Практический подход: за неделю от «хаоса» к рабочему ИИ‑онбордингу sales отдела.
Ждать годами идеальную документацию нельзя. Поэтому мы делаем быстро и итеративно — за 1 неделю собираем «рабочий черновик», который уже дает эффект, а дальше донаполняем и оттачиваем 1–2 месяца.
Шаг 1. Собираем всё, что есть
• Документы: скрипты, презентации, офферы, тарифы, политики скидок, регламенты, чек‑листы.
• Источники в CRM: стадии воронки, обязательные поля, stage exit criteria, отчеты.
• Артефакты коммуникаций: записи звонков/встреч, переписки, чаты (где зафиксированы решения).
Шаг 2. Интервью и видео по реальной работе
• Митты с фаундером/CEO/РОП/топ‑сейлз: проходим по реальному пути лида, фиксируем роли, решения, артефакты, метрики.
• Записываем видео/скринкасты по ключевым задачам: квалификация, демо, работа с возражениями, согласование скидок, передача в реализацию.
Шаг 3. ИИ‑транскрибация и первичная структура
• ИИ‑бот транскрибирует видео/встречи и выдает структурированную сводку: этапы, роли, решения, артефакты, риски, примеры.
• Сводим все тексты в одну папку/базу знаний с метаданными (владелец, дата, сегмент, регион).
Шаг 4. Шаблонный каркас документов для sales‑отдела
Через ИИ собираем список обязательных типов документов, которые должны быть в любом sales‑отделе (независимо от ниши):
• Карта процесса: путь лида от первого касания до оплаты и пост‑продажи, с этапами и артефактами.
• Ролевая матрица: кто за что отвечает, кто принимает решения, кому эскалировать.
• Скрипты и talk tracks: по этапам воронки, с вариантами для сегментов/каналов.
• Квалификация и stage exit criteria: что должно быть записано в CRM, чтобы перейти на следующий этап.
• Политики: скидки, условия оплаты, SLA, границы полномочий сейлза.
• Реестр edge‑cases: типовые нестандартные ситуации, риск‑тир, правило эскалации, кто владелец.
• Чек‑листы и SOP: пошаговые инструкции для ежедневных задач и редких, но критичных сценариев.
• Метрики и оценка результата: по ролям и этапам (конверсии, цикл сделки, качество данных в CRM).
Шаг 5. Наполняем каркас вашей спецификой
• По каждому типу документа ИИ собирает черновик из имеющихся материалов: транскриптов, старых файлов, CRM‑отчетов, переписок.
• Человек (владелец процесса) проверяет, правит, утверждает. Это критично: без подписанного владельца SOP не работает.
Шаг 6. Запуск ИИ‑инструментов поверх базы
• Подключаем ИИ‑агента к базе знаний и CRM: онбординг‑бот, тренер‑бот, ассистент сейлза (подсказки по лиду, черновики писем, саммари звонков).
• Встраиваем эскалационные границы: когда ИИ передает человека (сложные возражения, выход за политику скидок, юридические вопросы).
Почему это масштабируется на любую компанию
Каркас документов и вопросов универсален: новый менеджер в любой компании должен понимать одно и то же — что делать на своем этапе, что записать в системе, что решить самому, что согласовать, кому передать задачу и по какому результату его оценят.
Меняется только специфика: услуга, рынок, воронка, CRM, тарифы, роли. Поэтому мы сначала собираем каркас, а потом наполняем его вашей спецификой. Это и есть фреймворк ИИ‑трансформации sales‑отдела, который можно оценить и раскатать за неделю в любой компании.
В чем «магия»
Даже быстрое и «сырое» внедрение уже дает бенефиты: ИИ‑инструменты сами развиваются и обновляются, и эти обновления «раскатываются» на ваши процессы. Вы не ждете идеальной документации — вы запускаете работающий контур, который учится вместе с командой и со временем становится точнее.
Ждать годами идеальную документацию нельзя. Поэтому мы делаем быстро и итеративно — за 1 неделю собираем «рабочий черновик», который уже дает эффект, а дальше донаполняем и оттачиваем 1–2 месяца.
