Стадии развития LLM продуктов: LLM + RAG
Не все LLM продукты одинаковы. За простым интерфейсом чата могут скрываться совершенно разные по сложности системы. Предлагаю сегодня разобрать 4 ключевых стадии развития LLM продуктов, их сильные стороны и главные вызовы на практических примерах.
1. LLM Workflow
Это базовый уровень - чат-боты, способные вести диалог с клиентом. Их задача - автоматизировать простые, шаблонные коммуникации.
• Пример: Чат-бот страховой компании Starr Insurance в Facebook Messenger, который помогает клиентам купить страховку. Он задаёт стандартные вопросы (куда едете, на какой срок) и на основе ответов формирует предложение.
2. Retrieval-Augmented Generation (RAG)
RAG - это надстройка над LLM, которая «заземляет» модель, подключая её к конкретной базе знаний компании (например, к текстам всех страховых полисов).
• Пример: Клиент в нашем приложении Allyz спрашивает: «Покрывает ли моя страховка №12345 травму при дайвинге?».
- Система сначала находит в векторной базе данных точные параграфы из страховки №12345 касающиеся «дайвинга» и «медицинских расходов»,
- И только потом на основе найденных фактов генерирует точный ответ со ссылкой на пункт договора.
🔥 - если было полезно.
Код ценности.
Не все LLM продукты одинаковы. За простым интерфейсом чата могут скрываться совершенно разные по сложности системы. Предлагаю сегодня разобрать 4 ключевых стадии развития LLM продуктов, их сильные стороны и главные вызовы на практических примерах.
1. LLM Workflow
Это базовый уровень - чат-боты, способные вести диалог с клиентом. Их задача - автоматизировать простые, шаблонные коммуникации.
• Пример: Чат-бот страховой компании Starr Insurance в Facebook Messenger, который помогает клиентам купить страховку. Он задаёт стандартные вопросы (куда едете, на какой срок) и на основе ответов формирует предложение.
• Преимущества: Быстрое и удобное взаимодействие с клиентом в привычных для него каналах, например, в мессенджерах.
• Ограничения: Такие системы опираются на свои предтренированные знания и заранее задокументированные сценарии и не имеют
доступа к вашим внутренним документам. Это их фундаментальный недостаток. Также модель может сгенерировать внешне убедительный, но фактически неверный ответ (так называем «галлюцинации»), что, например, в страховом бизнесе, где цена ошибки высока, создаёт недопустимые юридические риски. Именно эта проблема подводит нас к следующему этапу.
2. Retrieval-Augmented Generation (RAG)
RAG - это надстройка над LLM, которая «заземляет» модель, подключая её к конкретной базе знаний компании (например, к текстам всех страховых полисов).
• Пример: Клиент в нашем приложении Allyz спрашивает: «Покрывает ли моя страховка №12345 травму при дайвинге?».
- Система сначала находит в векторной базе данных точные параграфы из страховки №12345 касающиеся «дайвинга» и «медицинских расходов»,
- И только потом на основе найденных фактов генерирует точный ответ со ссылкой на пункт договора.
• Преимущества: Фактическая точность и надёжность ответов. Это строит доверие клиента и обеспечивает соответствие регуляторным нормам.
• Ограничения: Эффективность RAG напрямую зависит от качества и порядка в корпоративной базе знаний. Если ваши документы хаотичны и противоречивы, ИИ лишь усилит этот хаос. Приятный побочный эффект - проект по внедрению RAG становится мощным катализатором, который заставляет компанию наводить порядок в собственных данных и процессах управления знаниями.
🔥 - если было полезно.
Код ценности.
🔥10❤3
Стадии развития LLM продуктов (AI agent + Agentic AI)
В первой части мы разобрали, как RAG-системы позволяют LLM давать точные ответы на основе ваших данных. Теперь сделаем следующий шаг и посмотрим, как AI-агенты переходят от ответов к самостоятельному выполнению многошаговых задач и целых бизнес-процессов.
3. AI Агент
Если RAG отвечает на вопросы, то Агент уже выполняет задачи. Это система, способная самостоятельно планировать, рассуждать и выполнять многошаговые процессы, используя различные инструменты (API, базы данных).
• Пример: «AI Agent» от Simplifai, внедрённый в ERV Nordic для обработки заявок о задержке багажа. Получив документы от клиента, агент самостоятельно:
1) распознаёт и извлекает данные
2) через API проверяет, активен ли полис
3) сверяет условия (например, задержка более 6 часов)
4) анализирует чеки
5) принимает решение об одобрении и инициирует выплату.
4. Мультиагентные системы
Это не один агент, а целая команда специализированных AI-агентов, работающих вместе.
• Пример: Платформа Shift Technology, которая автоматизировала 57% из 400 000 страховых случаев. Когда поступает заявка на отмену поездки, в работу включается целый набор из AI агентов:
1. Агент-классификатор сортирует документы (билеты, справки)
2. Агент-экстрактор извлекает из них данные
3. Агент-аналитик проверяет на мошенничество
4. Агент-решатель сводит всё воедино и готовит вердикт.
