Если вы думаете, что можно сделать с ИИ в 2025 году, то с точки зрения технической реализации вариантов не так много.

Вот они:

1. Чисто LLM — основа основ.
LLM без доработок это некий слепок всех текстов из интернета сколько-то месячной давности.
Хорошо решает задачи саммаризации, резюмирования, оценки текста.

Пример задачи: оценка текста резюме кандидата.


2. RAG-система — контекстные знания.
Тут мы добавляем в LLM дополнительный контекст, которого у нее нет. Эта техника позволяет извлекать в понятном виде релевантный ответ из сторонних (внутренних или внешних) источников.

Пример задачи: чат-бот для ответа пользователям на основе внутренней документации.

3. AI-Workflow — структурированная автоматизация.
Тут мы даем ИИ возможность пользоваться не только сторонними знаниями, но и сторонними инструментами (вашим календарем например). Если есть доступ к интрументам, значит можем взять бизнес процесс, и автоматизировать его с ИИ.

Пример: получаем резюме с hh.ru (инструмент: API hh.ru) -> оцениваем квалификацию в резюме (ИИ) -> автоматически отправляем приглашение на собес (инструмент: API почты)


4. AI-агент — полностью автономная машинка.
ИИ сам формирует план как он будет решать поставленную задачу и сам ее решает как хочет. У него для этого есть необходимые инструменты и свобода действий. Такие штуки можно делать только там, где цена ошибки невелика, а ROI от автономной работы ИИ очень значительный. ROI тут важно, потому что AI-агенты будут сжигать ваши токены/деньги очень быстро.

Пример: задача что-то запрограммировать (да, вайб-кодинг). Агенты типа Claude Code уже довольно хорошо делают простые демки/прототипы, при этом цена ошибки небольшая - человек если что затестить и исправит код.

И важно помнить что нужно начинать с простого и потом усложнять (LLM → RAG → Workflow → Agent).

Продолжаем нашу ИИ-рубрику

Как перестать гадать с идеями и начать валидировать их с помощью ИИшечки.

На reddit автор описывает процесс ресерча целевой аудитории и их проблем для того, чтобы собрать SaaS-сервис под эти боли.

Что он сделал

1. Попросил Claude проанализировать реальные жалобы пользователей в нише персонализированных писем — Reddit/, Quora и т.п. — везде где ЦА рассказывает о проблемах.

2. Claude сделал 3-страничный анализ с реальными цитатами сейлзов: шаблоны не работают, ручная персонализация занимает часы, конверсия в отклики отстой.

3. Попросил оценить возможность по шкале 1-10 исходя из спроса vs конкуренция. На основе этого увидел где есть пробел на рынке.

Первый платный клиент появился на второй неделе работы сервиса. Сейчас он генерирует $2.3k MRR.

Сам промт

You are my **personal market research assistant**. I'm a solo developer, fully bootstrapped, building B2B or prosumer SaaS tools with a strict infrastructure budget of **$200/month or less**. No big team, no venture capital, just me coding and deploying.

Your job is to **scan the web** for **current, real pain points** that users, developers, or small businesses are struggling with. You can look in forums (Reddit, Hacker News, Indie Hackers, Twitter/X, GitHub issues, niche Discords, Quora), reviews, blog comments, etc.

My main goal is to scale a product from $0 to $10k month and see how it goes from there.

For each opportunity you surface, break it down like this:
1. **Pain Point**: Describe the real-world problem or complaint users are having.
2. **Target Audience**: Who is having this problem? Be specific.
3. **Why It Hurts**: Explain why this problem matters or costs them time, money, or peace of mind.
4. **Tool Idea**: Suggest a simple SaaS or tool I could build to solve it, considering my constraints:
    - Solo dev
    - <$200/month infra
    - MVP in ~2 weeks
5. **Monetization Potential**: Explain how it could realistically make money (subnoscription, pay-per-use, etc.)
6. **Bonus**: If applicable, mention existing solutions and what sucks about them (pricing, UX, complexity, etc.)

Keep the tone **direct, no fluff**, and prioritize **practicality over theory**. Focus on **problems people are actively complaining about**, not abstract trends or "maybe someday" ideas.

Используем Perplexity правильно

1. К нам пришел запрос на создание мобильного приложения, нужно собрать базовую информацию о заказчике.

2. Открываем Perplexity, желательно с Pro-подпиской (на Max еще не заработали).

3. Вбиваем название клиента и набор параметров, которые хотим уточнить.

Клиент ABC
- Найди сайт сайт клиента
- Найди юрлицо клиента
- Найди выручку и прибыль клиента
- Найти приоритеты бизнеса клиента на данный момент

4. Идем работать дальше.

