Метод трёх К: как понять, кто в твоей сфере профи, а кто просто красиво говорит.

Сегодня у нас в команде был важный день — встреча с очень крупным заказчиком в его офисе.

Спойлер: встреча прошла классно.
Пока ехала, решила поделиться нашей идеальной формулой переговоров. Неважно кто ты, фрилансер, стартап, или тот, кто сам ищет подрядчиков — ты всегда кого-то убеждаешь. Продаёшь себя. Или выбираешь тех, кому доверить свой продукт, бюджет, бизнес.

И вот универсальная формула, которая работает в обе стороны — метод трёх К. Это базовая математика доверия.
Если ты хочешь, чтобы тебя выбрали — или не облажаться, выбирая других — читай внимательно.

Представь, что ты пытаешься продать себя «заказчику» — будь то клиент на фрилансе, инвестор стартапа или корпорация. У тебя есть всего пару минут на самопрезентацию. Что сказать, чтобы тебя точно взяли в проект? Для таких случаев есть подход, которым пользуются многие корпорации. Метод 3К. Его суть — три кита успешного сотрудничества: компетентность, кейсы , команда.

IT Решения сегодня предлагают все: от стартапов до ноунейм-агентств с сайтом на Tilda. На словах — у всех “уникальные решения”. На деле — ноль опыта и не одного кейса с метриками. Как понять, с кем вообще можно работать, а с кем надо вежливо попрощаться?

Если у подрядчика или у тебя самого не сходится хотя бы одно из трех К — скорее всего, это утечка бюджета.

1. Компетенции

настоящая техническая экспертиза (в нашем случае ML, AI, LLM, архитектура),в вашем бизнесе что-то свое .

Как проверить (привожу пример на AI) :
- Тебе, как клиенту, могут объяснить, почему задача НЕ решается с помощью excel или обычным промтом
- Команда, фрилансер, делали не только MVP, но и production-ready решения.
- Работают не только через API OpenAI, но и умеют кастомизировать и деплоить модели on-prem.

Для фрилансера:
Иди в глубину. Prompt-бота сделать, это конечно классно. Но намного более классно объяснить, как сжать inference time x3 и не потерять точность (например).

2. Кейсы
Реализованные проекты, ПОХОЖИЕ на задачу клиента. С понятной бизнес-ценностью и результатом В МЕТРИКАХ.

Как проверить:
- У подрядчика есть кейсы из нужной или близкой отрасли.
- Не просто “мы сделали крутого ассистента”, а что именно автоматизировали, насколько снизили ВРЕМЯ /СТОИМОСТЬ.
- Есть цифры/результаты.

Кейс — это валюта. Рассказывай о каждом проекте как о задаче: Было — Сделали — Получили/сократили/заработали/повысили в метриках. Крупные клиенты любят цифры .

3. Команда

Кто Вы? Реальные люди, которые будут делать проект. С лицами, биографиями и личным треком. Не “15+ лет опыта у команды”, а “вот Сережа ! Он 4 года деплоит LLM-агентов в в сфере ритейла. А это Вася. Он у нас ученый. Доцент кафедры N. Отвечает за R&D.

Как проверить:
- Кто будет PM-ом? Кто архитектором?
- Есть ли у команды публикации, open-source, конференции?
- Говорят ли они на языке бизнеса? Это очень важно. Особенно если заказчик в поиске ML-инженера, который по сути своей не про бизнес, к про архитектуру.

Если ты фрилансер, ты — команда. Презентуй себя как связку: аналитик + архитектор + бизнес-смысл. Даже если это всё ты один.

В общем метод 3К — это крутой и понятный фильтр. На входе: куча презентаций. На выходе: 1–2 вендора, которые реально могут внедрить, настроить, дать эффект.

Кстати. Эти и другие вопросы мы обсудили с Антоном в подкасте о котором я рассказывала в прошлом посте. Делюсь трейлером и жду анонса:)

У меня тут подкаст вышел , аж 10 дней назад. А мы до сих пор его не анонсировали. Очень насыщенное (работой) лето 🌚.

Стала первой девушкой-гостем на Сережином канале.

