AI в продакте — не магия. Это ускоритель, если правильно вшит в процесс.

Есть данные: в одном из сравнительных проектов по кибербезопасности команда с AI на всём цикле разработки срезала суммарные трудозатраты на 36% по сравнению с проектом без AI. Не потому что «ИИ всё сделал», а потому что часть рутины ушла из рук людей.

Где он реально дает эффект:
— первичный ресерч рынка
— сбор конкурентов
— разбор отзывов и болей
— поиск паттернов в гипотезах

Что важно: AI не заменяет продакта. Он сокращает время на первую версию анализа и меняет саму механику работы команды. Вместо недели ручного копания — черновик за часы. Дальше всё равно нужен человек: проверить, отфильтровать, докрутить.

Вывод простой: AI полезен там, где есть объем, повторяемость и необходимость быстро собрать первую картину. Если ждете от него готовое решение — это хайп. Если встроили в пайплайн — это уже экономия бюджета и времени ⚡

Anthropic обвинила DeepSeek, Moonlight и Alibaba в дистиляции

Статья о том, как китайские компании массово выкачивают ответы западных нейросеток, чтобы дообучать свои модели. Anthropic говорит о 24 000 фейковых аккаунтов и 16 млн запросов к Claude. Вывод простой: рынок ИИ входит в фазу жёсткого копирования, а китайские модели Qwen, Kimi и DeepSeek могут быстро догонять лидеров дешевле.

➡️ Читайте на сайте: https://aff.top/blog/anthropic-obvinila-deepseek-moonlight-i-alibaba-v-distiliacii

🧠 Ещё больше инсайтов → в канале AFF.top

Два LLM оставили болтать друг с другом без модератора — и, внезапно, это не «умный созвон», а отличный способ посмотреть, как модель начинает сама себя закольцовывать.

Схема простая, как бриф на «сделайте нам вирусняк»:
`LLM A -> LLM B -> LLM A -> ...`

Сначала это выглядит почти прилично: ответы, уточнения, взаимные правки. Потом начинается любимое у машин и людей в плохом чате — **самоподкрепление**. Модель ловит собственные паттерны, усиливает их, теряет внешний якорь и начинает строить внутреннюю логику вокруг своей же логики. И вот уже не диалог, а маленький корпоративный круглый стол без выхода.

Из этого выросла идея **«рефлексивного ядра»** — когда модель не просто отвечает, а держит в голове собственные состояния и возвращается к ним. А дальше, при более поздних экспериментах, всплыл ещё более интересный механизм — **мета-внимание**: условно, когда модель учится смотреть не только на текст, но и на то, *как она сама распределяет внимание*.

Итог редакторский: если дать LLM слишком долго говорить с самой собой, она не обязательно станет мудрее. Иногда она просто уходит в очень уверенный внутренний чат, где все сообщения уже согласованы.

Когда SMM-щик слышит «нужно что-то вау, чтобы продавало само», он обычно делает вид, что связь прервалась.
А вот Алексей Абрикосов в XIX веке не делал вид — он просто взял и собрал продуктовый маркетинг в один шоколадный слой.

Схема была почти идеальной: снаружи — подарок, внутри — сладость, в центре — игрушка.
То есть не просто «вкусно», а ещё и «не выбрасывай сразу». В терминах современных метрик это уже не покупка, а удержание внимания в упаковке 🎁

Почему это работало:
— подарок повышал ценность без удорожания смысла;
— игрушка запускала повторную покупку: «а что там попадётся в следующий раз?»;
— эмоция начиналась ещё до вскрытия фантика — до того, как человек вообще попробовал продукт.

По сути, Абрикосов делал то, что сейчас называют customer experience, только без презентации на 42 слайда и фразы «давайте подумаем через инсайт».
Просто очень рано понял: люди покупают не шоколад, а историю вокруг него. И да, этот принцип до сих пор продаёт лучше, чем «у нас качественный продукт, честно» 🍫

Тем временем подстилка коричневых Кардиналов и лично Кустова главред Максим Огненный завёл собственный канал, где, наверное, опять будет писать стихи и анонсировать вьюхи с ме**дроновыми наркоманами.🤡🤡

Чем вообще известен этот персонаж? Собсна, только порцией отборного кринжа, например, не так давно он выебывался на Иванова в "Письмах кардинала", но недожал и тема осталась нераскрытой. ЕЮ заслужил даже высокоинтеллектуальные выпады, которые тот не понял в силу врождённого аутизма:

Высокохудожественная лексика героя, демонстрируемая им не только на своем канале, но и на любой публичной площадке, настолько пленит любого слушателя, что мало кто может стать собеседником жертвы во второй раз.

