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 (subscription, 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