Экспертиментирую с форматами. На этот раз — дайджест публикаций по конкретной тематике.

Первый принцип | Срез недели №1
Тема: Как технологии меняют нашу действительность

1. WIRED — Stumbling and Overheating, Most Humanoid Robots Fail to Finish Half-Marathon in Beijing
В Пекине шесть гуманоидных роботов прошли дистанцию полумарафона — 21 км. Не полностью самостоятельно, но на глазах у тысяч зрителей. Это пока не спорт, но уже дальше чем просто лаборатория.
>> Идея: роботы скоро начнут становиться частью повседневной жизни, а не только средствами для производства.
https://www.wired.com/story/beijing-half-marathon-humanoid-robots/

2. Scientific American — This Impossible New Color Is So Rare That Only Five People Have Seen It
Учёные нашли новый цвет, который невозможно увидеть без лазерной коррекции зрения — «невообразимо насыщенный синевато-зелёный». Это не иллюзия, а физически новый спектр восприятия.
>> Идея: границы нашего восприятия могут быть подвижны благодаря технологиям
https://www.scientificamerican.com/article/researchers-discover-new-color-thats-impossible-to-see-without-lasering-your

3. MIT Sloan — Will AI Disrupt Your Business? Key Questions to Ask
AI влияет не только на процессы, но и на бизнес-модель: меняет ценностное предложение продукта, каналы, издержки. В статье — полезный список вопросов, которые стоит задать до запуска любого AI-проекта.
>> Идея: внедрение AI — не проект, а проверка текущей бизнес-модели на устойчивость.
https://sloanreview.mit.edu/article/will-ai-disrupt-your-business-key-questions-to-ask/

👉 Как вам такой формат?

Вчера был на встрече клуба выпускников в АНД. Обсуждали стратегию бизнеса в турбулентные времена — стоит ли продолжать в рамках стратегического цикла мыслить горизонтами 3-5 лет или лучше сузить горизонт планирования до более короткого?

В панели своим опытом делились фаундеры Qiwi и Strategic Partners, президент Naumen и ex-CEO Робокассы.

Инсайты:

1. Важна не сама стратегия (финальный артефакт), а сам процесс работы над ней. Он позволяет команде задуматься о том, какой бизнес мы строим, почему и куда в итоге хотим прийти;

2. Готовя стратегию на 3-5 лет, мы не высекаем план в камне. Особенно в текущей ситуации стратегию важно обновлять не реже одного раза в год;

3. «План Б» и альтернативный сценарий — это две разные вещи. «План Б» — это что будешь делать, если «План А» не сработал. А альтернативный сценарий — это про то, как действовать при разных внешних обстоятельствах (например, при ключевой ставке 21% или в случае ее понижения);

4. Цикл подготовки / обновления стратегии благодаря ИИ сильно сократился (речь про профессиональные команды стратегов). Если раньше на создание хорошей стратегии уходили 3 месяца (включая сбор данных, аналитику и работу над документом), то сейчас этот процесс занимает 1 месяц — без потери качества;

5. Стратегическая функция с появлением ИИ будет эволюционировать. Если раньше в большой компании требовалась команда аналитиков и менеджеров по стратегии, то с появлением ИИ тредозтраты кратно сокращаются. При этом важно, что лидировать функцию должен стратег с хорошим опытом, тк ИИ без правильных инструкций качественную стратегию сегодня собрать не может.

Спасибо команде АНД за крутое мероприятие!

Четыре сценария развития экономики России — как с ними работать?

Один из самых частых вопросов сегодня: «А как вообще что-то планировать, если каждую неделю все меняется?»

Александр Идрисов, основатель Strategy Partners, после встречи АНД поделился четырьмя свежими сценариями для экономики России в 2025-2026: «Оттепель», «Холодный мир», «Крепость в осаде» и «Идеальный шторм».

Это не прогнозы, а спектр вариантов будущего, к которым с точки зрения стратегии можно готовиться уже сейчас.