Cамое важное - это цифра 57% в последнем примере. Почти две трети запросов обрабатываются полностью автоматически за две минуты. Остальные 43% система направляет менеджеру, но уже с подготовленным досье и рекомендацией. Наиболее продвинутая архитектура формализует роль человека как эксперта и конечного контролера.
И все мы знаем, что в автоматизации первые 80% и последние 20% требуют несопоставимых усилий. 😉
🔥 - если бы полезно.
Код ценности.
В первой части мы разобрали, как RAG-системы позволяют LLM давать точные ответы на основе ваших данных. Теперь сделаем следующий шаг и посмотрим, как AI-агенты переходят от ответов к самостоятельному выполнению многошаговых задач и целых бизнес-процессов.
3. AI Агент
Если RAG отвечает на вопросы, то Агент уже выполняет задачи. Это система, способная самостоятельно планировать, рассуждать и выполнять многошаговые процессы, используя различные инструменты (API, базы данных).
• Пример: «AI Agent» от Simplifai, внедрённый в ERV Nordic для обработки заявок о задержке багажа. Получив документы от клиента, агент самостоятельно:
1) распознаёт и извлекает данные
2) через API проверяет, активен ли полис
3) сверяет условия (например, задержка более 6 часов)
4) анализирует чеки
5) принимает решение об одобрении и инициирует выплату.
• Преимущества: Это уже не просто автоматизация общения, а автоматизация целых процессов. Агент работает как цифровой сотрудник, освобождая людей для более сложных задач.
• Ограничения: Поскольку агент принимает решения самостоятельно, в случае ошибки бывает сложно отследить его логику и понять, почему был получен неверный результат. Стремление контролировать автономные действия и декомпозировать сложные задачи сначала породило такие подходы, как Schema-Guided Reasoning, а затем вывело нас на следующий этап.
4. Мультиагентные системы
Это не один агент, а целая команда специализированных AI-агентов, работающих вместе.
• Пример: Платформа Shift Technology, которая автоматизировала 57% из 400 000 страховых случаев. Когда поступает заявка на отмену поездки, в работу включается целый набор из AI агентов:
1. Агент-классификатор сортирует документы (билеты, справки)
2. Агент-экстрактор извлекает из них данные
3. Агент-аналитик проверяет на мошенничество
4. Агент-решатель сводит всё воедино и готовит вердикт.
• Преимущества: Поскольку каждый агент отточен под свою узкую задачу, это обеспечивает более высокую скорость и точность. А-ля «цифровой конвейер».
• Главный минус мультиагентных систем - их чрезвычайная сложность и как результат трудно контролиря и отладки множества автономных частей. Это ведет к высоким затратам на разработку и серьезным рискам безопасности, ведь сбой или взлом даже одного агента может вызвать отказ всей сети. В итоге ключевыми проблемами становятся риск каскадных сбоев и юридическая неопределенность в вопросе ответственности за ошибочные действия системы.
Cамое важное - это цифра 57% в последнем примере. Почти две трети запросов обрабатываются полностью автоматически за две минуты. Остальные 43% система направляет менеджеру, но уже с подготовленным досье и рекомендацией. Наиболее продвинутая архитектура формализует роль человека как эксперта и конечного контролера.
И все мы знаем, что в автоматизации первые 80% и последние 20% требуют несопоставимых усилий. 😉
🔥 - если бы полезно.
Код ценности.
🔥13❤2
Где сегодня рождается настоящий прогресс?
Точно не в смартфонах.
От Apple я уже пятый год жду инноваций, которые заставят меня обновиться.
У мира Android есть гибкие дисплеи и сильный ИИ, но ощущение настоящей революции всё ещё не наступило.
И вот на этом фоне Meta показывает, каким может быть следующий большой технологический скачок.
В эту пятницу 19.09.2025 Марк Цукерберг вживую продемонстрировал работу прототипа своих AR-очков Meta Ray-Ban Display. Кстати, вот тут я уже разбирал, почему Марк там много инвестирует в новый концепт устройств.
Что показали:
• Дисплей на линзе: Навигация, сообщения, подсказки от ИИ - всё появляется прямо перед правым глазом, оставаясь невидимым для окружающих.
• Интуитивное управление через нейробраслет. Вместо того чтобы тыкать в экран, вы управляете очками с помощью нейробраслета, который считывает электрические сигналы мышц вашей руки, позволяя управлять интерфейсом лёгкими, едва заметными жестами. Просто вау!
• Контекстный ИИ: В очки встроен продвинутый AI-ассистент, который видит мир вашими глазами. Он может в реальном времени подсказать рецепт, глядя на продукты в вашем холодильнике, или перевести вывеску на иностранном языке.
• И анонсировали цену в 800 долларов vs 10 000 за предыдущий прототип 🙄
Марк взял на себя огромный риск, демонстрируя всё это в прямом эфире, без заранее записанных роликов. И да, были сбои: ассистент завис, видеозвонок не сработал. Но знаете что? Эти недочёты лишь усилили вау-эффект от всего, что работало (привет, Apple, с презентацией 2024 года).