Поговорили об IT, моем крипто бекграунде, искусственном интеллекте, найме, предпринимательстве, жизни и работе за рубежом и немного о личном :
— как из гуманитария взрастить в себе бизнес и IT специалиста
— зачем девушке разбираться в крипте и искусственном интеллекте
— и немного про мужчин и отношения

Для тех , кто знает меня не очень хорошо подкаст станет отличным погружением в мою жизнь, мышление и ценности. А еще я здесь отекшая после тренеровки😄.
Приятного просмотра 💫

https://youtu.be/RtUYigS2cec?si=qttV4ChXgTB4KbKL

В 6-м классе у нас был один парень Саша, вечно в кроссах чище, чем у остальных, и с рюкзаком, в котором всегда пряталось что-то, чего не было у других. Однажды он достал первый iPhone. И мы сели всем классом и зависли.
Пока мы щёлкали кнопки на Нокиях, играли в Змейку и слушали записаные на диктофон песни, блестящий сенсорный экран, который держал в руках Саша реагировал на прикосновения и отвечал. 3,5‑дюймовый мультитач казался экраном из фантастических фильмов. Мы передавали его по кругу, как священный трофей, и, конечно, никто даже не мечтал его тогда купить, просто стояли и смотрели, будто на кусочек будущего.
В тот момент технологии впервые заставили меня затаить дыхание.

У Саши всегда появлялись айфоны раньше всех. Первый 3G, потом iPhone 4 с FaceTime. Каждый раз, когда он доставал очередной, мы собирались вокруг, будто на полет первого космического корабля.

Сейчас я испытываю точно такие же и эмоции, когда выходит очередная обновленная версия GPT.

GPT‑5 выкатили 7 августа. Один стек для коротких ответов и последовательного рассуждения. Жирный контекст в 256 тысяч токенов, многошаговые задачи без потери нити. Меньше микроменеджмента, галлюцинаций, практичные агентские сценарии.

Агентский режим гоняет по агрегаторам и прямым сайтам, сравнивает условия и кидает готовые варианты, находит выгодные билеты , отели , товары на маркетплейсах под тематику.

Сам Альтман говорит,

что это первый раз, когда разговор с ботом действительно ощущается как беседа с экспертом с PhD.

А в режиме thinking (ее уже основательно затестила ) модель уходит в качественный глубокий ресёрч и возвращает быстрый ответ с качеством глубокого исследования и скоростью самой быстрой модели. Здесь прям кайфанула. Я очень много работаю с разноформатным текстом и разницу в качестве ощутила сильно. Сейчас активно прорабатываю рабочие кейсы в этом режиме.

«Субличности» Cynic, Robot, Listener и Nerd, если хочется «особенного отношения» и человечности 😄.

В общем Саша больше не приносит новые iPhone в школу, да я и себя в школу не приношу уже лет так 12. Но ощущение, будто ты наблюдаешь за запуском космического корабля, остались со мной по сей день. С каждым новым релизом.

Надеюсь, что он не растерял свой энтузиазм к инновациям, и уже затестил gpt-5, как и вы .😄

Когда твой язык любви — разговоры 🤡

6 дней назад вышло интервью :

https://youtu.be/UclrVWafRAI?si=l75lYUfrvq5GEfhr

с доктором Романом Ямпольским, ( кстати именно он один из первых, кто начал бить тревогу о том, что развитие AI нужно кратно замедлить, а исходный код «закрыть»), да и вообще один из первых, кто действительно много говорил об этике искусственного интеллекта.
Так вот в подкасте он говорит буквально:

«Сделать ИИ безопасным невозможно. Мы строим чужеродный разум и играем жизнями 8 миллиардов людей».

По его прогнозам:

2027 — появление AGI
2030 — роботы заменят физический труд
2045 — сверхразум, который мы не в состоянии понять
– главный итог: 99% безработицы

Он вообще любит нагонять «терминаторский вайб». Я его за это очень люблю 🤫. Но если убрать драму, то вот немного моих мыслей:

Абсолютной безопасности не будет.
ИИ невозможно “запрограммировать на добро” раз и навсегда. Но мы все свое существование находимся в системе, где нет абсолютной гарантии. Авиация, которая раз за разом доказывает нам, что даже если самолеты не падают, падает что-то другое🤡. Атомная энергетика, фармацевтика — везде риск, и везде работают с ним. ИИ такая же система.

99% безработицы? К 2030?
Автоматизация конечно вымывает профессии, но делает это значительно медленнее. Секретари, копирайтеры и кассиры исчезают, но появляются интеграторы ИИ, продюсеры моделей, дизайнеры цифровых миров. Любимый сценарий Ямпольского, где “однажды выключили всё человечество” невозможен, т.к экономика адаптируется волнами.

