ChatGPT выпустил свой браузер — Atlas, пока только под Mac.

Я конечно поставил себе и пошел тестить. Попросил агента посмотреть что там в воронке в АМО

посмотри все сделки в воронке SMB и скажи какие их них давно пора удалить

На скриншоте как раз этот процесс. Работает все с черепашьей скоростью пока что. Надо тестить дальше.

Жду когда он научится звонить лидам сам

Я продолжаю про агентские компетенции, которые нужны чтобы делать свой продукт.

Разработка, дизайн, UX, аналитика — всё это важно.

Но делая продукт, команда должна понимать как продукт выходит на рынок -- Go-To-Market.

Go-To-Market — это как бы мост между созданием продукта и его жизнью на рынке. Без этого мостика ваш продукт провалится в яму )

Из чего состоит Go-To-Market-компетенция:

1. Клиенты. Понимание, кто клиент, где он, как принимает решения.

2. Позиционирование. Чёткий ответ на вопрос "почему нас вообще-то должны купить" , выраженный в простых и понятных логических рассуждениях, по возможности без абстракций (бизнес вообще не любит абстракции когда речь идет о покупках софта)

3. Дистрибуция. Какие каналы реально работают, какие — иллюзия.

4. Настройка итерации на основе метрик.

Самая интересная и недооцененая часть GTM-подхода. Идея в том что мы сделали продукт и запустили его, а дальше все не заканчивается а только начинается.

Нужно определить по каким метрикам мы следим за успехом продукта, как собираем обратную связь от пользователей, как это все приоритизируем и как меняем / докручиваем / усиливаем продукт чтобы повысить его ценность / виральность / ретеншен и т.п.

Вообщем, если делаете продукт, то сначала делайте GTM-часть, а потом уже саму разработку.

Мы тут сделали супер-проект и наконец оформили кейс про это у себя на сайте.

Для нашего клиента из Сингапура мы собрали настоящего ИИ-аналитика: чат-бота, который объединяет данные из разных систем и отвечает на запросы прямо в Slack за минуты.

Раньше, чтобы получить необходимую аналитику, менеджеры ждали ответы аналитиков по пол дня.
Теперь они пишут в Slack сообщение аля:

Покажи суда, где за неделю были нарушения по геозонам и повышенная усталость экипажа

И через 1-2 минуты получают ответ.

Все это работает на RAG, базе доменных знаний и централизованном DWH + Kafka.

За счет описанной семантики, ИИ понимает весь специфический контекст индустрии и сам решает, — из каких систем собрать нужную информацию.

Все это мы делали 5 месяцев, потом еще смотрели как все работает и наконец можем похвастаться кейсом:

https://code9.studio/cases/ai-analitik

Подготовил короткую методичку: Как думать и что делать, чтобы внедрить ИИ в свой бизнес:

1. Выберите один бизнес-процесс (стоимость ~0)

Он должен быть ограниченным, понятным, не сквозным (не охватывать весь бизнес).

Примеры — обработка обращений, сверка договоров, подготовка КП.

Сразу определите метрики, по которым будете измерять эффект:
что именно хотите получить - большую производительность, качество, скорость, или экономию.

Если нет понимания результата, лучше не начинайте.

2. Найдите внутреннего эксперта (стоимость ~0)

Человека, который хорошо понимает процесс, который хотите оптимизировать, знает все нюансы и исключения.
Он вам понадобится на всех следующих шагах.

3. Опишите контекст и знания (стоимость 💸)

Вместе с экспертом зафиксируйте все, что связано с процессом:
глоссарий, регламенты, примеры как правильно и как неправильно.

Соберите 20–30 реальных кейсов, они пригодятся для промптинга и тюнинга.

4. Сделайте прототип (стоимость 💸💸💸)

Используйте лучшую доступную LLM. Соберите минимальное решение на n8n, вайб-кодинге или приходите в КОД9.

Главная цель — понять, может ли ИИ вообще справиться с задачей.


5. Замерьте результат (стоимость ~0)

Вернитесь к метрикам из шага 1 и проверьте эффект.

Например: если ИИ может снять хотя бы 5% нагрузки с отдела поддержки,
предзаполняя ответы на запросы, это уже хорошо, можно двигаться дальше.