Именно это я и называю прогрессом, смелой попыткой создать абсолютно новый способ взаимодействия с информацией и миром.
Буду покупать, как только выйдет. Meta, браво!
Ставь - 🤓, если хочется протестировать.
Код ценности.
Точно не в смартфонах.
От Apple я уже пятый год жду инноваций, которые заставят меня обновиться.
У мира Android есть гибкие дисплеи и сильный ИИ, но ощущение настоящей революции всё ещё не наступило.
И вот на этом фоне Meta показывает, каким может быть следующий большой технологический скачок.
В эту пятницу 19.09.2025 Марк Цукерберг вживую продемонстрировал работу прототипа своих AR-очков Meta Ray-Ban Display. Кстати, вот тут я уже разбирал, почему Марк там много инвестирует в новый концепт устройств.
Что показали:
• Дисплей на линзе: Навигация, сообщения, подсказки от ИИ - всё появляется прямо перед правым глазом, оставаясь невидимым для окружающих.
• Интуитивное управление через нейробраслет. Вместо того чтобы тыкать в экран, вы управляете очками с помощью нейробраслета, который считывает электрические сигналы мышц вашей руки, позволяя управлять интерфейсом лёгкими, едва заметными жестами. Просто вау!
• Контекстный ИИ: В очки встроен продвинутый AI-ассистент, который видит мир вашими глазами. Он может в реальном времени подсказать рецепт, глядя на продукты в вашем холодильнике, или перевести вывеску на иностранном языке.
• И анонсировали цену в 800 долларов vs 10 000 за предыдущий прототип 🙄
Марк взял на себя огромный риск, демонстрируя всё это в прямом эфире, без заранее записанных роликов. И да, были сбои: ассистент завис, видеозвонок не сработал. Но знаете что? Эти недочёты лишь усилили вау-эффект от всего, что работало (привет, Apple, с презентацией 2024 года).
Именно это я и называю прогрессом, смелой попыткой создать абсолютно новый способ взаимодействия с информацией и миром.
Буду покупать, как только выйдет. Meta, браво!
Ставь - 🤓, если хочется протестировать.
Код ценности.
🤓10❤6🔥5
Google vs Суд США. Часть 2. Битва за "неофициальную валюту интернета"
Оказалось, что решение суда, которое я разбирал в прошлом посте, касалось только первого дела против Google - о контроле над дистрибуцией (Поиск, Android).
А на этой неделе начался второй, ключевой процесс. В этот раз речь идет о «контроле над монетизацией» рекламных технологиях Google.
И если первое дело было важным, то новое дело бьет в самый core бизнес-модели Google, ее монополию в Ad Tech. В центре внимания два продукта: Doubleclick for Publishers (DFP), сервер для управления рекламой, и AdX, биржа, где эта реклама продается.
В новом деле стратегия регулятора, похоже, кардинально отличается. Если в деле о Поиске суд отказался дробить компанию (продать Chrome), то в деле о рекламе Минюст США требует именно структурных изменений - принудительной продажи биржи AdX.
Почему? Регулятор уверен, что «поведенческие» ограничения (простые обещания не жульничать) не сработают. Google сможет скрыть свои преимущества в сложном коде и непрозрачных алгоритмах.
По сути, это означает, что Google могут заставить конкурировать не только качеством продукта, но и честностью своей экосистемы. Такое решение способно изменить сами принципы финансирования всего открытого интернета.
🤓 - будем следить.
Код ценности.
Оказалось, что решение суда, которое я разбирал в прошлом посте, касалось только первого дела против Google - о контроле над дистрибуцией (Поиск, Android).
А на этой неделе начался второй, ключевой процесс. В этот раз речь идет о «контроле над монетизацией» рекламных технологиях Google.
И если первое дело было важным, то новое дело бьет в самый core бизнес-модели Google, ее монополию в Ad Tech. В центре внимания два продукта: Doubleclick for Publishers (DFP), сервер для управления рекламой, и AdX, биржа, где эта реклама продается.
Суд уже признал, что Google незаконно связывал их, создавая замкнутую экосистему. Издатели были вынуждены использовать DFP, чтобы получить полноценный доступ к рекламодателям на AdX. Это и есть та самая «валюта», на которую подсадили весь интернет.
В новом деле стратегия регулятора, похоже, кардинально отличается. Если в деле о Поиске суд отказался дробить компанию (продать Chrome), то в деле о рекламе Минюст США требует именно структурных изменений - принудительной продажи биржи AdX.
Почему? Регулятор уверен, что «поведенческие» ограничения (простые обещания не жульничать) не сработают. Google сможет скрыть свои преимущества в сложном коде и непрозрачных алгоритмах.
По сути, это означает, что Google могут заставить конкурировать не только качеством продукта, но и честностью своей экосистемы. Такое решение способно изменить сами принципы финансирования всего открытого интернета.
🤓 - будем следить.
Код ценности.
🤓7
Мой отзыв о «Франции» после 6 лет использования.
В 2019 году я решил сменить основного «провайдера» жизненных услуг и установил себе ОС «France v. Macron». Подошло время поделиться честным отзывом.
