Автор
После двух недель исследований я перестал считать ручную работу, поисковый спрос и интерес к идее достаточным основанием для продукта. Фиксирую текущую систему перехода от гипотезы к продаже и пилоту.
Я начинал с идеи универсального голосового ввода для телефона и компьютера, а в результате разделил её на четыре разные пользовательские работы, которые теперь нужно исследовать отдельно.
Я пришёл проверять гипотезу цифрового сотрудника для поиска видео. Но наблюдение за реальной работой показало: основной поиск уже почти решён простым набором источников.
Ретроспективное исследование «Говори дело» отсекло простой транскрибатор и преждевременную интеграцию с Bitrix24. Сильнее выглядит другая гипотеза: голос превращается сразу в пригодный письменный результат.
Каталогов ИИ-агентов уже много. Но под одним названием смешиваются SaaS, чат-боты, workflows, skills и кастомная разработка. Я разбираю, почему бизнесу нужен не просто список агентов, а способ проверить конкретную работу до покупки.
У меня уже есть продукт для расшифровки аудио. Я прогнал его базовую функцию через новый алгоритм исследования и увидел, что простая транскрибация сообщений - слабая основа для отдельного продукта, а более интересные работы находятся дальше.
После прошлой статьи я отдельно исследовал слой после транскрибации: задачи, CRM, календарь, протоколы и другие действия. Самые сильные примеры оказались не в обработке текста, а в голосовом выполнении конкретной профессиональной работы.
Мой опыт блокировок Claude: что я сначала понимал неправильно, что подтверждают правила Anthropic и как я теперь строю устойчивую рабочую инфраструктуру.
Иногда лучший результат работы с ИИ состоит в том, что после нескольких проверок модель можно убрать из рабочего контура, оставив найденный и проверенный алгоритм.
Если человек просто пересылает ответ нейросети, участие человека в процессе становится формальностью. Для меня рабочая схема другая: ИИ помогает, сотрудник проверяет и принимает решение, а для дорогих или спорных случаев добавляется согласование руководителя.
Часть логики закупщика не была видна в самом отчёте. Чтобы понять, что можно автоматизировать, я предложил сначала зафиксировать реальную работу сильного сотрудника на видео.
Иногда бизнес просит новый отчёт, ИИ или автоматизацию, хотя корень проблемы в другом: у владельца функции нет работающего контура ответственности за результат.
ИИ казался естественным способом сократить большой отчёт по закупкам. Но чем точнее я разбирал данные и решения, тем больше задач оказывались обычной алгоритмической автоматизацией.
Клиент хотел добавить ИИ к рабочему отчёту закупщика. Разбор показал, что часть потерь возникала не из-за нехватки аналитики, а из-за разрыва между сигналом, решением сотрудника и обязательным действием.
Подписка даёт доступ, курс даёт знания, но ни то ни другое само по себе не меняет рабочее поведение. Внедрение начинается там, где сотрудник на своей задаче получает результат, понимает метод и может повторить его без внешнего давления.
ИИ не делает руководителя всезнающим и не принимает решение за него. Но он сильно снижает стоимость первого исследования: можно быстро собрать варианты, проверить гипотезы и прийти к обсуждению не только с проблемой, а с подготовленным полем решений.
Мой опыт нестабильного доступа к Gemini, ChatGPT и Claude: когда достаточно готового VPN, а когда я предпочитаю отдельный зарубежный сервер и контролируемую маршрутизацию.
Готовый ролик ещё нельзя отправлять клиенту: кто-то должен сверить его со сценарием, ценой, промокодом, субтитрами и правилами проекта. Я решил проверить, можно ли превратить эту работу в отдельного цифрового исполнителя.
Не весь просмотр контента стоит автоматизировать. Ценность цифрового сотрудника может быть в другом: убрать дубли, шум и первичный поиск до момента, где действительно нужен человеческий выбор.
После большого исследования рынка я перестал смотреть на идею как на ИИ-таролога. Таро и нумерология выглядят входом в более широкий продукт про рефлексию, память и накопленный контекст жизни.
