Напоминание: в пятницу поговорим со Стёпой про AGI, децентрализацию и агентов (см ниже)

В эту пятницу 26 апр в 18мск будем говорить с Байрамом про автономных агентов, стартапы и продукты в ИИ и тернистый путь до AGI.

Записаться на вебинар можно в боте (синяя кнопка слева в углу); будет запись для зарегистрировавшихся.

Вот некоторые темы, которые мы затронем:
- когда случится decentralized AGI? какую роль в нем играют автономные агенты? кто и как их будет делать?
- для чего нужны агенты? как они встроятся в экономику?
- как делать агентов, чтобы их не убил OpenAI? как создавать сильные конкуретные преимущества?
- как децентрализованно создать ИИ модели? как ими управлять?
- как людям и бизнесам нанимать агентов? как агентам нанимать людей? какая экономика нужна, чтобы сделать это возможным?
- какие существуют и будут конкурентные защитные позиции в ИИ? как создать долгосрочный бизнес/продукт?

Полезно для инвесторов, фаундеров, продактов и инженеров в ИИ и смежных областях.

В Stanford-ском AI index отчете есть прикольная картинка из прошлогоднего исследования McKinsey про импакт Generative AI на производительность в разных отраслях, с оценкой обьемов. Некоторые вещи из этого отчета я упоминал в семинаре по GenerativeAI, но приведу чуть больше тут.

1) Было неожиданно увидеть в топе банковскую отрасль и задался вопросом: а кто из вас делает GenAI решения для какой-то из перечисленных отраслей?

2) Повышение прогнозов по доле автоматизации связано как раз с GenAI прорывом в возможности понимать natural language —> имхо неплохой критерий для поиска юзкейсов

3) 4 области наиболее жирные по теме: customer operations, marketing & sales, software engineering и R&D.

4) Часто на GenAI смотрят через призму влияния на затраты, в отчете предлагается и логичная вторая - через выручку. Мне понравился листинг 63х конкретных юзкейсов из обеих категорий, можно прямо брать в свои деки + использовать для брейнсторма с клиентом и с командой

5) Про продажи - оценивают импакт в 3-5% повышение производительности. По ощущениям, маловато, но посмотрим-с на реальных кейсах

Цифровой двойник Reid Hoffman

как вам? Конечно, оно было отредактировано и тп. Но направление понятно и лично меня захватывает! Это то, к чему мы стремимся в MindShare

1) видео при помощи Hour One
2) аудио - Elevan Labs
3) и RAG по его книгам, подкастам и тп на Custom GPT

Почитайте, кстати, комментарии к видео - там есть очень интересные
1) кого это заменит, а кому даст новые возможности
2) для какого типа взаимодействий это уже приемлемое качество
3) и какие риски это несет для общества

https://www.youtube.com/watch?v=rgD2gmwCS10

Про Сон

О важности сна много стали говорить в последние 5-7 лет и у некоторых из-за этого возникает отторжение к идее, хотя каждый наблюдающий за собой человек чувствовал последствия хоть раз. Мне понравилась свежая YouTube серия на эту тему с доктором Мэтью Вокером из Berkeley. Вы возможно видели его выступление на TED или читали его книгу.

Я думал, как короткой историей обьяснить важность сна и, пожалуй, один из самых интересных аргументов - про ежегодный масштабный эксперимент (даже 2!) в 1млрд+ человек. Ага, переход на летнее время, когда сначала у многих отбирают 1 час сна, а потом - добавляют.

Короткая стата последствий недостатка сна:
1) на 51% увеличивается количество дорожных происшествий
2) 10-20% рост инфарктов
3) рост самоубийств
4) судьи выносят более жесткие приговоры и тп

Помните, кстати, про последствия бессонницы у Маркеса в «100 лет одиночества»?

Поэтому очень рекомендую послушать эту серию, если вы из-за модности идеи ее отторгали. Там и про причины, и о том, как с этим работать

Как вы поспали вчера, кстати? :-)

P.S. Поговорим про это завтра, так как здоровый сон - это тоже про производительность и про влияние на память и эффективность обучения

Тем временем у нас очередной гость в подкасте - Байрам Аннаков. С Байрамом я познакомилась на первом курсе магистратуры в Вышке.