Онбординг - 3/10.
В целом, процесс первого использования можно сравнить с онбордингом в Notion - очень нужен друг, который уже разобрался и сейчас тебе всё покажет.
UX - 9/10.
Что-что, а интерфейс тут топовый: круассаны по утрам, вино в обед и 35-часовая рабочая неделя - это, как говорится, не баги, а базовые фичи. Правда, для доступа к ним нужна двухфакторная аутентификация (язык + терпение в префектуре), но оно того стоит.
Стабильность - 8/10.
Тут очень надёжная архитектура, проверенная веками и парой революций. Версии правительств могут меняться, но ядро операционной системы работает без сбоев. Права пользователя защищены намертво, да и условия пользовательского соглашения - достойные.
Производительность - 6/10.
Под капотом стоит мощный процессор. Он не всегда бьёт рекорды в бенчмарках и склонен к перегреву (нужна мощная система «социального охлаждения»). Главный минус - прожорливость: требуется серьёзный «блок питания» с прогрессивной шкалой налогообложения до 45 %.
Обновления - 8/10.
Продукт не стоит на месте. Постоянно выходят «апдейты»: от стартап-хабов в Париже до зелёных технологий. Есть уверенность, что система не устареет и будет актуальна ещё долго. С «дорожной картой» и видением всё в порядке.
Дополнительные фичи - 9/10.
Доступ ко всему ЕС. Скоростные железные дороги. Культурно-гастрономический Диснейленд из музеев и мишленовских ресторанов. Субсидии на что угодно - лишь бы ты не грустил. Максимальный фарш социальных опций.
Баги:
• Почему-то 0,01 % самого богатого населения (около 1 800 семей) платят в два раза меньше налогов, чем средний человек по стране.
• В государственных госпиталях Парижа тебя не примут, если у тебя нет открытой раны.
• В регионах и небольших городах люди почему-то не живут, а выживают.
Финальная оценка -серьёзно? Это же Франция: как вообще можно о чём-то рационально рассуждать, когда круассаны и эклеры такие вкусные!
В общем, благодаря круассанам подписку продлеваю на бессрочной основе. Скоро должны выдать права администратора.
Рекомендую!
🕊️ - за прямые билеты Москва - Париж.
Код ценности.
В 2019 году я решил сменить основного «провайдера» жизненных услуг и установил себе ОС «France v. Macron». Подошло время поделиться честным отзывом.
Онбординг - 3/10.
В целом, процесс первого использования можно сравнить с онбордингом в Notion - очень нужен друг, который уже разобрался и сейчас тебе всё покажет.
UX - 9/10.
Что-что, а интерфейс тут топовый: круассаны по утрам, вино в обед и 35-часовая рабочая неделя - это, как говорится, не баги, а базовые фичи. Правда, для доступа к ним нужна двухфакторная аутентификация (язык + терпение в префектуре), но оно того стоит.
Стабильность - 8/10.
Тут очень надёжная архитектура, проверенная веками и парой революций. Версии правительств могут меняться, но ядро операционной системы работает без сбоев. Права пользователя защищены намертво, да и условия пользовательского соглашения - достойные.
Производительность - 6/10.
Под капотом стоит мощный процессор. Он не всегда бьёт рекорды в бенчмарках и склонен к перегреву (нужна мощная система «социального охлаждения»). Главный минус - прожорливость: требуется серьёзный «блок питания» с прогрессивной шкалой налогообложения до 45 %.
Обновления - 8/10.
Продукт не стоит на месте. Постоянно выходят «апдейты»: от стартап-хабов в Париже до зелёных технологий. Есть уверенность, что система не устареет и будет актуальна ещё долго. С «дорожной картой» и видением всё в порядке.
Дополнительные фичи - 9/10.
Доступ ко всему ЕС. Скоростные железные дороги. Культурно-гастрономический Диснейленд из музеев и мишленовских ресторанов. Субсидии на что угодно - лишь бы ты не грустил. Максимальный фарш социальных опций.
Баги:
• Почему-то 0,01 % самого богатого населения (около 1 800 семей) платят в два раза меньше налогов, чем средний человек по стране.
• В государственных госпиталях Парижа тебя не примут, если у тебя нет открытой раны.
• В регионах и небольших городах люди почему-то не живут, а выживают.
Финальная оценка -
В общем, благодаря круассанам подписку продлеваю на бессрочной основе. Скоро должны выдать права администратора.
Рекомендую!
🕊️ - за прямые билеты Москва - Париж.
Код ценности.
🔥12🕊10😁4🤯1
Forwarded from Product Management & AI
Новый плейбук AI-стартапа
Скорость и экономика AI сломали всё, чему нас научила эра SaaS:
1. Старый playbook B2B SaaS (Sales-led → PLG) уже не работает
Скорость разработки AI-продуктов, где от идеи до прототипа проходят часы, а не месяцы, ломает медленные циклы традиционного маркетинга и A/B-тестирования. Оптимизировать воронку бессмысленно, когда сам продукт меняется ежедневно.