Если результат не меряется - дальше не двигайтесь, там будет сильно дороже.

6. Дорабатывайте прототип (стоимость 💸💸💸💸💸💸💸)

Используйте все, что человечество придумало к 2025 году:
тюнинг промптов, агентский RAG, работу с памятью, оптимизацию по токенам.

Итеративно улучшайте качество и снижайте стоимость, пока результат не стабилен.

7. Достигли оптимума — двигайтесь дальше

Если качество больше не растет, а стоимость не падает, вы в оптимуме. Это значит, что решение работает стабильно и приносит измеримую пользу.

Теперь два варианта:

а) масштабируйте его на соседние процессы, где логика похожа

б) найдите новый процесс в компании, который можно улучшить тем же методом.

Или приходите к нам в КОД9, мы уже такое делаем.

AI-First компании

В мире моих снов Искуственный интеллект делает всю скучную работу, а мы люди занимаемся творчеством и исследуем космос. В этой рубрике я хочу разбирать компании, которые уже сейчас активно применяют AI у себя и меняют процессы.

Eightfold -- HR-tech компания, основанная бывшими инженерами Гугла, изначально использовали AI для сопоставления резюме с ролями. Дальше сделали полноценный Agentic AI у себя. Как там все работает:


1. AI-моделька оценивает резюме кандидата на предмет соответствия требованиям текущей вакансии.

2. Если резюме интересное -- AI-интервьювер сразу предлагает кандидату созвониться и задает вопросы. Во время звонка LLM-ка может углубиться и задать дополнительные вопросы в тех зонах, где кандидат отвечет неуверенно. Вот тут видео.

3. По результатам звонка, система создает карточку кандидата и выделяет самых подходящих кандадатов из всего набора. Дальше эта информация уходит HR-специалисту для анализа и принятия решения, кого нанимать.


Как по простому сделать такое решение себе?


Модуль оценки резюме не будем трогать, разберем для примера AI-интервьювера. Нам понадобится такой набор артефактов:

1. Сценарий звонка-собеседования или набор вопросов или и то и другое. Люди пока делают такие штуки лучше машин, потому что в этой области много эмпирических знаний.

2. Голосовой AI-сервис, Eleven-labs или аналог (Voximplant, Veyra, you name it). Слушает, говорит в ответ, делает все это по промпту. В промпте — наш сценарий. Такие сервисы инкапсулируют (собирают) в себе кучу технологических решений, в которых мы точно не хотим разбираться для простого решения.

2. LLM которая обработает результаты звонка и сформирует резюме. Тут тоже понадобится дать LLM какой-то шаблон для анализа.

3. Программная обертка, которая засунет результаты LLM в вашу любимую HR-систему, чтобы вы могли там работать с обработанными данными от кандидатов.

Вроде все просто, но дьявол в деталях как обычно.

Пробуйте, пишите, задавайте вопросы.

#AI_first_компании

Чек-листы по построению AI-Native Engineering Team от OpenAI

Если у вас разработка ещё не AI-native — тогда мы идём к вам.

По гайду от OpenAI разберём, как применять AI для AI-native-разработки по SDLC-блокам.

Планирование
Роль ИИ: превращать сырые идеи и бизнес-запросы в качественные инженерные задачи.

Чек-лист:
• Определить процессы, где нужно синхронизировать разные типы документации. Например, перенос документов в Jira-задачи или декомпозиция задачи на подзадачи.
• Подключить ИИ к одной из таких задач.
• Усложнить задачу ИИ: пусть он проверяет реализацию кода по описанию задачи, выявляя несостыковки.

Дизайн и прототипирование
Роль ИИ: сокращать путь от идеи до интерфейса, от интерфейса до компонентов.

Чек-лист:
• Использовать мультимодальных агентов, чтобы они понимали картинки, а не только текст.
• Подключить вашу Figma через MCP к агенту (например, к Cursor или Windsurf — сам сделал, удобно).
• Настроить workflow, чтобы ИИ по компонентам дизайна автоматически собирал компоненты в коде.
• Использовать типизированные языки программирования (будет меньше проблем).

Разработка
Роль ИИ: разработка фичи end-to-end.

