делают статистические "выводы", непостоянные в выходных данных при тех же входных.
2. Критерии для выбора:
- Степень открытости проблемы - насколько хорошо мы можем описать проблему, треюущую одной из 2х систем для ее решения? Насколько неоднозначна проблема?
- Достаточность данных - есть ли достаточно данных (количество и качество) для построения системы, обучающейся на данных?
- Толерантность к ошибке - можем ли мы позволить себе неопределенность в результатах? Можем ли мы застраховать эту неопределенность?
- Стабильность проблемы или окружения, для которой решается проблема
- Нужна ли нам "обьясняемость" решения - то есть, чтобы мы могли обьяснить, как именно мы превратили входные данные в выходной результат?
- Ограничения по времени и иным ресурсам - обычно детерминированные системы требуют значительном еньше ресурсов
- "Оппортунистическое" поведение - действует ли против нас адаптивная система, которая постоянно меняет входные данные, чтобы "сломать" нас?
- Нужно ли для решения проблемы "общее знание" (common sense) или решение ограничено малым количеством возможных ответов?
Список неполный - буду рад за фидбек как по текущим критериям (важный или неважный, может нужно докрутить), так и по нехватающим.
P.S. Об этом, кстати, будем говорить на курсе, стартующем в следующие выходные