От чего зависят сценарии?
Четыре фактора:
— Геополитика: деэскалация или эскалация
— Глобальная экономика: рост или рецессия
— Санкции: смягчение или усиление
— Нефть: от $85 до $50 за баррель

Консенсус-прогноз на 2025-2026: ВВП -1.5…-2.5%, инфляция ~10%, ставка ЦБ ~19%, курс ~120 руб./$.

Как использовать сценарии в стратегии?
1. Не пытаться угадать «правильный».
Сценарии — не для предсказаний, а для расширения горизонта.
Спросите: «Если этот сценарий реализуется — что это значит для нашего бизнеса?»

2. Сделать стресс-тест текущей стратегии.
Прогнать ключевые ее элементы через 4 сценария:
— Как изменится спрос?
— Выдержат ли цепочки поставок?
— Что с юнит-экономикой при ставке 20% и курсе 130?
— Где уязвимости?

3. Разделить инициативы на два типа:
— «Делать в любом случае» — полезны при любом сценарии (операционная эффективность, объем ликвидности, развитие команды);
— «Сценарно-специфичные» — активируются при конкретных сценариях.
Например: Оттепель — масштабируемся быстро; Шторм — сокращаем издержки и переупаковываем цепочку.

4. Следить за триггерами, которые активируют тот или иной сценарий:
— Цены на нефть
— Курс рубля
— Санкционная риторика
— Ставка ЦБ
— Статус переговоров

Итог: сценарии не отвечают на вопрос «что будет». Они помогают задать главный вопрос: «Что мы будем делать, если это произойдёт?»

Если интересно изучить сценарии подробнее — оригинальные материалы в первом комментарии.

Про метод первого принципа, ч.2: в продуктовой работе

В одном из постов рассуждал, что такое мышление по методу первого принципа. Теперь пример из практики.

В продуктовых командах часто можно услышать:
— У Яндекса/Авито это уже реализовано — нам тоже надо;
— У нас есть гипотеза — сделаем MVP;
— Клиенты просят эту фичу — добавим;

Но вопрос не в том, делает ли кто-то еще. А почему они это делают? И что стоит за этим решением?

Мышление по методу первого принципа помогает пересобрать ключевые элементы работы: гипотезы, приоритизацию, MVP и ценность для пользователя.

Вот как это выглядит на практике:

1. Убираем «у конкурентов работает». Вместо копирования — разбор задачи:
— Какую проблему решает фича?
— Почему она возникла?
— Какая причина стоит за поведением пользователя?

2. Перепроверяем гипотезу. Гипотеза — это всего лишь мнение в красивой упаковке.
— Какие допущения мы делаем?
— Каковы наиболее рискованные предложения и как их проверить до запуска?
— Что реально влияет на метрику?

3. Пересобираем MVP
Не «обрезанный продукт», а критический путь для решения конкретной задачи пользователя, без лишнего.

4. Приоритизация через причинно-следственные связи — не по RICE или HiPPO, а вопросы:
— В чем корневая причина падения метрик?
— Что даст реальный рост, а не косметику?

Пример:
Команда спорила о кастомном отчете, который хотел клиент.
- Аналитик спросил: «Что пользователь хочет понять?»
- Ответ: «Сверить эффективность размещения». Решение — не в отчете, а в push-уведомлении и подсказке. Разработка заняла 1 день вместо 3 недель.

Мышление по методу первого принципа — не про «думать дольше». А про думать точнее. И создавать продукт, который решает суть, а не копирует форму.

ИИ и совет директоров: как управлять, а не догонять

ИИ больше не "тема CTO". Это зона ответственности совета директоров.

Deloitte выпустил дорожную карту по стратегическому управлению ИИ. Главный посыл — ИИ нужно не просто внедрять, а системно управлять им на уровне СД.

Ключевые тезисы:
— Стратегия: ИИ должен быть частью корпоративной стратегии. СД оценивает риски, темпы внедрения, вовлечённость внешних подрядчиков, метрики успеха;

— Риски: от галюцинаций моделей до утечек интеллектуальной собственности и этических вопросов. Риски "неиспользования" тоже есть — потеря конкурентного преимущества;

— Управление: кто в совете отвечает за ИИ? Нужен ли ИИ-комитет? Как часто ИИ на повестке?