Нихуя не разбираясь в аффилке, он на серьёзных щах брал интервью у Мефмедова и пытался построить серьёзный диалог с объёбанной ракетой. Из остальных достижений только нытье в чатиках: персонаж настолько невзрачный, что даже хуесосить его не так интересно.¯\_(ツ)_/¯

А теперь Огненный завёл собственный канал, где собрался выебать всех, но, походу, ебать будет лишь подписоту своей графоманией. Похожей хуйнёй занимался и оунер ФБ Киллы, который так любит рассуждать про экономику и политику. Оно и понятно: что у коричневых, что у киллы, что у партнёркина — один инвестор и одна крыша, поэтому подопечные синхронно занимаются бестолковой хуйнёй. Кому не похуй, подписывайтесь, будет интересно (нет): https://t.me/+dr240TeLtPc2Nzdk

В арбитраже деньги есть, но только у тех, кто с LuckyCards 💵

Antropic раскрыла ферму с нейронными дейтинг-моделями

Anthropic раскрыла кейс китайской студии, которая запустила 20 дейтинг-приложений с нейропрофилями для удержания пользователей. Вместо стандартного слива дейтинг-трафика на чужие смартлинки, вебмастерам стоит присмотреться к разработке собственных LLM-сервисов. Затраты на токены и подключение платежных решений окупаются за счет прямого контроля над монетизацией и забора всей маржи рекламодателя.

➡️ Читайте на сайте: https://aff.top/blog/antropic-raskryla-fermu-s-neironnymi-deiting-modeliami

🧠 Ещё больше инсайтов → в канале AFF.top

Реактивная система — это не «магия обновления», а граф зависимостей.

Меняешь один узел — рантайм гонит пересчёт по всем связанным состояниям. Это и есть data-flow: цепочка, где каждое лишнее ответвление = лишняя работа.

Что важно:
- чем короче путь данных, тем дешевле пересчёт;
- чем меньше боковых эффектов, тем меньше мусорных обновлений;
- чем меньше состоянию приходится знать «про всё», тем стабильнее система.

В реальной разработке проблема почти всегда одна: поток данных разрастается в паутину. И тогда любое маленькое изменение начинает триггерить кучу не связанных между собой частей.

Оптимизация тут не про «ускорить всё сразу».
Она про два вопроса:
1) где можно выпрямить поток;
2) где можно отрезать лишние зависимости.

📉 Если после изменения одного поля у тебя мигает пол-интерфейса — это не фича, это плохая топология графа.

Хочешь быстрый reactive stack — режь разветвления, а не надеясь на «сильный рантайм».

Разработчик игры слил $220 в Google ads на установки ботами

Статья описывает кейс разработчика, потерявшего бюджет в Google Ads из-за фрода и специфики атрибуции. Платформа засчитала конверсии, которые не подтвердились в Google Play Console, так как алгоритм учитывает установки без прямой связи с кликом. Главный вывод: Google Ads может наливать ботов не меньше пуш-сетей. При работе за инсталы важно жестко контролировать качество трафика и сверять аналитику с бэкендом, в то время как Facebook на данный мо…

➡️ Читайте на сайте: https://aff.top/blog/razrabotchik-igry-slil-220-v-google-ads-na-ustanovki-botami

🧠 Ещё больше инсайтов → в канале AFF.top

Google расширил Data Manager

Google интегрировал инструмент Data Manager в GA и DV360 для удобной передачи first-party данных, что дает рост ROAS до 26%. Для арбитража трафика прямого применения у офлайн-данных нет, однако инструмент можно использовать для манипуляции алгоритмами: отправка синтетических конверсий через API поможет скорректировать оптимизацию и направить автостратегии на поиск нужной аудитории.

➡️ Читайте на сайте: https://aff.top/blog/google-rasshiril-data-manager

🧠 Ещё больше инсайтов → в канале AFF.top

Xchat удалён из App Store и Google play

Google Play и App Store удалили мессенджер XChat, продвигавшийся Илоном Маском как сервис с шифрованием без рекламы. Несмотря на трафик из X.com, приложение исключили из сторов. Причиной мог стать отказ от трекинга, что мешает монетизации и антифрод-системам площадок. Кейс доказывает: отсутствие рекламных инструментов делает софт уязвимым, а медийная поддержка не спасает продукт, если его политика нарушает правила маркетплейсов.