Он вел факультатив по системной динамике. Потом, когда я уже сама стала преподавать в Вышке, я поняла, что все подобные инициативы держатся только на сильной мотивации преподавателя создавать ценность и делать мир лучше. И вот мы опять говорим с Байрамом про образование.

Мы поговорили про выбор идей для стартапов, бизнес-модели, концепцию Mindshare, создание цифровых двойников и будущее образования:

- как команда подходит к созданию идей и выбирает свой будущий проект для стартапа

- в чем были недостатки криптостартапа Wingman (стартап для прогнозирования задержек рейсов, страхование от задержки рейса)

- какой срок проверки жизнеспособности стартапа и почему?

- как появилась идея создания цифровых двойников - AI стартапа, в чем текущие ограничения бизнес-модели

- будущее децентрализованного образования

- и многое другое


Слушать/смотреть:
Youtube
Apple Podcasts
Google Podcasts

Подписывайтесь на канал Байрама: @ProductsAndStartups
Подписывайтесь на канал Юли: @strategic_move

Сегодня с 2мя предпринимателями обсуждали примерно одну и ту же идею: с GenAI навязчиво преследует ощущение FOMO. С одной стороны - кажется, что можно автоматизировать все; с другой - глаза разбегаются, опасаешься, что возьмешься слишком широко и не заделиверишь.

Я думаю про это так:
1) Автоматизируем задачи, а не должность
2) Наносим задачи на матрицу 2x2:
- 1я ось: как часто эта задача выполняется заданной должностью
- 2я ось: каков вклад этой задачи в конечный результат (можно через долю в затратах, можо через долю в выручке
3) Автоматизируем сначала те, что попадают в квадрант часто и высокий вклад
4) Группируем задачи не по должности, а по схожести входных параметров для выполнения этой задачи. Сгруппированные задачи делегируем выделенному AI агенту
5) Long term идем к тому, что будет мета-агент (дирижер), который оркестрирует множество агентов

А вы что думаете на этот счет?

P.S. Хотите помайндшерить по этой или другой теме из канала - велком на консультацию

Иногда взаимодействую с командами, которые разрабатывают продукты на GenAI, и есть некоторые вещи, которые часто всплывают, поэтому этот пост

Минимальный набор курсов и видео:
1) Generative AI for everyone - https://www.deeplearning.ai/courses/generative-ai-for-everyone/
2) ChatGPT Prompt Engineering for Developers - https://www.deeplearning.ai/short-courses/chatgpt-prompt-engineering-for-developers/
3) Building Systems with the ChatGPT API - https://www.deeplearning.ai/short-courses/building-systems-with-chatgpt/
4) OpenAI DevDay "Survey of Techniques for Maximizing LLM Performance" - https://www.youtube.com/watch?v=ahnGLM-RC1Y
5) Busy Person’s Intro to LLM - https://www.youtube.com/watch?v=zjkBMFhNj_g

Несколько гайдлайнов:
1) Начинайте тестирование результатов работы с клиентами как можно раньше, до развертывания инфраструктуры, просто в playground - даже ваш покорный слуга забывает это правило порой (facepalm)
2) Последовательно двигайтесь от in-context learning, к RAG, а уже потом к fine tune. Важно: finetune в отличие от in-context и RAG привязывает вас к модели, сложнее будет переходить на другие
3) “Premature optimization is the root of all evil” - не оптимизируйте косты раньше времени, сначала добейтесь качества. Затем
а) учитывайте закон снижения затрат - ~75% в год;
б) дебажьте трейсы (можно через langfuse) и ищите точки неадекватной траты токенов. К примеру кейс из моей практики: дефолтовый таймаут ожидания ответа может быть 60сек, и для сложных задач LLM может не успеть ответить, и вы будете дергать заново из за ретраев —> лишние токены.
в) уход на другие модели (где токены дешевле) без потери качества или finetune

Майндшерили с предпринимателем о том, как получить доступ к API у компании, которая помимо продукта, с которым вы хотите интегрироваться, еще и разрабатывает конкурирующий продукт?

Пришли к нескольким идеям:
1) Применить "mechanical turk" технику, то есть реализовать интеграцию "человеком" или AI агентом через интерфейсы графические или программные
2) Предложить компании revenue share с продаж вашего продукта, особенно с учетом интересов компании по выходу на новые рынки
3) Использовать "силу покупателя", обьединив усилия с другими покупателями и надавив на компанию

Может у вас есть идеи, что еще можно было бы сделать?