2. Экономика AI - это не экономика SaaS
Валовая маржа падает с привычных 80-90% до 40-60% (а иногда и ниже) из-за колоссальных и переменных затрат на inference (вычисления для каждой операции пользователя).
3. LTV:CAC как North Star Metric больше не работает
Главной метрикой выживания становится Contribution Margin (CM) на уровне фичи и клиента. Обязательно считаем переменные издержки: инференс, ручная проверка, платные API. Парадокс тут прост – самые активные фанаты могут увести CM в минус, если цена не связана с себестоимостью.
4. Прайсинг должен следовать за compute
Уход от «per seat» в сторону кредиты за использование, оплата за результат, гибрид фикс плюс переменная. Предохранители: квоты, понижение класса модели, кэш, пакетная обработка. Рост использования обязан повышать маржу.
5. Новый подход к выходу на рынок - это Culture Native Growth
Вместо построения собственного сообщества вокруг продукта фокус смещается на глубокую интеграцию в уже существующее сообщество с общей страстью / увлечением.
6. AI-натив операционный ритм
Необходимо еженедельно проводить эконом-ревью фич: цена запроса, частота вызовов, доля кэша, CM по сегментам, жалобы по SLA. Если CM ниже нуля, автоматом включаются триггеры: понижаем модель, меняем тариф, заменяем LLM локальной эвристикой.
7. Аутентичность становится главной валютой.
В мире с переизбытком AI контента доверие и подлинная человеческая экспертиза превращаются в самый дефицитный и ценный актив, а доверие клиента становится новым полем битвы.
8. Возрождение Founder-Led Sales
Основатель снова становится главным евангелистом и каналом продаж. Его уникальное сочетание страсти, глубокой экспертизы и видения невозможно скопировать или нанять и ранние клиенты покупают не продукт, а веру в основателя.
9. Устойчивое преимущество в AI всё реже зависит от самой технологии (модели быстро коммодитизируются). Прорывом становятся бренд, встроенный в культуру, и нетривиальная GTM-стратегия, которую сложно повторить.
10. Главный абсурд в AI-бизнесе – мы используем «бесчеловечные» AI технологии для создания продукта, но продавать его вынуждены через самые человечные каналы живым людям.
В итоге выигрывает не тот, у кого сложнее модель, а тот, кто глубже понял новую экономику и научился строить рост на фундаменте доверия, человеческих эмоций и культуры.
В гостях был German Orlov (c)
Скорость и экономика AI сломали всё, чему нас научила эра SaaS:
1. Старый playbook B2B SaaS (Sales-led → PLG) уже не работает
Скорость разработки AI-продуктов, где от идеи до прототипа проходят часы, а не месяцы, ломает медленные циклы традиционного маркетинга и A/B-тестирования. Оптимизировать воронку бессмысленно, когда сам продукт меняется ежедневно.
2. Экономика AI - это не экономика SaaS
Валовая маржа падает с привычных 80-90% до 40-60% (а иногда и ниже) из-за колоссальных и переменных затрат на inference (вычисления для каждой операции пользователя).
3. LTV:CAC как North Star Metric больше не работает
Главной метрикой выживания становится Contribution Margin (CM) на уровне фичи и клиента. Обязательно считаем переменные издержки: инференс, ручная проверка, платные API. Парадокс тут прост – самые активные фанаты могут увести CM в минус, если цена не связана с себестоимостью.
4. Прайсинг должен следовать за compute
Уход от «per seat» в сторону кредиты за использование, оплата за результат, гибрид фикс плюс переменная. Предохранители: квоты, понижение класса модели, кэш, пакетная обработка. Рост использования обязан повышать маржу.
5. Новый подход к выходу на рынок - это Culture Native Growth
Вместо построения собственного сообщества вокруг продукта фокус смещается на глубокую интеграцию в уже существующее сообщество с общей страстью / увлечением.
Lovable вместо закупки трафика в Google инвестирует в онлайн турниры по шахматам Магнуса Карлсена. Их маркетологи покупают не клики, а доверие и доступ к глобальному сообществу стратегов и аналитиков – точное попадание в их психографию
6. AI-натив операционный ритм
Необходимо еженедельно проводить эконом-ревью фич: цена запроса, частота вызовов, доля кэша, CM по сегментам, жалобы по SLA. Если CM ниже нуля, автоматом включаются триггеры: понижаем модель, меняем тариф, заменяем LLM локальной эвристикой.
7. Аутентичность становится главной валютой.
В мире с переизбытком AI контента доверие и подлинная человеческая экспертиза превращаются в самый дефицитный и ценный актив, а доверие клиента становится новым полем битвы.
8. Возрождение Founder-Led Sales
Основатель снова становится главным евангелистом и каналом продаж. Его уникальное сочетание страсти, глубокой экспертизы и видения невозможно скопировать или нанять и ранние клиенты покупают не продукт, а веру в основателя.
9. Устойчивое преимущество в AI всё реже зависит от самой технологии (модели быстро коммодитизируются). Прорывом становятся бренд, встроенный в культуру, и нетривиальная GTM-стратегия, которую сложно повторить.