Шаг 1. Собираем всё, что есть
• Документы: скрипты, презентации, офферы, тарифы, политики скидок, регламенты, чек‑листы.
• Источники в CRM: стадии воронки, обязательные поля, stage exit criteria, отчеты.
• Артефакты коммуникаций: записи звонков/встреч, переписки, чаты (где зафиксированы решения).
Шаг 2. Интервью и видео по реальной работе
• Митты с фаундером/CEO/РОП/топ‑сейлз: проходим по реальному пути лида, фиксируем роли, решения, артефакты, метрики.
• Записываем видео/скринкасты по ключевым задачам: квалификация, демо, работа с возражениями, согласование скидок, передача в реализацию.
Шаг 3. ИИ‑транскрибация и первичная структура
• ИИ‑бот транскрибирует видео/встречи и выдает структурированную сводку: этапы, роли, решения, артефакты, риски, примеры.
• Сводим все тексты в одну папку/базу знаний с метаданными (владелец, дата, сегмент, регион).
Шаг 4. Шаблонный каркас документов для sales‑отдела
Через ИИ собираем список обязательных типов документов, которые должны быть в любом sales‑отделе (независимо от ниши):
• Карта процесса: путь лида от первого касания до оплаты и пост‑продажи, с этапами и артефактами.
• Ролевая матрица: кто за что отвечает, кто принимает решения, кому эскалировать.
• Скрипты и talk tracks: по этапам воронки, с вариантами для сегментов/каналов.
• Квалификация и stage exit criteria: что должно быть записано в CRM, чтобы перейти на следующий этап.
• Политики: скидки, условия оплаты, SLA, границы полномочий сейлза.
• Реестр edge‑cases: типовые нестандартные ситуации, риск‑тир, правило эскалации, кто владелец.
• Чек‑листы и SOP: пошаговые инструкции для ежедневных задач и редких, но критичных сценариев.
• Метрики и оценка результата: по ролям и этапам (конверсии, цикл сделки, качество данных в CRM).
Шаг 5. Наполняем каркас вашей спецификой
• По каждому типу документа ИИ собирает черновик из имеющихся материалов: транскриптов, старых файлов, CRM‑отчетов, переписок.
• Человек (владелец процесса) проверяет, правит, утверждает. Это критично: без подписанного владельца SOP не работает.
Шаг 6. Запуск ИИ‑инструментов поверх базы
• Подключаем ИИ‑агента к базе знаний и CRM: онбординг‑бот, тренер‑бот, ассистент сейлза (подсказки по лиду, черновики писем, саммари звонков).
• Встраиваем эскалационные границы: когда ИИ передает человека (сложные возражения, выход за политику скидок, юридические вопросы).
Итог: через неделю у вас уже работает «ИИ‑слой» над процессами: новые сотрудники быстрее входят в роль, текущие получают подсказки и обратную связь, РОП видит контроль качества и узкие места. Да, 1–2 месяца уйдет на донаполнение базы, уточнение edge‑cases и шлифовку метрик — но первый эффект по деньгам вы получаете сразу.
Почему это масштабируется на любую компанию
Каркас документов и вопросов универсален: новый менеджер в любой компании должен понимать одно и то же — что делать на своем этапе, что записать в системе, что решить самому, что согласовать, кому передать задачу и по какому результату его оценят.
Меняется только специфика: услуга, рынок, воронка, CRM, тарифы, роли. Поэтому мы сначала собираем каркас, а потом наполняем его вашей спецификой. Это и есть фреймворк ИИ‑трансформации sales‑отдела, который можно оценить и раскатать за неделю в любой компании.
В чем «магия»
Даже быстрое и «сырое» внедрение уже дает бенефиты: ИИ‑инструменты сами развиваются и обновляются, и эти обновления «раскатываются» на ваши процессы. Вы не ждете идеальной документации — вы запускаете работающий контур, который учится вместе с командой и со временем становится точнее.
❤🔥4👌2
В этом и состоит наш процесс ИИ‑трансформации компаний: не «загрузить документы в ИИ», а построить каркас знаний, собрать реальные правила и исключения, утвердить владельцев и запустить ИИ‑слой, который уже через неделю начинает экономить время сильных менеджеров и ускорять выход новых на плановые показатели.