P.S. Хотите помайндшерить по этой или другой теме из канала - велком на консультацию

Про general purpose technology

VC часто задают вопрос generative ai стартапам: мол, где ваш moat? Ожидают ответов в стиле distribution, data network effects, etc. И оно понятно.

Мое же мнение на этот счет следующее: если мы принимаем, что generative ai - это general purpose technology, такая же как электричество или Интернет, то по самому определению такая технология дает массовые бенефиты, и не может быть ограничена каким-то entity. Ведь, выгоды от электричества не были сконцентрированы в одних руках: пришлось реорганизовывать заводы, появились станки, электроприборы, понадобились люди, обслуживающие оные. Даже ночные смены стали возможны благодаря электричеству. Я уже не говорю про стандарты безопасности и средства защиты, которые понадобилось придумать и реализовать. Поэтому доступ к gen ai не может быть конкурентным преимуществом, он будет расширяться, все больше людей и компаний будут получать доступ к нему, оно будет все более проникать в нашу жизнь.

Поэтому, я считаю, силы и фокус наши должны быть направлены на вопросы "КАК?" - как применить технологию, как надо реорганизовать работу компаний, людей, рынков, чтобы максимизировать выгоды от GenAI? То есть, вторичные инновации, которые бизнесы построют вокруг технологии, но не она сама. Инновации не только продуктовые, но и организационные, социальные, на уровне бизнес-моделей, клиентском сервисе, монетизации и тп. И мы не знаем ответы на эти вопросы, они будут рождаться по мере внедрения, через опыт и ошибки, через катастрофы (к сожалению) и прорывы.

А вы как считаете?

Школа GenAI Разработчика (по заявкам читателей)

По многочисленным просьбам и советам делаю школу GenAI разработчика, в которой мы в практическом русле разберем и опробуем все ключевые аспекты разработки GenAI продуктов.

Будет 6 встреч по 2 часа, с сильным практическим уклоном, чтобы на выходе каждой встречи был работающий код, решающий конкретную бизнес-задачу.

Темы:
1) Intro to GenAI. In-Context Learning
2) Retrieval-Augmented Generation
3) Fine Tuning
4) Generative Agent
5) Multi-Agent Systems
6) LLMOps: Testing, Monitoring & Debugging GenAI Systems

Для кого?
Для каждого, кто хочет научиться разрабатывать GenAI продукты. Моя задача - помочь вам сделать "первый шаг" в практический мир разработки Generative AI продуктов, разобраться в подходах и инструментах, набить руку.

ОЧЕНЬ ВАЖНО: эффективное участие предполагает знание Python языка программирования. Вам будет сложно без этого.
Если же вы знаете другой язык программирования, разрабатываете на нем хотя бы 3 года и чувствуете себя комфортно с GitHub Co-Pilot или подобными инструментами - то должно быть все в порядке.

Когда?
Стартуем - 18 мая, встречи по субботам в 16мск, 6 недель подряд.

Стоимость
Можно купить пакет на все встречи за $200 или покупать по одной - $50 за встречу.
Для тех, кто покупал пакет (3,6 или12 мес) на мои EDU встречи, действует 20% скидка.
Если не сможете очно участвовать, то будет запись и все материалы (презентации, исходники и тп) при покупке доступа

In Code We Trust

Слушал недавно выступление Андрея Карпатого, он там рассказывал про его время в Тесле, и интересным образом охарактеризовал Маска, что для того код - это истина в последней инстанции. Он часто не верит людям на слово, просит показать, как оно работает на уровне кода.

Очень часто, особенно для продуктов с историей, никто не в состоянии точно знать, как и что работает в продукте: требования меняются, ошибки вносятся, некоторые правятся, но не все. Существуют неэффективные циклы, плодящие ненужные SQL запросы или обращения к LLM. Продакт-менеджерам, не знакомым с программированием, достаточно сложно опираться лишь на слова других, но не верить каждому еще хуже (если ты не Маск).