10. Главный абсурд в AI-бизнесе – мы используем «бесчеловечные» AI технологии для создания продукта, но продавать его вынуждены через самые человечные каналы живым людям.
В итоге выигрывает не тот, у кого сложнее модель, а тот, кто глубже понял новую экономику и научился строить рост на фундаменте доверия, человеческих эмоций и культуры.
В гостях был German Orlov (c)
Telegram
Герман Орлов I Код ценности
Global Head of Home & Cyber Digital Solutions @ Allianz, в Париже 🇫🇷 во Франции с 2019 года.
Пишу, как делать ценные и масштабируемые продукты. Разбираю навыки лидера в мире, где ИИ - новая реальность.
Мой контакт @germanorlov
Пишу, как делать ценные и масштабируемые продукты. Разбираю навыки лидера в мире, где ИИ - новая реальность.
Мой контакт @germanorlov
❤9🔥5
Поиск без переходов: как меняется рекламная машина Google
В последнее время размышляю о том, как Google будет реагировать на падение вовлечённости пользователей в поисковой выдаче. AI Overview (AIO, или «ответы ИИ») предоставляют пользователю информацию сразу, зачастую полностью устраняя необходимость переходить по ссылкам. Это прямой удар по рекламной модели компании, построенной на кликах и аукционах за ключевые слова (в 2025 году 77% выручки компании приходится на рекламу, что составляет почти 300 млрд долларов).
А что там по фактам:
1. С AIO люди кликают по обычным ссылкам лишь в 8% визитов (без AIO - 15%). 26% сессий заканчиваются на странице поиска (без AIO - 16%). По ссылкам внутри AIO кликают ~1%. (1)
2. «Первый экран» сильно ужался. Верх страницы заняли AIO и реклама, топ ссылки ушли ниже, теперь нужно скроллить. CTR позиции №1 падает ~на 34,5%. В среднем CTR по запросам с AIO просел на ~15–20%. AIO весной-летом 2025 появлялся ~в 2,16 раза чаще. (2)
3. Zero-click растёт. Zero-click - это когда ответ найден без клика. Без AIO медиана ~60%, с AIO - ~80-83%. Из 1000 поисков в ЕС/США на внешние сайты уходит лишь 360–374 клика. Cайтам и магазинам приходит меньше трафика -> рекламодатели уже режут бюджеты или уходят в другие каналы. (3)
4. Непрозрачность рекламы в AIO. Сегодня нельзя целенаправленно включить/исключить показы в AIO. Отдельной статистики по AIO нет - всё отображается как «Top Ads». Трудно понять, что работает и как это оптимизировать. (4)
5. В добавок здесь я писал, что суд США обязал Google делиться частью поисковых и поведенческих данных.
Если суммировать: кликов меньше, процесс размещения рекламы стал менее прозрачным, конкурентное преимущество Гугл размывается.
🤓 - если тоже любопытно, как Google будет удерживать текущую маржу.
Код ценности.
В последнее время размышляю о том, как Google будет реагировать на падение вовлечённости пользователей в поисковой выдаче. AI Overview (AIO, или «ответы ИИ») предоставляют пользователю информацию сразу, зачастую полностью устраняя необходимость переходить по ссылкам. Это прямой удар по рекламной модели компании, построенной на кликах и аукционах за ключевые слова (в 2025 году 77% выручки компании приходится на рекламу, что составляет почти 300 млрд долларов).
А что там по фактам:
1. С AIO люди кликают по обычным ссылкам лишь в 8% визитов (без AIO - 15%). 26% сессий заканчиваются на странице поиска (без AIO - 16%). По ссылкам внутри AIO кликают ~1%. (1)
2. «Первый экран» сильно ужался. Верх страницы заняли AIO и реклама, топ ссылки ушли ниже, теперь нужно скроллить. CTR позиции №1 падает ~на 34,5%. В среднем CTR по запросам с AIO просел на ~15–20%. AIO весной-летом 2025 появлялся ~в 2,16 раза чаще. (2)
3. Zero-click растёт. Zero-click - это когда ответ найден без клика. Без AIO медиана ~60%, с AIO - ~80-83%. Из 1000 поисков в ЕС/США на внешние сайты уходит лишь 360–374 клика. Cайтам и магазинам приходит меньше трафика -> рекламодатели уже режут бюджеты или уходят в другие каналы. (3)
4. Непрозрачность рекламы в AIO. Сегодня нельзя целенаправленно включить/исключить показы в AIO. Отдельной статистики по AIO нет - всё отображается как «Top Ads». Трудно понять, что работает и как это оптимизировать. (4)
5. В добавок здесь я писал, что суд США обязал Google делиться частью поисковых и поведенческих данных.
Если суммировать: кликов меньше, процесс размещения рекламы стал менее прозрачным, конкурентное преимущество Гугл размывается.
🤓 - если тоже любопытно, как Google будет удерживать текущую маржу.
Код ценности.
🤓13🔥3❤2
Про работу в кайф и наш новый продукт для геймеров!