— Результаты: критерий оценки эффективности внедрения ИИ — это ROI, эффективность процессов и влияние на ключевые цели. Но нужны контроль над метриками и регулярная отчётность;

— Люди: стратегия ИИ = стратегия талантов. Апскилл, найм, лидерство, этика — всё в фокусе;

— Корпоративная культура: важны не только следование требованиям законодательства, но и соблюдение этических рамок при внедрении ИИ. Совет должен отслеживать, как ИИ влияет на ценности и репутацию компании.

Оригинал Deloitte AI Governance Roadmap — в первом комментарии

Про принцип SDR (единственная решающая причина).

Вчера из интервью Rahul Vohra, CEO Superhuman, узнал о подходе к принятию качественных решений, с которым ранее не сталкивался — Single Decisive Reason (единственная решающая причина).

Суть подхода: если вы приводите сразу несколько аргументов, скорее всего, пытаетесь уговорить самого себя. Очевидные, устойчивые к ошибке решения, не требуют больше одной значимой причины.

Пример из практики: Есть спорная ситуация и два лагеря — сторонники и противники принятия решения. У каждой из них есть «сильные» аргументы и обе уверены в своей правоте.

В такой ситуации нередко побеждает не бизнес-логика, а тот, кто говорит громче или обладает большим политическим весом.

Как с помощью SDR выбрать наилучшее для бизнеса решение, если обе стороны звучат убедительно?

Шаг 1. Выделить все «за» и «против» принятия спорного решения.
В примере Superhuman обсуждалось — продолжать ручной онбординг клиентов или наконец автоматизировать этот процесс? У каждой стороны было множество «важных» аргументов (детали — см. статью).

Шаг 2. Категоризировать все причины «за» и «против», игнорируя абсолютное количество плюсов и минусов.
В случае Superhuman получилось четыре категории:
1. Стоимость реализации;
2. Опыт пользователя (CX);
3. Сложность реализации;
4. Развитие продукта.

Шаг 3. Приоритизировать категории, а не аргументы.
Задаём вопрос: какая категория важнее всего для бизнеса прямо сейчас? Это и есть SDR (единственная решающая причина). У Superhuman приоритетом был крутой CX — команда не была готова жертвовать крутым пользовательским опытом ради других выгод.

Итог: прямая коммуникация SDR при принятии решений помогает Superhuman обеспечивать согласованность действий и держать фокус команд на важном.

>> SDR — это способ вырезать шум и принять стратегическое решение, когда аргументы звучат одинаково веско.

NB: это не серебряная пуля, а один из инструментов в чемоданчике руководителя.

Как продактам развивать свой скиллсет в эпоху ИИ?

В апреле CEO Shopify Тоби Лютке объявил, что использование ИИ «на уровне рефлексов» стало базовым ожиданием от сотрудников. А при найме нового сотрудника нужно обосновать, почему задачу невозможно решить только с ИИ.

Обращаю на статью внимание не потому, что ИИ «снова на волне» и про это модно написать.

Дело в другом. Сегодня продакт-менеджеры действительно могут кратно ускорять выполнение многих задач, если грамотно работают в паре с ИИ:
— собирать и систематизировать инсайты, выдвигать и прорабатывать гипотезы на этапе дискавери;
— быстро составлять ТЗ для разработки и дизайнеров или вообще собирать прототип самостоятельно, сократив time-to-market (пример с Tilda, make, airtable и пр.);
— анализировать данные и оперативно готовить отчеты для ЛПР.

Во всем этом нужно обязательно прокачиваться — становится очевидно, что это уже must have. Хотя бы для того, чтобы быстрее тушить пожары, разруливать влеты и меньше тратить время на рутину.

Вопрос в другом — как правильно распорядиться тем временем, которое при правильной сноровке ИИ поможет высвободить?

В режиме «пожар-mode» у продактов часто на второй или третий план уходят задачи долгосрочного развития продукта и проработки бизнес-стратегии. Это понятно. Но именно здесь появляется ключевое окно возможностей.