Чек-лист:
• Задача для ИИ должна быть хорошо описана.
• Использовать PLAN.md, куда агент сначала будет писать план своих действий, разработчик его проверяет, и только затем агент кодит по этому плану.
• Использовать AGENTS.md с детализацией того, что можно делать агенту, а что — нет. Дайте ему возможность самому проверять задачи и использовать линтеры.

Тестирование

Роль ИИ: контролировать edge-кейсы и регресс.

Чек-лист:
• Настроить агента для генерации тестов отдельным шагом, а не в процессе разработки.
• Проверять, что тесты падают до реализации кода (читай — Test Driven Development).
• Задать стандарты покрытия кода тестами в AGENTS.md.
• Дать агенту инструменты для проверки процента покрытия кода.

Код-ревью
Роль ИИ: быть самым терпеливым ревьюером.

Чек-лист:
• Собрать «золотой набор» pull-request’ов, которые проревьюили ваши инженеры.
• Использовать этот набор для выбора подходящего ИИ-решения для код-ревью.
• Определить, как ваша команда будет отмечать хорошие/плохие ревью. Для начала можно просто ставить эмодзи в реквесте. Потом придумать что-то посложнее.

Документация
Роль ИИ: превращать код в понятные и доступные знания.

Чек-лист:
• Провести пару экспериментов с автогенерацией документации с помощью агентов.
• Определить части процесса, где документация может быть сгенерирована автоматически.
• Вставить правила автогенерации документации в AGENTS.md.
• Вручную проверять сгенерированные документы.

Деплой и поддержка
Роль ИИ: быть помощником при инцидентах и деградациях.

Чек-лист:
• Подключить логи деплой-системы к агенту.
• Ограничить права доступа агентов, чтобы он не удалил вашу БД (где-то читал такую историю).
• Подготовить шаблоны промптов для сценариев быстрой проверки логов, расследования инцидентов и т. п.
• Постоянно улучшать workflow — давать агенту больше прав, улучшать промпты и т. п.

Вообще, написал всё это и подумал, что такое золото, конечно, нужно за деньги отдавать, а не выкладывать в канал. Но у нас тут принцип give first — поэтому делюсь.

И чтобы два раза не вставать -- вот статья о том, как сделать Android-приложение меньше чем за месяц (на агентах — да).

Пробуйте, тестируйте, пишите, если нужна помощь.

AI-first компании

Работа с документами и операционные процессы часто становятся бутылочным горлышком, когда компания растёт. Долгое рассмотрение договоров тормозит совершение сделок и напрямую влияет на кэшфлоу компании.

Компания LogicMonitor, специализирующаяся на мониторинге ИТ-инфраструктуры, внедрила ИИ-решение для автоматизации процесса рассмотрения контрактов. Gartner пишет, что ROI составил более $100K за счёт ускорения первоначального рассмотрения контрактов и NDA на 50–70%.

Я даже ввёл свою почту и скачал кейс, чтобы написать этот пост. Отдаю вам бесплатно (в комменты скину PDF).

Шаги реализации проекта:

1. Определить, какие типы документов будем поддерживать.
LogicMonitor взяли договоры MSA, NDA, повторяющиеся договоры.

2. Определить, что не автоматизируем.
В нашем случае — финальное решение, выявление нестандартных рисков. Ответственность остаётся на юристе.

3. Навести порядок в документах до AI.
Сделать хранилище договоров, контроль версий, прозрачный workflow движения документов между отделами.

— Наконец, AI —

4. Подключение AI для редлайна (первичной проверки документов).
4.1 Делаем библиотеку эталонных пунктов (эталонные формулировки, запрещённые формулировки и т.п.). У LogicMonitor над этим работали 3 юриста. По сути, мы готовим для AI примеры «как надо» и «как не надо».
4.2 Готовим правила и политики: где компания готова уступать, где - нет, какие оговорки допустимы.
4.3 Тюним промпты под стиль компании. Важно, чтобы AI действовал как наш юрист, а не юрист абстрактной компании.

5. Включаем AI-ревью.
5.1 Загруженный договор программно разбиваем на пункты.
5.2 LLM сравнивает каждый пункт с библиотекой (из пункта 4.1).
5.3 LLM предлагает комментарии и помечает риски.
5.4 Передаём документ юристу на итоговую проверку.