За 10 лет в корпоративном мире (Sanofi, L'Oréal, Allianz) я усвоил одно: at least at work you need to have fun! По крайней мере, я всегда старался. В обычной жизни я тот еще зануда :)
И вот вчера мы запустили, возможно, самый веселый продукт в моей карьере - BreachBunny
https://www.breachbunny.com/de
Идея простая. Есть геймеры - огромная и крутая аудитория, про которую страховые компании почему-то забыли. А ведь геймеры как катеогрия зарабатывают намного приличнее среднего. И в целом, до сих пор еще никто не сделал страховку, которая была бы фан.
Как говорится, подержите мое пиво 🤓.
В планах - коллаборации с блогерами на Twitch и YoouTube, участие в game confereces и куча всего интересного.
Код ценности.
За 10 лет в корпоративном мире (Sanofi, L'Oréal, Allianz) я усвоил одно: at least at work you need to have fun! По крайней мере, я всегда старался. В обычной жизни я тот еще зануда :)
И вот вчера мы запустили, возможно, самый веселый продукт в моей карьере - BreachBunny
https://www.breachbunny.com/de
Идея простая. Есть геймеры - огромная и крутая аудитория, про которую страховые компании почему-то забыли. А ведь геймеры как катеогрия зарабатывают намного приличнее среднего. И в целом, до сих пор еще никто не сделал страховку, которая была бы фан.
Как говорится, подержите мое пиво 🤓.
В планах - коллаборации с блогерами на Twitch и YoouTube, участие в game confereces и куча всего интересного.
Код ценности.
🔥14
OpenAI - новый Amazon?
На прошлой неделе OpenAI представили Agent Kit, Agent SDK, а также нативные интеграции со Slack, Spotify и многими другими сервисами.
Какую закономерность я наблюдаю? OpenAI всё больше смещает фокус с улучшения базовых моделей на выпуск функций прикладного уровня.
Получается, что гонка в области искусственного интеллекта достигла плато. А когда вы больше не можете побеждать, выпуская лучшие модели, вы находите новые способы роста. И один из самых известных способов - это вертикализация вверх по стеку.
Это классическая стратегия Amazon, только применённая к искусственному интеллекту:
• Создать базовую модель (платформу).
• Позволить тысячам стартапов создавать на её основе надстройки (продавцы).
• Определить самые успешные сценарии использования (боты для совещаний, ассистенты в Slack). <---- вы находитесь здесь.
• Интегрировать их в основной продукт и напрямую конкурировать.
На мой взгляд, платформа официально начинает конкурировать со своей же экосистемой. И остаётся главный вопрос: сколько стартапов, построенных сегодня на API OpenAI, доживут до следующего года?
Поделитесь своими мыслями в комментариях.
Код ценности.
На прошлой неделе OpenAI представили Agent Kit, Agent SDK, а также нативные интеграции со Slack, Spotify и многими другими сервисами.
Какую закономерность я наблюдаю? OpenAI всё больше смещает фокус с улучшения базовых моделей на выпуск функций прикладного уровня.
Получается, что гонка в области искусственного интеллекта достигла плато. А когда вы больше не можете побеждать, выпуская лучшие модели, вы находите новые способы роста. И один из самых известных способов - это вертикализация вверх по стеку.
Это классическая стратегия Amazon, только применённая к искусственному интеллекту:
• Создать базовую модель (платформу).
• Позволить тысячам стартапов создавать на её основе надстройки (продавцы).
• Определить самые успешные сценарии использования (боты для совещаний, ассистенты в Slack). <---- вы находитесь здесь.
• Интегрировать их в основной продукт и напрямую конкурировать.
На мой взгляд, платформа официально начинает конкурировать со своей же экосистемой. И остаётся главный вопрос: сколько стартапов, построенных сегодня на API OpenAI, доживут до следующего года?
Поделитесь своими мыслями в комментариях.
Код ценности.
❤8💯3🤓1
Про взлет Product Ops
Общался на прошлой неделе со знакомыми продактами в Париже и серьезно задумался, почему так много из них выглядят измотанными. Начал разбираться в вопросе и наткнулся на интересную штуку.
Вот представьте: вы современный продакт-менеджер.
• Вы начинаете свое утро с разговара с клиентами, пытаетесь понять их боль, строите видение продукта. Это классическое стратегическое мышление, где нужно мыслить широко и креативно.
• А через час вы уже сидите в таблицах, настраиваете дата-пайплайны, согласовываете процессы между командами. Это совершенно другой тип мышления - системный, операционный, где нужна предельная точность.
И как мы все знаем наш мозг физически не может эффективно переключаться между этими режимами. Дивергентное и конвергентное мышление - это как пытаться одновременно быть художником и бухгалтером. А именно этого требует рынок современных пмов.
Дальше быстрая проверка рынка показала, что компании вроде Stripe, Uber и других давно заметили эту проблему. Они сделали простую вещь - разделили роль надвое. Так появилась функция Product Operations (Product Ops).
• Продакт остался с клиентом и стратегией.
• А Product Ops взял на себя всю операционную машину: аналитику, процессы, инструменты.