ИИ дает продактам не только немного дополнительного воздуха в течение дня, но и шанс на карьерный level-up. Появляется ресурс, чтобы задуматься не только о закрытии квартальных целей, но и о более сложных вопросах:
Как мой продукт будет выглядеть через три года? Как он поможет расти бизнесу?

Как уже писал, ИИ может взять на себя и часть «ручной» работы по подготовке стратегии. Но для этого ему нужен старший напарник — человек с прокачанным стратегическим мышлением, способный направить и собрать результат в работающую систему.

И здесь амбициозные продакт-менеджеры получают все карты в руки.

Ответ на вопрос «что для этого делать» — оставлю для другого поста.

Продолжая разговор о важности долгосрочного мышления, хочется вспомнить фразу Джеффа Безоса, фаундера Amazon, которую он сказал много лет назад:

«Когда у меня удачный квартальный отчёт, люди говорят: “Поздравляю!” — я отвечаю “спасибо”, но на самом деле думаю: этот результат был заложен нами три года назад».

Про что он?
О том, что настоящие результаты бизнеса — не отражение текущих усилий, а следствие решений, принятых задолго до момента Х.

Три года назад команда инвестировала время, ресурсы и внимание во что-то, что тогда не выглядело как «успех», но соответствовало долгосрочным целям. Тогда это мог быть спорный выбор, неочевидная ставка, работа «в долгую».

Сегодня — это готовый результат, который все видят. Но видят только верхушку айсберга.

Как начать думать на долгосрочную перспективу?
— Сдвинуть фокус: перестать оценивать успех исключительно по текущим метрикам и годовым целям. Можно добавить в цели квартала «forward-looking KPI» — чтобы быть готовым к следующему витку роста.

— Завести в бэклоге «неприоритетные» сегодня гипотезы, которые могут стать основой кратного роста через 2-3 года — стараться делать пилоты или R&D-проекты, которые отрывают от «кормушки квартала».

— Регулярно задавать себе вопросы: что станет нормой в отрасли через несколько лет? где мы рискуем оказаться не готовы? что сейчас кажется неважным, но может изменить рынок? позволит ли текущая архитектура продукта нам быстро расти будущем?

— Не ждать разрешения «сверху» — стратегическое мышление не привязано к годовым или квартальным целями или к должности. Это про системную работу сегодня с прицелом на будущее.

Повышение квалификации в эпоху ИИ — это не про «курсы по Python», а про стратегию выживания бизнеса.

В свежем отчете Pearson показали интересную цифру: в ближайшие пару лет разработчики высвободят до 6 часов в неделю за счет автоматизации — и смогут вложить их в более ценные задачи.

Круто? — Да. Но посмотрим глубже.

Это не про программистов. Это про всех.
ИИ и автоматизация будут постепенно убирают рутину у всех ролей — продавцов, маркетологов, логистов, бухгалтеров и т.д. Перед компаниями становится новый вопрос:

А что будут делать люди, когда «механический труд» уйдёт?
— принимать решения
— коммуницировать
— мыслить стратегически
— работать с неопределенностью
Иными словами — развивать то, чему почти не учили в корпоративных системах обучения.

Где системный провал?
Большинство программ повышения квалификации сегодня — это тактический апгрейд скиллов по любой теме: финансы, управление продуктом, продажи и т.д.

Но если вы управляете бизнесом — у вас другая задача: перестроить всю архитектуру развития людей под ландшафт, где человек + ИИ = основная модель работы.

Что можно делать уже сейчас:
1. Сделать ревизию корпоративного обучения.
Не просто «какие курсы», а чему мы на самом деле учим. Есть ли там работа с ИИ, критическое мышление, коммуникация в гибридной среде?

2. Применить продуктовый подход к развитию талантов.
Вместо формальных LMS — кастомные треки под задачи бизнеса и роли. Прямо как продукт: исследование, гипотезы, метрики, итерации.

3. Если вы в СД — задать темп.
Запросить от СЕО план по переосмыслению стратегий обучения. С конкретными KPI: % времени, высвобожденного от рутины, % сотрудников, освоивших работу с ИИ-инструментами и т.д.

4. Инвестировать не только в харды.
ИИ будет дописывать код и собирать отчёты. А вот вести переговоры, адаптироваться, вдохновлять команду — останется за человеком.