Я сам часто сталкивался с подобными проблемами, поэтому преодолевал барьеры, разбирался с кодом. Обычно алгоритм выглядел так:
1) По аналитическим евентам я нахожу, где примерно выполняется та часть, что меня интересует. Поскольку, как продакт ты часто пляшешь от метрик и евентов, то простым текстовым поиском я находил нужную часть.
2) Дальше я читал код, благо мое программистское прошлое и знание английского мне помогали более-менее понимать, что происходит. Как же круто, что сейчас для этого есть LLM и можно попросить ее обьяснить, скопировав в нее код. Или вообще рискнуть и сгрузить ей в контекст весь репозиторий, и задать интересующий вопрос, засунув в Gemini Pro или другую модельку с большим контекстным окном. Обычно уже на этом этапе появлялись первые гипотезы/ответы, почему метрики не сходятся и евенты не так бросаются.
3) Далее, если я находил несоответствия, то просил кого-то из разработчиков (см. Author в файле) или автора самого большого количества изменений в этом файле за последнее время) подтвердить мое понимание и обьяснить, почему что-то делается именно так. Этого было достаточно, чтобы улучшить свое понимание продукта и метрик, или пофиксить проблему.

Самое сложное в этом алгоритме сделать именно первый шаг: открыть код в условном GitHub. Все остальное - теперь очень просто. Поэтому, если вы еще этого не делаете, то отложите все, получите доступ к коду, найдите текстовым поиском, где бросается важный для вас евент, и попросите LLM обьяснить эту часть. Обещаю, ваш мир более не будет прежним :)

В комментариях - переписка с 2мя разработчиками по следам одной такой проверки 😉

Про пивоты

У Lenny вышел обзор пивотов (см. комментарии). Я засунул его в chatgpt и попросил подытожить индикаторы, что “уже пора”. Вот что получилось:

Почему?
1. Низкий ретеншн - у нас так было с In Flow, и мы закрыли его, хотя было достаточно больно и до сих пор я думаю об этом продукте
2. Остановился рост
3. Не было “тяги” с рынка, достаточно вялый интерес к продукту - имхо, кейс с wingman
4. Была лучшая альтернатива - вот тут я пока помолчу 😉 но может у вас есть кейсы?

Когда?
От пары месяцев до нескольких лет. Я бы сказал, что нет явной зависимости. Ну вот пивот YouTube за неделю от видео дейтинга до просто видео хостинга это, конечно, вау 🙂

Откуда брали идеи для пивота?
1. Фидбек от юзеров - качественный и количественный
2. Внутренние хакатоны и сайд проекты - !!!
3. Анализ конкурентов/рынка

P.S. Хотите помайндшерить по этой или другой теме из канала - велком на консультацию

Соцпсихология и Работа Команды

Я ранее уже писал, что считаю важным для руководителей знать азы социальной психологии, так как именно в соцпсихологии изучают взаимное влияние людей на их чувства, мысли и действия. Байрам, который не выспался и вышел на звонок в 6 утра, может достаточно серьезно влиять на Команду, даже если не скажет ни слова. Особенно, если не скажет ни слова :) "Примадонна", которая заходя в офис, за руку здоровается только с теми, кто важен для нее, игнорируя остальных до тех пор, пока ей не потребуется что-то и от них, потом много обсуждается в приватных чатиках. Особенно, когда сменит поведение и это станет еще заметнее для тех, с кем он стал здороваться.

В следующее воскресенье, 19 мая, поговорим про ключевые открытия социальной психологии в прикладном значении: как выводы и рекомендации оных использовать в управлении командой. Например, про суперкуриц :)

О чем?
1) Введение в соцпсихологию. Основные принципы и предпосылки.
2) Соцпсихология в командах и влияние на
- атмосферу и отношения
- поведение
- мотивацию
- производительность
- конфликтность
- открытость к новому
3) Принципы эффективной команды

Когда?
В следующее воскресенье, 19 мая в 16.00мск. Если вы не сможете очно присутствовать, то получите запись встречи и все материалы для изучения в комфортном темпе и в удобное время.

Бронируем билеты здесь: $25 (2250руб), каждый день цена растет на $5.

До скорой встречи!

Для нужд mindshare писал тут агента, который анализирует посты в разных Телеграм каналах, определяет о чем они, рекламные или нет, и тп. А это десятки тысяч постов, каждый по 2-3 абзаца текста на русском

Поделюсь парой уроков:
1) Разработку начал с gpt-4-turbo, но когда отработал пайплайн, то сравнил качество с 3.5, не увидел особых потерь и перешел на 3.5, с 20x экономией на затратах. Думаю, это хорошая практика начинать именно с более качественной модели, подготовить валидационные данные, а потом протестировать на модели попроще
2) Открыл для себя tgstat api для поиска по постам (API поиска) и получения статистики (API Статистики)
3) Сначала все промпты писал на русском, но потом в целях экономии на токенах решил перейти на английский - не заметил потери в качестве
4) Мне нужно было определять является ли пост анонсом мероприятия: заметил интересную особенность, что если я прошу LLM выставить confidence level, то это помогает получать более качественное определение. То есть, в процессе определения confidence level, LLM лучше справляется с задачей определения типа поста. Достаточно неожиданный эффект - а вы замечали нечто подобное?