❤🔥4
Если вы подумаете о вещах, которые окружали вас с утра, то поймёте, что роль ИИ там ничтожная, а скорее всего, вообще ценности у ИИ нет.
Кофе с утра делала кофеварка, такси до офиса ехало с водителем, лифт поднял на этаж за счёт инженерных решений.
ИИ не создаёт экономической ценности здесь и сейчас.
Поэтому не переживайте, что будет катастрофа.
Но вот ещё интересный факт для вас: половина товаров на Amazon имеют в 50% доли своей стоимости логистику. То есть, как бы что‑то ни стоило дёшево, логистика будет занимать огромную долю, особенно стоимость последнего километра.
Поэтому мы идём в те офлайн‑бизнесы, где такие процессы, как логистика, ремонт и прочие офлайн‑штуки, до которых ближайшие лет 20–30 не дотянутся роботы с ИИ, и пытаемся за счёт ИИ сделать так, чтобы всё было оцифровано, автоматизировано и персонализировано. Мы должны сократить все расходы на бэк‑офис и заниматься только тем, чтобы улучшать качество пользовательского опыта, чтобы быть лучшей компанией в нише.
То есть забираем деньги и ресурсы оттуда, где всё может делать ИИ, и передаём их людям, которые выполняют офлайн‑процессы, и конечный пользователь получает идеальный сервис и не платит за то, что компании нужно сделать онбординг нового sales.
Вот такой мир мы пытаемся сформировать в будущем.
Кофе с утра делала кофеварка, такси до офиса ехало с водителем, лифт поднял на этаж за счёт инженерных решений.
ИИ не создаёт экономической ценности здесь и сейчас.
Поэтому не переживайте, что будет катастрофа.
Но вот ещё интересный факт для вас: половина товаров на Amazon имеют в 50% доли своей стоимости логистику. То есть, как бы что‑то ни стоило дёшево, логистика будет занимать огромную долю, особенно стоимость последнего километра.
Поэтому мы идём в те офлайн‑бизнесы, где такие процессы, как логистика, ремонт и прочие офлайн‑штуки, до которых ближайшие лет 20–30 не дотянутся роботы с ИИ, и пытаемся за счёт ИИ сделать так, чтобы всё было оцифровано, автоматизировано и персонализировано. Мы должны сократить все расходы на бэк‑офис и заниматься только тем, чтобы улучшать качество пользовательского опыта, чтобы быть лучшей компанией в нише.
То есть забираем деньги и ресурсы оттуда, где всё может делать ИИ, и передаём их людям, которые выполняют офлайн‑процессы, и конечный пользователь получает идеальный сервис и не платит за то, что компании нужно сделать онбординг нового sales.
Вот такой мир мы пытаемся сформировать в будущем.
❤🔥6
Как ИИ помогает находить ошибки до того, как они начинают стоить компании денег
Продолжаем серию постов о том, как внедряем ИИ-подходы в мувинговую компанию в Нью-Йорке.
Мы уже рассказывали о том, как ИИ ускоряет процессы, снижает косты и помогает повышать эффективность компании.
Но есть ещё одна важная вещь: ИИ помогает находить ошибки до того, как они начинают стоить компании денег.
В мувинге estimate состоит из большого количества деталей. Сейлз собирает inventory, оценивает объём работы, рассчитывает количество часов, учитывает дополнительные услуги, маршрут, количество рабочих дней и особенности каждого move.
И здесь очень легко что-то пропустить или допустить ошибку, особенно если условий много.
Например, в мувинге есть правило расчета времени, когда трак едет пустой в начале и в конце работ.
Если общее время дороги составляет до 6 часов, к расчёту добавляется 30 минут. Если время превышает 6 часов, начинается следующий шестичасовой блок и нужно добавить уже 1 час.
Представим, что по маршруту получилось 6 часов 10 минут.
Менеджер увидел «6 часов» и добавил 30 минут:
6 h 10 min + 30 min = 6 h 40 min
Но по правилам нужно было добавить уже 1 час:
6 h 10 min + 1 h = 7 h 10 min
Разница — всего 30 минут.