Автоматизация — это не про сокращения. Это про трансформацию ролей.
Руководителям важно сегодня не просто пережить ИИ волну, а глубже понять, что за ней стоит, и научиться использовать ее как рычаг роста.

Как? — Через продуманную стратегию развития людей.
Обучение больше не вспомогательная функция. Оно должно вытекать из логики того, как будет меняться бизнес под влиянием ИИ, и кто именно будет его локомотивом в будущем.

Какой следующий шаг после LLM? — взгляд Яна ЛеКуна

Ян ЛеКун, один из пионеров глубокого обучения, считает, что ключевые прорывы на основе LLM моделей (больших языковых моделей) уже свершились — ждать новых от них не стоит.

«LLM — это зрелая технология, которая уже в руках продуктовых команд и улучшается на уровне инкрементов. Больше данных, больше вычислений, чуть лучше результат. Но это уже не фундаментальная наука».

Во что он верит?
– модели, которые понимают физический мир (а не только текст),
– умеют планировать и рассуждать,
– обладают постоянной памятью,
– и строят внутреннюю модель реальности, как человек или животное.

Текущие языковые модели делают вид, что рассуждают, просто перебирая токены. ЛеКун считает это тупиковым подходом:

«Мы не мыслим в токенах. Мы мыслим в абстрактных представлениях».

Он видит будущее (AGI и вот это все) за JPA архитектурой (Joint Predictive Architecture), над которой сейчас работает.

Остальное пересказывать не буду. Если тема близка — вот полная версия его интервью на конференции NVIDIA для просмотра на выходных.

Какой следующий шаг после LLM? ч.2 — Как на это смотрят выходцы из Google DeepMind

В прошлом посте я писал о взгляде Яна ЛеКуна: LLM — зрелая технология, и ждать от неё новых прорывов не стоит. Он верит в агентов, которые умеют планировать, взаимодействовать с миром и строить собственную модель реальности.

С этим взглядом перекликается новая статья Welcome to the Era of Experience Дэвида Сильвера и Ричарда Саттона — основателей и идеологов современного reinforcement learning. Они называют следующий этап в развитии ИИ эрой опыта.

Важно понимать: это уже не языковые модели в привычном смысле.
Это следующий класс систем — не LLM, а агенты, которые живут в "среде", а не в диалоге. Они не просто генерируют ответы, а действуют, наблюдают, учатся и адаптируются.

Сегодняшние модели вроде GPT выросли на сгенерированных людьми данных — текстах, диалогах, коде. Они умеют имитировать мышление, давать советы, писать эссе. Но есть потолок: такие модели не выходят за пределы того, чему их научили люди.
В науке, математике, инженерии — там, где нужны открытия, а не повторение — они упираются в стену.

Что дальше?
ИИ-агенты, которые учатся не из данных, а из взаимодействия с миром. Они не просто отвечают на вопрос, а живут в потоке опыта. Действуют, получают обратную связь от среды, корректируют поведение.

Как AlphaZero научился играть в шахматы не по партиям гроссмейстеров, а через самообучение. Или как AlphaProof решал олимпиадные задачи, создавая 100 млн собственных доказательств.

Что это значит для бизнеса (в будущем)?
1. Ценность — не в токенах, а в последствиях. Главное не как агент “думает”, а как он действует и к чему это приводит;
2. Метрики ИИ-продуктов станут другими: важна не точность ответа, а вклад в долгосрочную цель (здоровье, обучение, рост выручки);
3. Изменится и сам UX: агент будет не просто отвечать на команды, а сам наблюдать за действиями пользователя, адаптироваться и учиться — как персональный ассистент, который становится полезнее с каждым днём;
4. Data flywheel превращается в experience flywheel: действие => результат => адаптация => новое действие.

Следующий шаг — это ИИ, который не просто “отвечает”, а сам ставит цели, действует и учится на своих ошибках.

Стратегия: думать от будущего, а не от текущих задач

Многие компании строят стратегии с горизонтом 1–2 года — «от сегодняшнего дня». Это дает ощущение реалистичности: понятно, с чем имеем дело, можно «протянуть траекторию» на немного вперед. И нестабильная рыночная ситуация тоже как-будто бы к этому нас подталкивает.