Какие риски реально должны напрягать:
– Монополия корпораций (OpenAI, Google, Anthropic и тд) = контроль знаний и технологий в одних руках.
– Китай, США, Европа идут абсолютно разными курсами.
И ценности у них абсолютно разные. В Китае жесткое ограничение open source, нет такой свободы на открытый «гуляющий» исходный код, а еще глобальная задача по подконтрольным государству закрытым моделям. (Все, за что топит Ямпольский).
– “Чёрные ящики” - чем мощнее модель, тем меньше мы понимаем, как она принимает решения.

Однако Китайская стратегия в ИИ (и не только) очевидно опасная. Она всегда не про “этику во имя гуманизма”, а про лидерство любой ценой.

Этика в целом штука очень НЕ универсальная. Те регуляции, на которые Европпа тратит годы, Китай внедряет, а уже потом адаптирует. То, что на западе считается нарушением прав, в Китае — естественный легитимный процесс.

В любом случае очень советую данный подкаст к просмотру.
Потому что главная мысль Ямпольского — развитие ИИ идёт по экспоненте, а методы контроля остаются линейными — действительно важна для «переваривания».

В этой формуле есть суть всей нашей реальности. Мы ускоряемся быстрее, чем учимся держать руль.

OpenAI презентовала SORA-2 — максимально киношно с возможностью создания настоящих экшенов с вайбом Игры Престолов. Ниже, двух минутный ролик, сгенерированный новой Sora.

Через режим Cameo — можно вытащить персонажа из одного видео и запустить в другом сценарии.

Ну и все-таки свершилось. Приложению с вайбом TikTok, но с ИИ роликами внутри — быть. Его так же выкатили вместе с основным релизом.

Трансляция открывается с двухминутного сгенерированного ролика.

Старт уже через 40 минут ! Присоединяйтесь по ссылке 🚀

Лояльность клиента гораздо меньше зависит от того, что ты продаёшь, и гораздо больше — от того, как ты это делаешь

Недавно мы проиграли крупный тендер, дойдя до самого его финала. И дело было не в нашей экспертизе и даже не в цене. Дело было в коммуникации.

Как это было. Заходим в крутой проект. Очень крупный заказчик, нестандартная задача, куча референс-сессий, несколько вариантов ТЗ. Ребята на стороне клиента взрослые, с хорошей насмотренностью, гигантским опытом и со своими шишками.

Они аккуратно и подробно раскладывали нам задачу на нескольких созвонах : куча ограничений, отсутствие референсов, много внешних источников данных. В общем море нюансов.

Ну и мы, конечно же, желая продемонстрировать уверенность и опыт, говорим что-то типа: «Да это несложно, мы такое уже делали, всё быстро сделаем».
И мы действительно понимали, как решить задачу. Поэтому мне тогда казалось, что мы как раз демонстрируем экспертизу и внушаем доверие– мол, всё под контролем. Но это работает иначе.

В enterprise почти всегда товарный рынок компетенций. В большинстве конкурсов ситуация похожая:
– у 3-5 подрядчиков плюс-минус похожие технологии
– плюс-минус схожие стеки
– у всех есть «кейсы», уверенность и «мы такое делали».

Клиент это понимает.
Поэтому фактически, он голосует не за «что» (функционал), а за «как»:
– кто лучше понимает задачу и ее сложность
– с кем меньше вероятность опозориться, на внутреннем конкурсе
– кто не сбежит при первых же сложностях

Поэтому выбирает он тебя, чаще всего не из-за «уникального предложения», а за то, что ты умеешь оценивать риски, находишься в контексте задачи, понимаешь , что делать, если в какой-то момент все пойдет по пизде, справляешься с его хаосом, политикой, кривыми данными и страхом выглядеть идиотом.

Но когда ты залетаешь с «ребята, мы такое делали сто раз», ты не успокаиваешь, а обесцениваешь его задачу и тревогу. Как будто говоришь: «да ладно тебе, не драматизируй». 🥱
Когда ты говоришь: «да, задача сложная, вот где риски, вот где может быть сложно, вот как мы будем с этим разбираться», ты эту тревогу контейнируешь. То есть признаешь, структурируешь и декомпозируешь ее решение так, что бы с ней стало реально жить и действовать.