Все так

Наш мир - инференс, а мы в нем промты

Product Management Bottleneck

Или "почему все уперлось в продактов", если по-русски.

1. С развитием вайбкодинга и код-агентов создание прототипа или MVP превратилось в задачу на пару часов вместо недель или месяцев.

2. При такой скорости разработки узким местом становятся постановщики задач — продакт-менеджеры. Традиционные инструменты (A/B-тесты, глубинные интервью и т. п.) занимают недели, а решения нужно принимать быстро.
Проблема сместилась с "можем ли мы это построить?" на "стоит ли нам это строить?". Теперь критично не умение кодить, а способность принимать правильные продуктовые решения.

Сам замечаю, что формулировка задачи теперь занимает больше времени, чем её реализация с помощью того же Claude.

3. Отсюда вывод: продактам (а в агентском бизнесе — проджект-менеджерам) нужно учиться ускорять свою работу с помощью ИИ: быстро валидировать идеи через ИИ, использовать ИИ для синтеза обратной связи от пользователей и т.п.

4. В новой парадигме проджекты и продакты — не просто менеджеры, а продюсеры: они могут сами создать прототип, протестировать его и только потом ставить задачу разработчикам.


Основная идея не моя, взял отсюда: https://www.youtube.com/watch?v=muH435ppaNM

Уникальный шанс для студий

Считаю, что сейчас у студий уникальный шанс трансформироваться и стать продуктовыми компаниями.

Почему так?

1. ИИ-трансформация
В ближайшие 3-5-10 лет любому бизнесу, чтобы выжить, нужно будет внедрить ИИ по всей своей вертикали — начиная от найма и заканчивая продажами. Для этого придется создать массу IT-продуктов. Нас ждут новые таск-трекеры с ИИ (Notion уже пытается), ITSM-системы, МИСы, где ИИ будет апсейлить клиентов и т.п. Всех этих продуктов ЕЩЁ НЕТ, их нужно будет КОМУ-ТО СОЗДАТЬ. Вчерашние студии могут этим заняться.

2. B2B-продукты
Студии исторически работают на B2B-рынке, понимают его, умеют (или не умеют :)) делать B2B-продажи. Поэтому трансформация в B2B-продакт-мейкинг будет более органичной, чем в B2C.
Когда появились мобильные телефоны, все хотели делать пользовательские приложения, но никто не понимал B2C-аудиторию, как делать продукты для конечных пользователей, как их продавать, как позиционировать — это все сильно сложно в случае с B2C. С B2B все иначе.

3. Рынок для B2B
Количество требуемых B2B-продуктов значительно больше, чем B2C, а конкуренция значительно меньше. Да, и потенциальный заработок с одной единицы продукта может быть меньше, но он всё равно есть. Под каждую вертикаль бизнеса нужны будут новые продукты с новой идеологией (AI-first) и новыми пользовательскими сценариями.

4. Налоговые изменения
Всем уже понятно, что в дальнейшем налоги будут повышаться, а льготы — убираться. Поэтому перепродажа ресурсов (а это то, что делают все студии, даже те, кто это отрицает) будет становиться всё менее выгодной. В продуктовой разработке при правильной работе получается совсем другой мультипликатор на человека, и это сделает продуктовую модель более привлекательной, чем продажа часов разработки с фиксированным мультипликатором.

5. Компетенции
Все эти изменения потребуют от студий развития новых компетенций. Каких именно — напишу в следующий раз.

Какие компетенции есть у агентства VS какие будут нужны в будущем

Какие есть сейчас:

1. Технические/ремесленные: как разработать работающий цифровой продукт.
Такая базовая история, которую все имею и поэтому она стала коммодити.


2. Продуктовые: какой должен быть продукт, чтобы он был логичным для пользователя.
Иногда есть, иногда частично, иногда совсем нет. Когда нет - берем клиентов только с готовым ТЗ или занимаемся аутстаффом.

3. Операционно-проектные: как вести бизнес с точки зрения проектов, денег и бумаг. Мы умеем делать проекты с заданной маржинальностью и выбивать дебиторку)

4. Аккаунтиновые и нетворкинговые - как выстраивать отношения с потенциальными и существующими B2B-клиентами чтобы он хотел дальше с вами работать. Если есть - клиенты работают с вами годами. Если нет - уходят после первого проекта.

5. Продажи и переговоры - как понимать своего B2B клиента, диагностировать его проблему, задавать правильные вопросы. Сюда входит и умение скринить клиента и не брать всякий скам, которые сожгет время и не принесет денег.

6. Маркетинговые и пиарные - как всем рассказывать что вы делаете и умеете делать. Потенциальные клиенты должны знать о ваших успехах из сторонних источников.

Пока писал пост придумал визуализировать это в виде гексограммы.

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