Автоматическая проверка видео оказалась технически реальной, но не как одна нейросеть. Я разбираю гибридную архитектуру, три класса проверок, PASS / FAIL / REVIEW и границу участия человека.
Технически проверить готовое видео можно. Но хороший продукт появляется только там, где автоматизация убирает человеческий этап, очередь или дорогую ошибку. Я проверил пять рабочих контуров и нашёл два более сильных направления.
Карта конкурентов ИИ-таролога: российские приложения, сайты и Telegram-боты, а затем мировые продукты с памятью, голосом, ежедневными сценариями, ценами и публичными метриками.
Около 11% SMM-вакансий содержали строгий сигнал работы с трендами и референсами, а после расширения словаря - около 22%. Но важнее оказался сам контекст этой работы.
Главный конкурент Контент Скаут - не другой SaaS, а бесплатная лента. Чтобы отдельный продукт имел смысл, он должен не показывать больше контента, а сокращать объём того, что человеку приходится смотреть.
Я начал с простой проверки видео, подтвердил техническую реализуемость и нашёл более сильные соседние работы. Но в конце решил не продолжать. Главный вывод оказался не про видео, а про то, какие продуктовые гипотезы мне вообще стоит исследовать.
Эксперимент с 15 нейросетями показал, что количество синтетических ответов почти не увеличивает доказательность. Я пересобрал алгоритм проверки продуктовых гипотез и проверил его на старом кейсе.
Запрос PDF в текст оказался самым сильным сигналом в моей выборке. Но поисковый спрос ещё не доказывает продукт. Поэтому я решил сделать маленький сервис и использовать его, чтобы увидеть, что люди делают после конвертации.
Битрикс24, одежда, юмор, бизнес-контент и смешные видео с животными привели меня к одной повторяющейся работе: искать во внешнем контенте то, что действительно стоит посмотреть.
Word и Excel можно превратить в Markdown, чтобы получить структурированный текст для нейросети. Но DOCX и XLSX устроены по-разному: Word обычно переносится предсказуемее, а Excel может потерять формулы, связи между листами и визуальные обозначения.
Заявка в Sber500xDisrupt уже отправлена, но сам эксперимент только начинается. Я объясняю, почему ИИ-таролог для меня оказался не продуктом про предсказания, а входом в гипотезу персонального ИИ-агента с памятью.
Широкий поиск дал много кандидатов, но мало сильных гипотез. Я поставил ранний фильтр: ежедневная ручная работа, законченный результат и повторяемость между компаниями.
PDF, обычный текст и Markdown сохраняют разные части исходного документа. Формат стоит выбирать по тому, что нейросеть должна понять: содержание, структуру или визуальный слой.
Два PDF могут выглядеть одинаково, но внутри один содержит настоящий текст, второй - только изображения, а третий - ошибочный слой OCR. Разбираю три уровня проблемы и что делать в каждом случае.
После чтения Положения Sber500xDisrupt я понял, что 35 обращений - это не 35 сообщений пользователя. Но требования к 1000 DAU, дистрибуции, техаудиту и РИД делают эксперимент сложнее, чем казалось.
Личная проблема с дорогой обработкой PDF привела меня к исследованию поискового спроса. Самый сильный сигнал оказался не в Markdown, а в простой работе PDF в текст.
В начале было 32 идеи. После первого отбора осталось четыре. После глубокого исследования я решил подать в Sber500xDisrupt ИИ-таролога, а помощника для переписки оставить отдельной продуктовой гипотезой.
От собственной почтовой инфраструктуры и холодных рассылок я дошёл до недоставленных писем и качества адресов в CRM. Технические задачи нашлись, но достаточного основания для отдельного продукта я не увидел.
Слово «бесплатный» почти ничего не говорит о реальной стоимости ИИ. На примере Kimi разбираю, что именно бесплатно, где заканчивается лимит и как сравнивать с Claude и Codex.
GPT-6 Astra сильнее всего меняет длинные агентные задачи. Разбираю, где переход оправдан, где GPT-5.6 оставить и как проверять миграцию.