Кажется, концепция «не обесценивать сложность»— один из ключевых факторов, который отличает взрослых подрядчиков от тех, кто продаёт «золотые горы». Парадокс в том, что именно такая честность и признание сложности и даёт ощущение безопасности. И в этом тендере контракт, скорее всего, ушёл тем, кто с первой встречи все это зафиксировал.

Ну а мы, в лучшем случае превращаем попытку в деньги и контракт. В худшем— в капитал опыта, на котором строятся следующие победы.

Если не хочешь быть commodity, твое КП всегда должно начинаться с неудобных вопросов.

В большей части книг по продажам регулярно говориться о важности «investment return analysis» — анализ возврата инвестиций для клиента.

Если переложить это на ИИ-проекты, половину коммерческих предложений на рынке можно смело отправлять в мусор: там есть идея «как всё будет работать», но нет нормальной работы с цифрами, рисками, юниткой, а еще ср сроками окупаемости.

Нормальное КП на ИИ начинается не с цены, а с брифа. И… большого количества вопросов, на которые всегда неохотно отвечают.

– Сколько человеко-часов сейчас уходит на этот процесс в месяц?
– Сколько людей вовлечено, с какой средней полной ставкой?
– Сколько стоит одна ошибка (штраф, потерянный клиент, простой)?
– Какие SLA вы уже обещали рынку и чем платите, когда не выполняете?
– Какой объём операций сейчас и как он растёт по году?

И много других неудобных вопросов, касающихся бюджетов, ожиданий и реальности.

Пример:
ИИ-ассистент поддержки.
Стандартный коммодити-подход:
«Мы внедрим агента, разгрузим операторов, повысим NPS на n%, стоимость внедрения– x, поддержка– y».

Подход через юнитку:

— У вас 12 операторов на линии, средняя полная ставка, допустим, 120–150 тыс. в месяц.
— Каждый обрабатывает 250–300 обращений в день.
— 30–40% вопросов — однотипные.
— У вас есть штрафы/неустойки за просроченные ответы и чувствительность к NPS/удержанию.

Дальше мы не ленимся и считаем сами:

«Смотрите, если агент заберет хотя бы 30% однотипных запросов, это значит минус 3–4 ставки или перераспределение этих людей на более сложные задачи.
Экономия в зарплате — примерно A в месяц.
Плюс снижение просроченных ответов даёт минус B по штрафам и минус C по оттоку.

CAPEX внедрения– n млн, OPEX поддержки– m в месяц.
Даже не в самом позитивном сценарии окупаемость 8-12 месяцев, в позитивном быстрее».

Тоже самое с ML проектами.

Commodity:

«Сделаем ML-прогнозирование продаж, оптимизируем остатки, снизим out-of-stock, стоимость 12 млн»

Через юнитку:

Сейчас у вас на складах маркетплейсов и РЦ лежит товар на 100 млн.
Из них около 20% , это мёртвые остатки, которые почти не двигаются. Это 20 млн замороженных денег плюс плата за хранение.
Параллельно вы теряете до 4–5% заказов, потому что ходовые SKU вылетают в out-of-stock.

После внедрения прогнозирования и нормальной ABC/XYZ-сегментации мы:
– сокращаем долю мёртвых остатков с 20% до 12–14%
– снижаем out-of-stock с 5% до 3%
– уменьшаем объём списаний

В итоге высвобождаем 6–8 млн из замороженных остатков,получаем доп выручку за счёт того, что ходовые товары меньше вылетают из наличия, снижаем затраты на хранение. ROI в первый год n%, со второго года m%. В самом негативном сценарии.

И когда ты приносишь такое КП, его можно не любить, с ним можно спорить по коэффициентам (и на практике это происходит почти всегда), но его невозможно просто выкинуть или убрать в стол. Там есть логика, на которую придётся обратить внимание. 🕵🏼‍♂️

Про психологию.
Когда подрядчик сам считает юнитку, он снимает с клиента когнитивный диссонанс по поводу : «мне вроде все нравится, идея топ, но я не понимаю, как её защитить».

Поэтому для того, чтобы перестать думать категориями: «зашло ли им мое КП по прайсу?», нужно думать о том , «дал ли я им реальный инструмент для принятия решения?».

Да, на старте это сложнее и больнее. Это неудобные вопросы, цифры, которыми неохотно делятся, либо говорят «мы не считаем так детально», это ресурсы на просчет. Но это один из лучших способов превратиться из commodity подрядчика в того, с кем будут разговаривать серьезно.