Но в этом подходе есть ловушка:
Вы не меняете траекторию развития бизнеса, вы ее продлеваете. И часто — в рамках уже существующих ограничений, культуры, команды и даже привычек. Это тактическое планирование, упакованное в формат стратегии.

Наверняка вы слышали про фреймворк Thinking backwards. Сначала — задаете желаемую точку через 3–5 лет: где хотим быть, какие показатели, как выглядим в глазах клиентов, как работает бизнес.
Затем — «отматываете» назад: какие шаги и условия к этому ведут? что мешает? как устранить барьеры?

Его активно применяют в Амазон. А в России одними из самых крутых его практиков являются Авито. Я работал по нему не один год и продолжаю системно применять и по сей день. Хочу поделиться личным опытом — в чем вижу его ценность для достижения по-настоящему прорывных результатов для бизнеса.

Такой подход требует большей честности и управленческой смелости. Потому что он не принимает текущее положение как данность. Он заставляет задать неудобные вопросы:
— А достаточно ли амбициозна наша цель?
— А позволяет ли текущая модель туда дойти?
— Что надо менять в подходах, процессах, команде, чтобы вообще был шанс туда попасть?

В чем отличие действий при этом подходе?
— Вы начинаете не с идей, а с желаемого будущего — и формулируете очень конкретные критерии успеха;
— Вместо календарного плана — строите карту изменений (в бизнес-модели, команде, клиентах);
— Роли в команде определяются не «по людям», а по задачам будущего;
— Вы сразу закладываете зоны риска и гипотезы, которые нужно будет валидировать;
— Отдельный фокус — что нужно начать делать уже сейчас, чтобы через 2 года были нужные ресурсы и компетенции.

Что это дает бизнесу:
— Стратегия становится ориентированной на качественный сдвиг, а не на поддержание текущей позиции;
— Легче выделить действительно ключевые инициативы — и сократить размытость фокуса;
— Выход из состояния «реактивного менеджмента» в проактивную трансформацию;
— Появляется пространство для долгосрочных партнерств и инвестиций, которые не укладываются в 12 месяцев — но и дают реальный рывок.

Thinking backwards — это не про «мечты на 5 лет». Это про навык строить траекторию туда, где бизнесу действительно стоит оказаться. И именно с этого я начинаю стратегические сессии с клиентами.

Когда ты приходишь домой, а ужин готов. И не понимаешь — это сделал человек или машина

В 1950-м Алан Тюринг предложил простой тест: если ты не можешь отличить машину от человека в диалоге — значит, ИИ достиг нового уровня. Более полувека это казалось недостижимым. А сегодня ChatGPT и аналоги фактически этот тест прошли. И мы воспринимаем умные текстовые модели, как данность.

Джим Фан, директор по AI в NVIDIA, предложил новый вызов: «физический» тест Тюринга.

Представьте: вы возвращаетесь домой после работы. Всё убрано. На столе ужин. Свечи. Покой. И вы не знаете — это сделал человек или робот?

Почему это сложно сделать на практике?
Потому что в отличие от LLM, тренируют на текстовых данных из интернета, роботам нужны физические данные: миллионы часов движения, манипуляций, реакций. Их не найти на YouTube.

Такие данные нужно собирать руками. Это не "бесплатная" big data. Роботов надо вручную учить двигать руками, поднимать предметы, наливать молоко — это трудоемкая и утомительная работа. Это человеский труд, который ограничен в объеме и стоит дорого.

Решение — обучение в симуляции. NVIDIA строит масштабные виртуальные среды, в которых роботы учатся взаимодействовать с миром. А затем — без дообучения — применяют навыки в реальности. Роботы, прошедшие «10 лет тренировок» за 2 часа GPU-времени.

Так появляется физический API — программный интерфейс, с помощью которого можно управлять уже не только цифровыми данными, но и физическим миром: двигать предметы, открывать двери, готовить ужин.