6. Дообучаем AI-агента на комментариях юриста.
Сравниваем комментарии юриста и комментарии AI и, при необходимости, дорабатываем библиотеку эталонных пунктов или промпты, чтобы AI точнее оставлял комментарии.

Итоговый пайплайн получается такой:

Sales-команда заводит договор в CRM
↓
AI сразу делает проверку и оставляет комментарии
↓
Юрист подключается только если есть риски или нестандартные условия

При этом LogicMonitor решили, что им достаточно 80% точности при проверке входящего контракта. Это позволило быстрее запустить решение и обкатывать его на практике.

В итоге сроки первичного ревью сократились с 10 часов до 10 минут.

Хотите так же у себя → пишите мне, подскажу, чем могу.

#AI_first_компании

Промты это магия

Нет, это не магия, а работа с контекстом. Модели нужно

1. Объяснить, какой результат вам нужен
2. Дать достаточно контекста, чтобы она сама связала контекст с результатом

Мини-гайд, как делать это нормально.

1) Сформулировать цель, а не описывать процесс

❌Плохой промпт (про процесс):
Сначала проанализируй данные, потом найди паттерны, потом сделай выводы.

✅Хороший промпт (про цель):
Мне нужен [результат], который должен дать [конкретный эффект].
Аудитория — [кто будет читать или использовать результат].
Успех — [как понять, что получилосьъ.

Пример:
Мне нужен документ-план, чтобы нетехнические стейкхолдеры поняли наш план внедрения ИИ и не запутались в деталях.

2) Задаем ограничения, а не правила поведения

Правила - это делай шаг 1, шаг 2.
Ограничения - это рамки, в которых ответ будет полезным.

Пример трех типов ограничений:
- Контекст - медицина, финансы, B2B, для ребёнка, для CTO
- Качество - "коротко и с примерами" или "глубже и обстоятельнее"
- Границы - "без абстрактных тезисов", "без сравнений", "без ссылок"

Как писать:
❌Неправильно - "кратко, просто, без жаргона",
✅ Правильно - "текст должен работать для человека, который впервые слышит тему. C примерами и без терминов".

3) Давать примеры (аля one-shot/few-shot prompting)

Модели лучше понимают, когда им показывают пример, а не объясняют словами.

Можно дать:пример того, как правильно
и пример того, как неправильно (антипример)

Формат:
"Вот пример нужного уровня детализации:...".
" А вот так — слишком поверхностно"

4) Указывать критерии качества

Не надо писать ИИ "сделай хорошо", - он не знает что для вас хорошо.
Пишите, что именно значит хорошо.

❌ Неправильно: сделай точно, будь кратким.
✅ Правильно : факты должны быть проверяемыми, чтобы читатель мог подтвердить их за пару минут
✅ Правильно: каждый раздел - максимум один абзац, чтобы текст работал как резюме.


❌ Неправильно: объясни понятно
✅ Правильно: человек должен понять без гугления терминов

5) Если задача сложная - делаем иерархию целей

Не расписываем как делать, а описываем, что должно получиться по этапам.

Пример:

1. Мне нужен анализ, где сначала оценивается текущая ситуация только по предоставленным данным.
2. Потом выявляются паттерны, у каждого минимум 3 подтверждения.
3. В конце предлагаются действия, которые соответствуют этим паттернам.

Универсальный шаблон промпта (сохраняйте пока я такой щедрый)

Мне нужен [результат], который решает [конкретную задачу].
Это для [конкретной аудитории или домена].
Хорошо — это [понятный результат], плохо — [понятный антипример].
Фокус на [приоритете, пример], избегай [лишнего, антипример]
После прочтения/использования результата человек должен уметь [сделать конкретное действие].

Итог:
Хороший промпт — это не делай мне ответ»
а сделай мне результат, который можно использовать.

Скидывайте свои задачи или промпты в комменты — докрутим вместе в рабочий вариант.

В комментариях еще скину 1-2 примера.

Референсы:
- https://arxiv.org/abs/2505.13360
- https://arxiv.org/abs/2401.14043
- https://arxiv.org/abs/2410.22225

AI-бизнесы будущего (часть 1)

Каждый сезон Y Combinator (лучший VC-фонд на планете) публикует короткое эссе о том, какие проекты им сейчас интересны и где они видят будущее.

Посмотрим сегодня на пару идей оттуда.