Возьмем самую низкую ставку за 4 муверов на рынке — $150 в час. Тогда компания недополучает $75 на одной сделке.
Если такая ошибка происходит хотя бы 5 раз в месяц:
$75 × 5 = $375 в месяц
$375 × 12 = $4,500 в год
И это только один маленький участок одного правила, без учёта более дорогих moves, большего количества movers или других ошибок в estimate.
Но ошибка может работать и в другую сторону.
Представим move с несколькими адресами. Менеджер видит полный маршрут и добавляет всё время между адресами в время, когда трак едет пустой. При этом часть этой дороги уже включена в рабочее время команды. В результате одно и то же время попадает в quote дважды.
Для клиента цена выглядит выше, чем должна быть. Он просто сравнивает итоговую сумму с другими предложениями на рынке. И даже если у компании качественный сервис, хороший crew и сильная репутация, клиент может выбрать конкурента только потому, что наш quote оказался дороже из-за ошибки в расчёте.
То есть в одном случае компания теряет деньги, потому что не учла часть времени. В другом — теряет клиента, потому что случайно завысила стоимость.
И если такие ошибки происходят регулярно, они перестают быть небольшими.
И именно в этом одна из самых практичных ценностей ИИ для бизнеса.Не только сделать процесс быстрее, а системно находить небольшие ошибки, которые человек может не заметить, но которые при регулярном повторении превращаются в реальные деньги.
Продолжаем серию постов о том, как внедряем ИИ-подходы в мувинговую компанию в Нью-Йорке.
Мы уже рассказывали о том, как ИИ ускоряет процессы, снижает косты и помогает повышать эффективность компании.
Но есть ещё одна важная вещь: ИИ помогает находить ошибки до того, как они начинают стоить компании денег.
В мувинге estimate состоит из большого количества деталей. Сейлз собирает inventory, оценивает объём работы, рассчитывает количество часов, учитывает дополнительные услуги, маршрут, количество рабочих дней и особенности каждого move.
И здесь очень легко что-то пропустить или допустить ошибку, особенно если условий много.
Например, в мувинге есть правило расчета времени, когда трак едет пустой в начале и в конце работ.
Если общее время дороги составляет до 6 часов, к расчёту добавляется 30 минут. Если время превышает 6 часов, начинается следующий шестичасовой блок и нужно добавить уже 1 час.
Представим, что по маршруту получилось 6 часов 10 минут.
Менеджер увидел «6 часов» и добавил 30 минут:
6 h 10 min + 30 min = 6 h 40 min
Но по правилам нужно было добавить уже 1 час:
6 h 10 min + 1 h = 7 h 10 min
Разница — всего 30 минут.
Возьмем самую низкую ставку за 4 муверов на рынке — $150 в час. Тогда компания недополучает $75 на одной сделке.
Если такая ошибка происходит хотя бы 5 раз в месяц:
$75 × 5 = $375 в месяц
$375 × 12 = $4,500 в год
И это только один маленький участок одного правила, без учёта более дорогих moves, большего количества movers или других ошибок в estimate.
Но ошибка может работать и в другую сторону.
Представим move с несколькими адресами. Менеджер видит полный маршрут и добавляет всё время между адресами в время, когда трак едет пустой. При этом часть этой дороги уже включена в рабочее время команды. В результате одно и то же время попадает в quote дважды.
Для клиента цена выглядит выше, чем должна быть. Он просто сравнивает итоговую сумму с другими предложениями на рынке. И даже если у компании качественный сервис, хороший crew и сильная репутация, клиент может выбрать конкурента только потому, что наш quote оказался дороже из-за ошибки в расчёте.
То есть в одном случае компания теряет деньги, потому что не учла часть времени. В другом — теряет клиента, потому что случайно завысила стоимость.
И если такие ошибки происходят регулярно, они перестают быть небольшими.
И именно в этом одна из самых практичных ценностей ИИ для бизнеса.Не только сделать процесс быстрее, а системно находить небольшие ошибки, которые человек может не заметить, но которые при регулярном повторении превращаются в реальные деньги.
❤🔥6
Что делать, если новый сейлз не знает, о чем спросить
Продолжаем рассказывать, как внедряем AI в мувинговой компании в Нью-Йорке.