Что это значит для нас?
Многое из того, что мы делаем каждый день, — несложно, но утомительно. Убрать, приготовить, разложить по местам. Всё это отнимает внимание и силы, хотя не требует ни решений, ни креативности.

Физический ИИ — это не про роботов, а про возможность разгрузить голову и руки.

Сейчас кажется, что это ещё далеко. Но так же казалось и с голосовыми ассистентами, и с генеративными ИИ — пока они не стали частью повседневности.

Если интересно — вот оригинальное видео с ивента в Sequoia Capital с любопытными видео иллюстрациями.

#ai

Дилемма руководителя: управлять на верхнем уровне или погружаться в детали?

Один из ключевых выборов для руководителя: оставаться исключительно на стратегическом уровне или погружаться в то, как бизнес работает «на земле» — на уровне продукта, команды, клиента.

Слишком глубокое погружение — риск увязнуть в операционке и мешать работе команды. Слишком поверхностное — риск управлять личным представлением о бизнесе, а не самим бизнесом.

Недавно обсуждали кейс одной SaaS-компании: продажи стоят, основатель считает, что причина — воронка, не хватает трафика. После короткого аудита стало понятно: трафика достаточно, но 80% пользователей теряются на онбординге (сложно, непонятно, нет поддержки). Проблема не в маркетинге, а в первом опыте клиента. Это было видно только на уровне деталей — из аналитики, записей сессий, переписки в чате.

Вопрос не в том, чтобы делать работу за команду. А в том, чтобы как руководитель видеть то, что влияет на P&L напрямую — и уметь задать точный вопрос, поставить верную задачу, вовремя вмешаться.

Похожую мысль озвучивает Брайан Чески, CEO Airbnb, в интервью:
Погружение руководителя в детали является не микроменеджментом, а необходимым присутствием, которое помогает обеспечить единое направление, избежать бюрократии и политики, поддерживать высокое качество продукта и способствовать успешному развитию бизнеса. Отсутствие такого погружения, напротив, может привести к разрозненности команд, бюрократии, застою и потере смысла существования компании.

Чтобы держать контакт с реальностью, я использую простой алгоритм — раз в месяц отвечаю себе на три вопроса:
1. Когда я в последний раз сам прошёл путь клиента — от первого касания до покупки?
2. Какую ключевую аналитику я видел своими глазами, а не в чужом отчете?
3. Могу ли я назвать 1–2 точки роста или узких места — с конкретными примерами и фактами?

Этого достаточно, чтобы не терять стратегический фокус — и при этом сохранять связь с реальностью, без которой невозможно принимать точные решения.

А как вы находите баланс между стратегическим фокусом и погружением в детали?

Субсидиарная ответственность: что важно знать независимому директору

Субсидиарная ответственность — вопрос, который волнует многих действующих и будущих независимых директоров.

Вчера на мероприятии в юридической фирме показали простую и полезную презентацию об этом. Делюсь некоторыми тезисами:

Для кого актуально?
Субсидиарная ответственность может наступить для топ-менеджмента, а также для:
— членов совета директоров (включая независимых),
— директоров дочерних компаний,
— бывших руководителей,
— любых лиц, участвующих в управлении.

Независимые директора стали чаще упоминаются в исках — как «де-юре» участники управленческих решений.

Какие бывают основания для претензий?
Юристы называют это «неверное действие» — термин включает:
— ошибки, упущения, халатность
— неправильные решения (в том числе голосование за убыточную сделку)
— недостаточный контроль
— искажение информации или её нераскрытие
— нарушение закупочных процедур
— субсидиарную ответственность при банкротстве

Что возмещает договор D&O?
— Финансовые убытки, которые директор обязан компенсировать
— Расходы на защиту: юристы, эксперты, залоги
— Дополнительные расходы

На практике в первую очередь возмещаются расходы на защиту.

Если интересно подробнее — прикладваю оригинальную презентацию в первом комментарии.

ИИ-агенты и вертикальный SaaS: взгляд Сатьи Наделлы

В прошлый раз писал, как агенты будут постепенно исключать необходимость использования интерфейсов SaaS-продуктов человеком. Вместо того, чтобы кликать кнопки в CRM или ERP, пользователь будет задачу, а агент будет сам ходить по API, собирать данные, запускать процессы и возвращать результат.