Поисковое исследование разделило рынок на две работы: понять, что происходит в переписке, и решить, что ответить. Простая генерация уже стала товаром, а память отношений пока остаётся продуктовой гипотезой.
У ИИ-таролога сильный первый интерес и дешёвая первая версия. Но разовый расклад легко заменить универсальным ИИ. После исследования я оставил другую гипотезу - личную историю с памятью, людьми и повторяющимися темами.
Я сравнил 32 идеи AI-продуктов по восьми критериям. Некоторые лидеры рынка отсеял из-за личного интереса, другие - из-за платформенных, продуктовых или safety-рисков. В итоге осталось четыре кандидата.
Ручная работа закупщика существовала и технически автоматизировалась, но этого оказалось недостаточно. После трёх проверок я остановил гипотезу и зафиксировал, какие анти-сигналы к этому привели.
Практический каталог Agent Skills: какие навыки использовать для поиска, frontend, тестирования, кода, текста, SEO/GEO/AEO, знаний и управления контекстом, как проверить источник и выбрать skill под конкретную работу.
Рынок автоматической нарезки видео уже переполнен. Но исследование показало незакрытую работу: после многочасовой трансляции автору всё ещё приходится вручную отбирать действительно хорошие моменты.
Персональную сказку уже легко получить в универсальном ИИ. После исследования я оставил другую гипотезу: постоянный сказочный мир, который помнит ребёнка, вчерашнюю историю и сегодняшний день.
После двух отраслевых циклов я оставил три направления для реальной проверки и сформулировал более жёсткие критерии выбора работ для автоматизации.
Приглашение в Sber500xDisrupt стало поводом проверить новую для меня территорию: B2C AI. Вместо быстрого MVP я сначала решил исследовать 32 продуктовые гипотезы.
Agent Skills позволяют отделить способ выполнения повторяющейся работы от конкретного диалога с ИИ. Разбираю, как устроен SKILL.md, чем навык отличается от промпта, памяти, MCP и самого агента и зачем это может быть бизнесу.
Я проверил несколько гипотез автоматизации недвижимости на 10 синтетических сценариях. После этого идея контроля звонков стала слабее, а две более конкретные работы вышли вперёд.
Я взял агентство недвижимости и вместо идеи автоматизировать работу риэлтора целиком начал искать конкретные работы на переходах между клиентом, его запросом, объектом и следующим действием.
Я взял закупки внутри оптовой компании и начал дробить большой процесс до конкретных работ. Наиболее интересным кандидатом для следующей проверки оказалась подготовка и сравнение коммерческих предложений поставщиков.
Когда я поставил вопрос 'что автоматизировать в оптовой компании', ответом оказался почти весь бизнес. Поэтому я сменил единицу исследования: вместо CRM, 1С и отделов начал искать конкретные повторяемые работы с понятным входом и результатом.
После решения сначала исследовать, а потом делать продукт, я собрал широкую карту повторяемой работы бизнеса. Первый проход дал 240 гипотез в 19 направлениях и показал, почему отрасль и отдел слишком крупны для поиска будущего продукта.
Раньше я часто шел от идеи к разработке, а рынок уже потом показывал результат. В LOG [IN] OFF 3.0 хочу изменить порядок: сначала самому построить карту рынка, сузить пространство гипотез и только потом делать продукт.
От Global Solutions и CRM4 к Brain4: почему я сначала прохожу рынок широко, а специализацию выбираю после повторяемых работ, спроса и экономики.
LOG [IN] OFF заканчивает этап широкого интегратора и приложений. Считаю назад модель 4.0 и разбираю, какие работы нужно искать, чтобы цифровые сотрудники стали повторяемыми продуктами.
Интеграторы 1С уже умеют кратно ускорять часть разработки с помощью AI. Но рост производительности поставщика не означает, что клиенту автоматически стало нужно больше разработок.
Я убрал из эксперимента распознавание картинки и передал нейросетям готовую текстовую таблицу. Чтение данных стало точнее. Но теперь лучше проявилась другая проблема: где заканчиваются цифры и начинается уверенная интерпретация модели.