P.S. Прямо вспомнилось, как лет 8-9 назад писал парсер delivery-club для RuBeacon - нашего проекта по разработке приложений для ресторанов и кофеен

Вдумчивый подход к инвестициям

С Назымом мы познакомились лет 8 назад и с тех пор регулярно общаемся об инвестициях, фондовом рынке, хедж-фондах и в последнее время какую роль в этом всем играет AI. Помню, как-то мы встретились в Алматы и он мне обьяснил, как решить такую задачу: я хочу сделать ставку на AI & Cloud бизнес Амазона, но при этом не инвестировать в основной их бизнес, и Назым показал мне элегантное решение. А еще рассказывал, как он с другом решил перепройти и перерешать заново все университетские темы по математике o__O

Назым - математик в душе и инвестор по профессии, и, как мне кажется, предприниматель и в душе и по профессии 🙂 Был членом совета директоров Нацбанка Казахстана, зампредом в Национальной инвесткорпорации Казахстана, а сейчас делает стартап в области AI + инвестиций. Кстати, есть 3х часовой подкаст с ним годовой давности, кто хочет копнуть поглубже - очень рекомендую!

Недавно разговорились с ним и решили сделать стрим на тему инвестиций и AI, так как, во первых, каждый из нас должен в этом разбираться, а во вторых - думаю, в этой сфере происходят существенные изменения.

О чем поговорим?

1. Введение в институциональные инвестиции
- Простой взгляд на то, как крупнейшие инвесторы (такие как SWFs) управляют миллиардами.
- Почему это может быть применимо для вашего личного финансового благополучия.
2. Инвестируйте как крупные игроки: раскрытие секретов распределения активов
- Взгляд на инвестиционные портфели крупных фондов.
- Простые советы по диверсификации ваших личных инвестиций.
3. Подход “Reference Portfolio”
- Упрощение популярной стратегии, используемой профессионалами для балансировки рисков и горизонта инвестирования.
4. Практические советы по инвестированию: реальные применения
- Полезные советы из практики
5. Как мыслить глобально и системно на Capital Markets
- Инструменты, помогающие вам понять глобальный инвестиционный контекст.
6. Что нового? Последние тренды в инвестировании
- Краткий обзор последних тенденций, которые могут повлиять на ваше финансовое положение.
- Как оставаться в курсе в изменяющемся финансовом мире.
7. ИИ в инвестициях, что поменялось и как повлияет
- Какие сферы революционизирует GenAI
- Рекомендации по использованию инструментов ИИ

Должно получиться очень интересно!

Когда?
В эту пятницу, 17 мая в 18мск. Стартовая стоимость $20, растет на $5 каждый день - купить билет.
Если не сможете участвовать очно, то получите запись и материалы, как обычно.

До встречи!

State of AI

Послушал Марка Андриссена и Бена Хоровитца про состояние AI (апр 2024) - супер полезно и интересно, темы достаточно живые для разработчиков GenAI стартапов