В прошлом посте мы разбирали ошибку в оценке переезда. Она может выглядеть небольшой, но такую ошибку важно найти. Ещё важнее — сделать так, чтобы новый сейлз не повторил её в следующей сделке.
Поэтому мы начали с базы знаний для Sales.
В оценке переезда слишком много деталей: что клиент везёт, какие есть ограничения по адресам, сколько потребуется людей и времени, какие услуги нужны дополнительно. При этом ставки и условия нужно проверять в CRM, а не вспоминать из головы.
Когда мы собрали все правила, следующим шагом стало выстроить сам процесс обучения.
Если просто дать новичку чат, он сможет спросить, как посчитать конкретный переезд или что ответить клиенту. Это полезно в работе.
Но новичок не знает, о чём ещё ему следовало спросить. Он может не заметить, что клиент не сообщил важную деталь, и уверенно пойти готовить оценку.
Поэтому мы разбили обучение на этапы.
Сначала сейлз разбирается, какие услуги оказывает компания и как устроен путь клиента. Затем учится обрабатывать лида, выяснять детали переезда, выбирать способ оценки, готовить quote и передавать информацию дальше.
По каждому этапу можно изучить материалы самостоятельно или разбирать их в диалоге с базой. После теории идут вопросы и ситуации, похожие на реальные сделки компании.
Например: клиент назвал дату и адреса, но не прислал полный список вещей. Что сейлз может сделать сейчас, а для чего данных ещё недостаточно?
Так мы проверяем не только знание правила, но и способность вовремя остановиться, задать вопрос или передать нестандартную ситуацию тому, кто вправе принять решение.
И на этом база знаний не заканчивается.
Она остаётся инструментом для работы. Если вопрос возникает уже по реальной сделке, сейлзу не нужно ждать, пока освободится опытный коллега. Можно найти правило и понять следующий шаг.
А если подтверждённого ответа в базе нет, она не должна придумывать его за компанию.
Сейчас процесс обучения уже выстроен. Следующий шаг — сделать его измеримым.
Нам нужно определить, когда нового сейлза действительно можно допускать к самостоятельной работе.
Недостаточно сказать, что он прошёл все разделы или правильно ответил на 70% вопросов.
Нужно зафиксировать, что именно он должен уметь сделать без помощи: какие данные собрать, какие решения принять, что проверить в CRM, когда запросить недостающую информацию и какие ошибки недопустимы даже при хорошем общем результате.
Из этого будут складываться критерии готовности и KPI обучения.
И тогда мы сможем смотреть не просто на то, прошёл ли человек обучение, а на то, как быстро он начинает работать самостоятельно и сохраняется ли при этом качество его решений.
Потому что цель всей этой системы не в том, чтобы сейлз чаще пользовался AI.
Цель — передавать опыт новым людям по понятному процессу, измерять результат обучения и при этом меньше зависеть от постоянного участия самых сильных сотрудников.
Продолжаем рассказывать, как внедряем AI в мувинговой компании в Нью-Йорке.
В прошлом посте мы разбирали ошибку в оценке переезда. Она может выглядеть небольшой, но такую ошибку важно найти. Ещё важнее — сделать так, чтобы новый сейлз не повторил её в следующей сделке.
Поэтому мы начали с базы знаний для Sales.
В оценке переезда слишком много деталей: что клиент везёт, какие есть ограничения по адресам, сколько потребуется людей и времени, какие услуги нужны дополнительно. При этом ставки и условия нужно проверять в CRM, а не вспоминать из головы.
Когда мы собрали все правила, следующим шагом стало выстроить сам процесс обучения.
Если просто дать новичку чат, он сможет спросить, как посчитать конкретный переезд или что ответить клиенту. Это полезно в работе.
Но новичок не знает, о чём ещё ему следовало спросить. Он может не заметить, что клиент не сообщил важную деталь, и уверенно пойти готовить оценку.
Поэтому мы разбили обучение на этапы.
Сначала сейлз разбирается, какие услуги оказывает компания и как устроен путь клиента. Затем учится обрабатывать лида, выяснять детали переезда, выбирать способ оценки, готовить quote и передавать информацию дальше.