В интервью Сатья Наделла, CEO Microsoft, развил мысль:
Пользователь не хочет «работать в системе» — его задача получить результат: закрыть сделку, отправить груз, провести анализ. Всё остальное — детали, которые теперь может взять на себя ИИ-агент. Это фундаментальный сдвиг: ценность переносится с интерфейса и ручных процессов на автоматизацию результата.

Что поменяется для вертикальных SaaS-продуктов?

1. Слой приложений “схлопывается” в агентов.
Наделла говорит: традиционный слой приложений уходит в прошлое, его место будут занимать агенты, которые будут взаимодействовать с разными источниками данных и «оркестрировать» сложные бизнес-процессы через API.

2. SaaS будет становиться “бэкендом” для агентов.
Вертикальные SaaS-продукты будут эволюционировать в инфраструктуру, хранящую “правду” — отраслевые данные, бизнес-логику, регуляторные требования. Агенты будут использовать их как один из источников, а не как единственный инструмент.

3. Главная задача — не интерфейс, а выполнение бизнес-процесса.
Наделла подчёркивает: “Job to be done” — это не работа в CRM или ERP, а завершение бизнес-процесса от начала до конца, даже если для этого нужно объединить несколько систем и агентов.

4. SaaS-компаниям придётся адаптироваться.
Если раньше SaaS был “системой учёта” или “системой взаимодействия”, теперь таким продуктам нужно стать частью новой “агентной” экосистемы. Иначе — рискует остаться в стороне.

5. В будущем работодатель будет нанимать не только человека, но и его “корзину агентов”.
Сотрудники будут приходить на работу со своими цифровыми агентами — как сейчас, например, финасист приходит со своими шаблонами и моделями. И компании будут управлять этими агентами, используя аналоги политик доступов и безопасности для сотрудников.

Вывод:
ИИ-агенты не отменяют вертикальный SaaS, но делают его менее заметным и более инфраструктурным. Ценность — в данных, бизнес-логике и возможности быстро интегрироваться в цепочки автоматизации.

Главное для SaaS — стать “топливом” для агентов, которые приносят бизнесу реальный результат.

В чем на практике отличия между обычными LLM и «думающими»?

Наверняка вы сталкивались с таким сценарием: за пару минут набросать письмо-напоминание партнеру — обычная LLM выдаёт черновик в одно касание.

А следом — другая задача: разработать бизнес-план нового проекта или, например, подготовить план реструктуризации подразделения. Тут возникает дилемма: использовать «обычную» модель в ChatGPT или выбрать «думающую» версию с цепочками рассуждений?

Свежие выводы исследования The Illusion of Thinking от Apple дают ориентиры:

1. Низкая сложность
Простая переработка информации: письмо, краткое резюме, Excel-формула. Стандартная LLM отвечает быстрее и точнее; reasoning-модель лишь потратит лишние токены на рассуждение.

2. Средняя сложность
Если в задаче 5-7 логических шагов — например, сформулировать план проверки гипотез для запуска нового продукта (сегменты, ценностные предложения, каналы тестирования). Здесь «думающие» модели полезны: дополнительные thinking-токены повышают шанс найти верную ветку рассуждений, пусть и медленнее.

3. Высокая сложность — задачи с длинной логикой
Когда нужно принять много решений одно за другим, а каждое зависит от предыдущего: например, спланировать пошаговый запуск нового бизнеса в нескольких регионах. В таких задачах модели часто теряют точность: reasoning-модель может остановиться раньше времени или запутаться в шагах.

Какую модель в итоге выбирать?
— Если решение можно удержать целиком в голове, не раскладывая на подзадачи — стандартная LLM.
— Нужна короткая логическая цепочка (например, подготовить план выхода на новый сегмент) — использовать reasoning-модель.
— Предстоит длинная многоходовка (например, запустить корпоративный акселератор и встроить пилотные решения в бизнес-юниты) — лучше дробить задачу, добавлять промежуточные проверки и, в идеале, алгоритмизировать процесс работы.

В самом начале — оригинал статьи, кому будет интересно.