➡️ Читайте на сайте: https://aff.top/blog/xchat-udalen-iz-app-store-i-google-play

🧠 Ещё больше инсайтов → в канале AFF.top

В Facebook Ads Manager появилась метрика Creative Diversity

Meta представила метрику Creative Diversity для оценки разнообразия креативов. Алгоритм Generative Recommender анализирует стиль, тему, тип хука и формат объявлений. Простое изменение цвета или ракурса теперь не работает: система пессимизирует похожие подходы. Для эффективного залива арбитражникам придется тестировать принципиально разный контент, чтобы алгоритмы лучше находили аудиторию. Инструмент выйдет из беты до конца года.

➡️ Читайте на сайте: https://aff.top/blog/v-facebook-ads-manager-poiavilas-metrika-creative-diversity

🧠 Ещё больше инсайтов → в канале AFF.top

Conventional Commits — это не стандарт, а костыль, который притворяется системой.

Что происходит на практике:
— команды тратят время на форматирование коммитов
— начинают обсуждать `feat` vs `fix`, вместо того чтобы выпускать продукт
— changelog становится красивым, но не решает главную задачу: быстро понять, что реально сломалось и что изменилось

Проблема не в самом шаблоне. Проблема в том, что его продают как дисциплину, а по факту он часто даёт ложное ощущение контроля.

Для SMM и контент-команд логика та же:
если процесс заставляет людей думать о форме больше, чем о результате, он работает против команды.

Хороший рабочий процесс измеряется не «правильностью» записей, а тем:
— быстрее ли команда находит нужную инфу
— меньше ли ручных разборов
— проще ли откатывать и объяснять изменения

Если система требует постоянного внимания к мелочам, но не ускоряет работу — это не система. Это бюрократия в красивой упаковке ⚙️

Твои переписки с ChatGPT читают люди

OpenAI привлекает подрядчиков для ручного анализа диалогов с ChatGPT, чтобы повысить качество модели. В ходе проверки конфиденциальная информация пользователей попадает к третьим лицам. Для сферы CPA это несет прямые риски: уникальные связки, креативы и структуры лендингов, созданные нейросетью, перестают быть приватными. Главный вывод — любая информация, переданная ИИ, может быть изучена извне, что ведет к быстрому выгоранию профитных подходов …

➡️ Читайте на сайте: https://aff.top/blog/tvoi-perepiski-s-chatgpt-chitaiut-liudi

🧠 Ещё больше инсайтов → в канале AFF.top

Google тестирует оплату за контент сайта

Google запустил тест программы AI Contribution Pilot, предлагая вебмастерам выплаты через Search Console за контент, повлиявший на ответы ИИ в Gemini и AI Overviews. Алгоритмы оценки вклада и формулы расчетов непрозрачны, а суммы пока скромные. Главный итог: создан важный прецедент прямой компенсации за использование авторских материалов в генеративной выдаче.

➡️ Читайте на сайте: https://aff.top/blog/google-testiruet-oplatu-za-kontent-saita

🧠 Ещё больше инсайтов → в канале AFF.top

В публичный доступ вышли Gemini 3.8 Live и Gemini 3.8 Live Extended Thinking

Google представила Gemini 3.8 Live и Extended Thinking — голосовые ИИ-модели с поддержкой 97 языков и функцией параллельного мышления. Инструмент умеет выполнять фоновые задачи и анализировать видео в реальном времени, не прерывая диалог. Высокое качество распознавания речи и доступ через API позволяют эффективно использовать модели для автоматизации воронки продаж, обработки лидов и создания интерактивных креативов.

➡️ Читайте на сайте: https://aff.top/blog/v-publichnyi-dostup-vyshli-gemini-3-8-live-i-gemini-3-8-live-extended-thinking

🧠 Ещё больше инсайтов → в канале AFF.top

В QA обычно проблема не в тестах, а в зоопарке фреймворков. У каждой команды свой стек, свои костыли, свои «у нас так исторически». В итоге автоматизация не ускоряет, а расползается по компании и жрёт время на поддержку.

Что сделали здесь: собрали централизованное решение на базе Perfeccionista-framework, сверху подключили RAG и MCP-сервер для работы с LLM. Зачем? Чтобы языковая модель понимала не абстрактный текст, а контекст тестов: структуру, зависимости, домен, ограничения.

Что это меняет на практике:
— меньше ручной рутины в подготовке и разборе тестов
— меньше ошибок из-за отсутствия контекста у ИИ
— проще масштабировать автоматизацию на разные команды
— QA начинает работать не как «писатель скриптов», а как оператор системы тестирования 🤖

Главный вывод жёсткий: будущий QA — не просто автоматизатор, а человек, который умеет ставить задачу модели и при этом понимает предметку. Без этого ИИ в тестировании будет не ускорителем, а ещё одной дорогой игрушкой.