По каждому этапу можно изучить материалы самостоятельно или разбирать их в диалоге с базой. После теории идут вопросы и ситуации, похожие на реальные сделки компании.
Например: клиент назвал дату и адреса, но не прислал полный список вещей. Что сейлз может сделать сейчас, а для чего данных ещё недостаточно?
Так мы проверяем не только знание правила, но и способность вовремя остановиться, задать вопрос или передать нестандартную ситуацию тому, кто вправе принять решение.
И на этом база знаний не заканчивается.
Она остаётся инструментом для работы. Если вопрос возникает уже по реальной сделке, сейлзу не нужно ждать, пока освободится опытный коллега. Можно найти правило и понять следующий шаг.
А если подтверждённого ответа в базе нет, она не должна придумывать его за компанию.
Сейчас процесс обучения уже выстроен. Следующий шаг — сделать его измеримым.
Нам нужно определить, когда нового сейлза действительно можно допускать к самостоятельной работе.
Недостаточно сказать, что он прошёл все разделы или правильно ответил на 70% вопросов.
Нужно зафиксировать, что именно он должен уметь сделать без помощи: какие данные собрать, какие решения принять, что проверить в CRM, когда запросить недостающую информацию и какие ошибки недопустимы даже при хорошем общем результате.
Из этого будут складываться критерии готовности и KPI обучения.
И тогда мы сможем смотреть не просто на то, прошёл ли человек обучение, а на то, как быстро он начинает работать самостоятельно и сохраняется ли при этом качество его решений.
Потому что цель всей этой системы не в том, чтобы сейлз чаще пользовался AI.
Цель — передавать опыт новым людям по понятному процессу, измерять результат обучения и при этом меньше зависеть от постоянного участия самых сильных сотрудников.
❤🔥5
«Cursor пишет уже 80% кода». Обсуждаем с CEO ИТ-компании, как ИИ поменял индустрию
https://digitalbusiness.kz/2026-09-30/cursor-pishet-uzhe-80-koda-obsuzhdaem-s-ceo-it-kompanii-kak-ii-pomenyal-industriyu/
https://digitalbusiness.kz/2026-09-30/cursor-pishet-uzhe-80-koda-obsuzhdaem-s-ceo-it-kompanii-kak-ii-pomenyal-industriyu/
DigitalBusiness.kz
«Cursor пишет уже 80% кода». CEO ИТ-компании рассказал, как ИИ поменял индустрию
ИИ-агенты уже пишут 80% кода, ведут техподдержку и полностью занимаются рефакторингом. Разбираемся, как это повлияло на ИТ-бизнес
❤🔥12
Media is too big
VIEW IN TELEGRAM
Ещё раз о переходе компании в AI-first.
Вчера разговаривали с предпринимателями о том, зачем IT-компаниям вообще фокусироваться на этой теме, если AI-инструменты и агенты идут к тому, что сами всё будут делать. Как услуга это уже не продастся, ценности в ней не будет — как и ценности в строчках кода или макетах дизайна.
Но давайте сделаем zoom out и посмотрим на процессы глобально.
Есть исследование «Why Are the Prices So Damn High? Health, Education, and the Baumol Effect» Эрика Хелланда и Алекса Табаррока, опубликованное Mercatus Center в 2019 году. Оно объясняет рост цен на театр, образование и здравоохранение через «болезнь Баумоля» (Baumol’s cost disease).
Главная идея
Как бы бизнесу ни давали идеальные инструменты для автоматизации — это время, его час, всё ещё безумно дорогой и ценный. И если ты или твоя компания даёте ему как ценность свою экспертизу в домене, то вы по факту экономите его время и создаёте ценность для бизнеса. И это никак не заменить, не автоматизировать.
Для нас как для компании глобально ничего не поменялось. Мы как предоставляли услуги наших супер-мозгов, нашей супер-команды — так всё и осталось.
Сейчас мы активно развиваем направление AI-трансформации компаний. Любой может взять ИИ-инструменты и использовать их. Но никто этого не делает, потому что на это нужны время, опыт и экспертиза. А у нас это всё есть.