Мои заметки:
1) Сэм Альтман зря пугает (его слова про то, что если вышла новая версия модели и вы говорите “о круто!”, то у вас гуд стартап, а если “о черт!” - то не очень); можно и нужно разрабатывать фундаментальные модели поскольку могут быть разные подходы в архитектуре, корпусе данных, предметной области и тп. Особенно актуально для стартапов, ориентирующих на enterprise. Вообще, забавно как они поднимают тему “Сэм пытается отговорить конкурентов” 🙂
2) Про то, что модели подходят к ассимптоте по тестам; что они более-менее похожи друг на друга; и похоже не будет прорыва в 100 раз. Еще интересный момент, что alignment (возможно) делает модели тупее. Но интересный контраргумент - может просто тесты тупые или надо, чтобы AI писал тесты? 🙂
3) Корпус данных очень важен; среднестатистический автор в Интернет - не самый лучший датасет для тренировки, поэтому мы получаем среднестатистические ответы. По теме, кстати, пост про llama 3 и почему она обыгрывает большие модели, я уверен что это важный поинт, я пытаюсь часто в моих разговорах вокруг mindshare и цифровых двойников пояснить эту мысль: тренировать надо на качественных данных и RLHF делать экспертами, а не аутсорсерами-неэкспертами
4) Интересно про перспективы overtraining. Кстати, это еще важно и для удешевления/ускорения инференса, как я понял из интервью Марка с Дваркешом и постобсуждений
5) Хорошо покрутили ключевой страх предпринимателя, что gpt 5-6 могут простым промптом решать все sophisticated навороты, которые вы сделали в своем продукте сейчас, и вы станете не нужны. В основном, про важность process flow, встраиваться в бизнес-процессы, интегрироваться с другими тулами, людьми и тп. Все это требует достаточно хорошего понимания клиента и его экосистемы, поэтому скорее всего general модели не смогут заменить эти продукты/обертки вокруг LLM, если обертки достаточно “толстые” 🙂 Я писал про это тут

6) Про ценообразование от ценности, а не от себестоимости; хороший тест для стартапа: можете ли вы чарджить таким образом, или ваш продукт - тонкая обертка, и весь разговор - кто еще и как быстро ее сделает
7) Ну и любимый вопрос зевак - зачем такие большие бабки VC вкладывают в GenAI стартапы, которые в ближайшее время не будут profitable? Особенно, если все эти GitHub копилоты помогают очень дешево писать софт. Неожиданно - именно AI стартапы из всего a16z портфеля, по словам Хоровитца, быстрее всего выходят на окупаемость. Обычно в таких стартапах высокие капзатраты, но headcount достаточно низкие, поэтому быстрее выходят на прибыльность. Узнал в связи с вопросом про Jevons Paradox - парадокс, что повышение эффективности использования ресурса снизит общее потребление ресурса, но реально это приводит к росту спроса на ресурс, и росту потребеления ресурса. Грубо говоря, да, стоимость разработки софта становится ниже, но вырастет спрос на софт, поэтому общее потребление софта будет выше. В общем, опасаться нечего 🙂
😍 Ожидаемо, поговорили про data moats, ведь у a16z была статья даже по этому поводу пару лет назад, что они overhyped. tldr: они по-прежнему так считают. Хотя немного не бьется с пунктом 3 выше. почему? потому что, мол, в инете слишком больше данных, и ваши proprietary данные не так важны. То есть важно правильно их отбирать, очищать, процессить и тюнить?! Поэтому нет больших марктеплейсов данных. Прямо выстрел по AI x crypto стартапам по теме 😉
9) Прикольно про сравнение Интернет и AI бумов: что аналогия не совсем хорошая, поскольку Интернет это сеть (network), а AI - это про компьютер (эра микропроцессоров/PC). Собственно, поэтому большинство интернет-стартапов базировались на network эффектах; но это не совсем кейс про AI. AI это просто про обработку данных, новый тип компьютера, если хотите.
10) Ну и в заключение предикшн про AI индустрию:
- продолжая аналогию, что AI это новый вид PC, можно ожидать много разных “компьютеров”, не будет только “god” модели (i.e. мейнфрейма), будут “компьютеры” разных размеров, способностей и характеристик. Mainframe --> PC --> smartphone
- будет перепроизводство чипов, датацентров и AI компаний, будет bust, но это важно для будущего. В связи с этим, ожидаемо упомянули про мою любимую работу Carlota Perez, я рассказывал на GenAI семинаре

AI Buyouts

В продолжение поста про автоматизацию сотрудников - вот вам интересная идея: AI Buyout

1) Находим сервисный бизнес, в котором AI может заменить сотрудников существенно трансформировать
2) Покупаем его а ля private equity
3) Автоматизируем все, что возможно
4) Профит

Идеальные таргеты:
1) Компании с большим количеством ручного труда: ревью документов, извлечение и ввод данных, обилие текстовых коммуникаций, написание незамысловатого текста
2) Сотрудники, исключительно обеспечивающие эти бизнес-процессы, без специальных знаний и навыков
3) Высокая доля оплаты труда в общих затратах, низкая маржинальность
4) Рынки с недостатком рабочей силы
5) Слабая рыночная позиция (дешевле купить, выше апсайд)

Что думаете? :)