ChatGPT и Codex быстро обрастают новыми рабочими режимами: файлы, браузер, голос, долгие цели, запись процессов и публикация сайтов. Собрал, что из этого уже имеет практический смысл и как этим пользоваться.
Девять AI-моделей получили одну таблицу и просьбу подготовить рекомендации к планёрке. Ни один ответ нельзя было использовать без проверки контекста и звонков.
Четыре сервиса исправили мобильные вкладки. Но два результата создали новые проблемы, и только два файла прошли полную проверку.
Сравнение моделей останется методом эксперимента. Главным сюжетом станет работа, которую раньше пришлось бы поручить человеку.
Единой цифры провала AI-проектов нет. Разные исследования измеряют разные уровни успеха и не должны складываться в один универсальный процент.
Клиент видит желаемый результат. Я вижу данные, интеграции, тестирование и ответственность. Вместо новых объяснений я решил показывать реальные проверки.
Замена модели - не миграция. Для десятков агентов нужен реестр, golden tests, поэтапный rollout и готовый откат.
Новой модели нужно меньше процедурного микроменеджмента и больше ясности в результате, границах автономности и проверке.
Codex расходует ресурс не за сам текст запроса, а за всю траекторию агентной работы. Поэтому внешне похожие задачи могут стоить совершенно по-разному.
Один аккаунт не означает один понятный счетчик. У обычного чата, агентных функций и API разные механики учета.
Самый дорогой режим не должен быть дефолтом. Его нужно включать тогда, когда сложность и цена ошибки действительно это оправдывают.
Главный вопрос не в длине материала, а в том, требуется ли извлечение фактов, интерпретация или ответственное управленческое решение.
Новая модель сильнее во многих сценариях, но это еще не означает, что старую нужно немедленно выключить во всех процессах.
Первый выбор теперь не модель, а рабочая поверхность. Разбираемся, где нужен Chat, Work, Codex, Deep Research, Projects, Tasks или API.
AI уже встроен во множество наших бизнес-задач. Новое поколение моделей заставляет проверить не только качество ответов, но и всю систему работы.
Ожидал улучшение модели, а получил остановку работы, повторные попытки и необходимость заново разбираться в системе из моделей и reasoning.
Почему ИИ повторяет путь CRM, Excel и 1С: инструмент не создаёт порядок, если не встроен в реальные процессы и поведение людей.
Почему люди, вдохновившись возможностями ИИ, быстро достраивают красивую картину корпоративного разума, но не сразу видят слой внедрения.
Почему ИИ не снимает с человека ответственность, а требует еще более явного процесса, контроля данных и регулярной калибровки.
SaaS конкурировал экранами, подпиской и удобством. AI-софт может конкурировать другим: способностью принять намерение, связать его с контекстом, безопасно выполнить действие и объяснить основание.
Агент без памяти компании остаётся универсальным помощником. Агент, который опирается на коммуникационный след, историю сделок, правила и подтверждённые паттерны, становится бизнес-инструментом.
Одна платформа может быть удобной. Но если весь рабочий контекст живёт только там, удобство постепенно превращается в единственную точку отказа.
Пользователь может говорить живым языком, но за этим языком часто скрыты неполные данные, смешанные цели и неясный критерий результата. Сильный продукт должен не просто слушать, а помогать уточнять.
Если действие влияет на деньги, клиентов или управленческие решения, пользователю мало сказать команду. Ему нужно увидеть, что система поняла, на каких данных стоит вывод и что будет сделано дальше.
Голос и чат удобны для входа в задачу. Но когда за фразой стоит сложный бизнес-контекст, продукт должен не просто услышать команду, а понять, что можно делать, на каких данных и с какой уверенностью.
Когда компания долго работает с нейросетью, ценность появляется не только в самом инструменте. Она появляется в контексте, инструкциях, примерах, истории решений и способе думать вместе с этой системой.
Михаил Токовинин точно поймал сдвиг: пользователь всё меньше хочет изучать экран и всё больше хочет сказать задачу обычным языком. Но намерение - это только вход в продукт, а не весь продукт.
Нейросети дают скорость, но вместе со скоростью появляется новая зависимость: компания начинает хранить рабочие знания во внешнем продукте.