Обучение рабочего класса с помощью ИИ

Чтобы развивать искусственный интеллект, нужно строить дата-центры.
Чтобы строить дата-центры, нужно много рабочих.
А чтобы рабочих было достаточно, их нужно обучить — и сделать этот процесс масштабируемым.

Нужны проекты, которые будут обучать рабочих (слесарей, сварщиков и т. п.) с помощью ИИ. Например — через VR/AR-программы и персонализированные траектории обучения.

Генерация видео как новый примитив

Качество ИИ-видео стремительно улучшается: модели вроде Google Veo 3 уже создают 8-секундные видео за несколько долларов. Дальше будет ещё дешевле и лучше.

Теперь представим, что мы можем создавать видео любого сюжета, качества и наполнения с околонулевой стоимостью. Куда это можно применить?

1. В шоппинге. Ищете платье в отпуск — сразу показываем вас в этом платье, идущей по Милану.

2. В играх. Игра будет такой же реалистичной, как фильм, а фильм — как игра. Всё генерируется на лету.

3.В аренде и продаже недвижимости. Показываем видео из вашей будущей квартиры с той мебелью, которую вы хотите.

Нужны проекты, которые либо строят инфраструктуру для таких видеопотоков, либо используют ИИ-видео как программный примитив.

Product-less разработка

Есть такая легенда, что Gmail захватил рынок почты когда стал давать пользователям по 1GB бесплатно -- якобы их CFO рассчитал, что storage (диски, железо) будут дешеветь, и по мере того как пользователи будут выбирать доступное место, Gmail сможет дешево закупить необходимое железо.

Когда мы думаем, что дальше будет с цифровыми продуктами, полезно посмотреть на текущие тенденции (как это сделал мифический CFO Гугла). На самом деле ничего не поменялось:
- Compute дешевеет
- Storage дешевеет

НО!!
- Разработка дешевеет! и будет дальше дешеветь.

Это значит что в прекрасном будущем создание (почти) любых продуктов будет стремиться к нулю. Если сделать продукт ничего не стоит, то мы можем делать их сотни и тысячи, выкатывать и рынок и смотреть есть ли спрос.

А это значит, что продакт-менеджеры будут не нужны. Каждый желающий сможет сделать нужный ему продукт под себя и под своих друзей -- вы ведь сами точно знаете что вам нужно)

Такое пятничное предсказание для вас, дорогие читатели.

Итоги года

В текущем году мы в КОД9 по настоящему прочувствовали на себе кризис рынка)

Тем приятнее похвалиться проектами, которые мы сделали (и которые еще делаем)

⛴ AI-аналитик для морского грузоперевозчика — наш первый полноценный кейс с AI, сложная система
совмещающая в себе RAG и Text2SQL-техники

🔑 Система контроля доступов с SSO и 15 интеграциями, среди которых Битрикс, AD, SuperSet, и другие кастомные системы заказчика

👗 Платформа fashion-курсов Mood Atelier — стартап из Португалии, где мы отвечаем за всю технологическую составляющую

🗄 ШКАФ: приложение и бекенд для вендинговых шкафов, устанавливаемых в ЖК. Тут мы перехватили разработку у другой команды и кратно улучшили качество продукта

👨‍🍳 KDS: автоматизация процессов на кухне — сложный продукт с интеграцией с IIKO и всякой специфичной для ресторанов историей. (кейс скоро будет!)

🎮 Игровой портал для реселлинга игр для заказчика из Сингапура. Мало что могу тут написать, детали coming soon.

- -

Мы так же много занимались технологическим консалтингом:

- Помогли выстроить QA-процессы на крупном проекте со сжатыми сроками релизов

- Проанализовали архитектуру заказчика, который готовится к масштабированию. Указали где и что будет ломаться

- Сделали анализ расходов на инфраструктуру, указали что нужно сделать, чтобы
их сократить

- Помогли финтеху KeyTom пройти ревью и попасть в AppStore

- -

Запустили Неизвестные машины и провели первую встречу нашего сообщества.

Вообщем, хороший год получился. В следующем году основной упор на ИИ и на запуск своих продуктов — не зря же я весь год вам писал
про продуктовые компетенции у агентств.

Кидайте фотографии своих елок в комменты. С Наступающим!! 🥂🥂