В видео — микро-часть AI-трансформации sales-отдела, за которой стоит 200 часов интеллектуальной работы и размышлений. Чтобы микро-процесс работы с лидами стал идеальным, максимально эффективным и имел свойства автоматического обогащения, динамического изменения вместе с компанией, сотрудниками и рынком.
Вчера разговаривали с предпринимателями о том, зачем IT-компаниям вообще фокусироваться на этой теме, если AI-инструменты и агенты идут к тому, что сами всё будут делать. Как услуга это уже не продастся, ценности в ней не будет — как и ценности в строчках кода или макетах дизайна.
Но давайте сделаем zoom out и посмотрим на процессы глобально.
Есть исследование «Why Are the Prices So Damn High? Health, Education, and the Baumol Effect» Эрика Хелланда и Алекса Табаррока, опубликованное Mercatus Center в 2019 году. Оно объясняет рост цен на театр, образование и здравоохранение через «болезнь Баумоля» (Baumol’s cost disease).
Главная идея
Там, где производительность труда растёт — например, в производстве и технологиях, — товары становятся дешевле. Но в отраслях, где основной ресурс — время квалифицированного человека, производительность почти не растёт: врач по-прежнему принимает одного пациента за раз, учитель ведёт класс, актёр играет спектакль в реальном времени. При этом зарплаты таких специалистов растут вслед за экономикой в целом, поэтому их услуги дорожают относительно других товаров.
Как бы бизнесу ни давали идеальные инструменты для автоматизации — это время, его час, всё ещё безумно дорогой и ценный. И если ты или твоя компания даёте ему как ценность свою экспертизу в домене, то вы по факту экономите его время и создаёте ценность для бизнеса. И это никак не заменить, не автоматизировать.
Ваши мозги, ваш опыт, экспертиза — то, что никогда не будет на обочине рынка.
Для нас как для компании глобально ничего не поменялось. Мы как предоставляли услуги наших супер-мозгов, нашей супер-команды — так всё и осталось.
Сейчас мы активно развиваем направление AI-трансформации компаний. Любой может взять ИИ-инструменты и использовать их. Но никто этого не делает, потому что на это нужны время, опыт и экспертиза. А у нас это всё есть.
И самое главное — мы берём на себя риски, ответственность и результат.
И это никто никогда не заменит.
В видео — микро-часть AI-трансформации sales-отдела, за которой стоит 200 часов интеллектуальной работы и размышлений. Чтобы микро-процесс работы с лидами стал идеальным, максимально эффективным и имел свойства автоматического обогащения, динамического изменения вместе с компанией, сотрудниками и рынком.
❤🔥7
Media is too big
VIEW IN TELEGRAM
Мы так подумали - в мире не хватает еще одного приложения для знакомств 🙃🫣 но хочется чтобы люди там были адекваты. А кто адекват в большей своей части?) это люди, которые любят своих питомцев и заботятся о них 😁 с таким человеком есть о чем поговорить, и есть желание создать пару 😁 дадим дейтингу еще один шанс на нормальные знакомства 🤘
https://apps.apple.com/by/app/fundogs/id6783950617?l=ru
https://apps.apple.com/by/app/fundogs/id6783950617?l=ru
❤🔥7
Как мы сократили запуск нишевой платформы с шести месяцев до одного — и почему это не вайбкодинг
Мы собрали продукт за один календарный месяц и $10 000. Но это не история о том, как нейросеть нажала кнопку и выплюнула готовый бизнес. Это история о том, как AI помог упаковать десять лет продуктового опыта примерно в 400 человеко-часов, быстро выйти к пользователям и после первых тестов пересобрать бизнес-модель, не потратив на это ещё полгода.
Читать статью - https://vc.ru/ai/3179697-kak-my-sokratili-zapusk-platformy-docsgo
Мы собрали продукт за один календарный месяц и $10 000. Но это не история о том, как нейросеть нажала кнопку и выплюнула готовый бизнес. Это история о том, как AI помог упаковать десять лет продуктового опыта примерно в 400 человеко-часов, быстро выйти к пользователям и после первых тестов пересобрать бизнес-модель, не потратив на это ещё полгода.
Читать статью - https://vc.ru/ai/3179697-kak-my-sokratili-zapusk-platformy-docsgo
❤🔥8