И знаете, что интересно? В компаниях с Product-Led Growth (где продукт сам себя продаёт) эта функция стала не просто поддержкой. Она управляет тем, как бесплатные пользователи превращаются в платящих. Это уже про деньги напрямую.
А с AI всё становится ещё интереснее. Кто-то же должен управлять этими ML-моделями, дата-пайплайнами, следить за их производительностью. Product Ops сегодня нативно превращается в архитектора AI-систем внутри компании.
И вот что меня удивило больше всего. Прогнозы индустрии говорят, что через три года Product Ops будет не поддерживать стратегию, а формировать её. Они будут использовать AI для анализа миллионов data points в реальном времени и показывать, как продуктовые метрики связаны с реальными деньгами - ARR, retention, конверсией из free в paid.
По сути, это история о том, как в индустрии пытались запихнуть невозможное в одну роль, а потом поняли, что нужно просто дать людям делать то, что они делают лучше всего.
Расскажите, что происходит у вас в компаниях 🙂 Уже есть Product Ops?
Код ценности
Общался на прошлой неделе со знакомыми продактами в Париже и серьезно задумался, почему так много из них выглядят измотанными. Начал разбираться в вопросе и наткнулся на интересную штуку.
Вот представьте: вы современный продакт-менеджер.
• Вы начинаете свое утро с разговара с клиентами, пытаетесь понять их боль, строите видение продукта. Это классическое стратегическое мышление, где нужно мыслить широко и креативно.
• А через час вы уже сидите в таблицах, настраиваете дата-пайплайны, согласовываете процессы между командами. Это совершенно другой тип мышления - системный, операционный, где нужна предельная точность.
И как мы все знаем наш мозг физически не может эффективно переключаться между этими режимами. Дивергентное и конвергентное мышление - это как пытаться одновременно быть художником и бухгалтером. А именно этого требует рынок современных пмов.
Дальше быстрая проверка рынка показала, что компании вроде Stripe, Uber и других давно заметили эту проблему. Они сделали простую вещь - разделили роль надвое. Так появилась функция Product Operations (Product Ops).
• Продакт остался с клиентом и стратегией.
• А Product Ops взял на себя всю операционную машину: аналитику, процессы, инструменты.
И знаете, что интересно? В компаниях с Product-Led Growth (где продукт сам себя продаёт) эта функция стала не просто поддержкой. Она управляет тем, как бесплатные пользователи превращаются в платящих. Это уже про деньги напрямую.
А с AI всё становится ещё интереснее. Кто-то же должен управлять этими ML-моделями, дата-пайплайнами, следить за их производительностью. Product Ops сегодня нативно превращается в архитектора AI-систем внутри компании.
И вот что меня удивило больше всего. Прогнозы индустрии говорят, что через три года Product Ops будет не поддерживать стратегию, а формировать её. Они будут использовать AI для анализа миллионов data points в реальном времени и показывать, как продуктовые метрики связаны с реальными деньгами - ARR, retention, конверсией из free в paid.
По сути, это история о том, как в индустрии пытались запихнуть невозможное в одну роль, а потом поняли, что нужно просто дать людям делать то, что они делают лучше всего.
Расскажите, что происходит у вас в компаниях 🙂 Уже есть Product Ops?
Код ценности
❤10👍4🤓3🔥1
Почему OpenAI и ChatGPT это не новый Amazon
Встречался с друзьями на выходных, вели дебаты об успехах "ChatGPT" и многократно повторялся один и тот-же аргумеент: «OpenAI просто идет по пути Amazon». Типа, Безос тоже годами жег деньги на строительство складов, работал в минус, а потом захватил рынок и стал печатать прибыль. Звучит логично, но я тут покопался в цифрах и понял, что это сравнение вообще не бьется с реальностью.
Вот ключевые отличия и факты, которые показывают, почему ситуации кардинально разные:
1. Масштаб убытков: $3 млрд против $665 млрд
Amazon до выхода на стабильную прибыль (с 1994 по 2003 год) сжег суммарно около $3 млрд. Внутренние документы OpenAI показывают, что до 2030 года они планируют сжечь $665 млрд. Это в 220 раз больше исторического максимума Amazon. Эта сумма превышает стоимость космической программы «Аполлон» (с учетом инфляции). Только в 2026 году ожидаемый чистый убыток OpenAI составит $14-16 млрд.
2. Экономика масштаба работает в обратную сторону
У Amazon затраты были фиксированные. Построил склад - и чем больше через него проходит товаров, тем дешевле обходится доставка каждой следующей книги. У OpenAI предельные издержки линейные. Каждый раз, когда ты отправляешь промпт, физически работают серверы (инференс) и жгут электричество. Сейчас у них 900 млн юзеров в неделю, и из-за этого роста затраты на вычисления выросли в 4 раза за 2025 год. Валовая маржа упала с 41% до 33%. Стандартная подписка просто не окупает активных пользователей - отсюда и их решение внедрять рекламу.
3. Пузырь «круговых инвестиций»
Amazon финансировался публичным рынком, а деньги приносили миллионы независимых покупателей. А как устроено у OpenAI? Microsoft и Nvidia дают им миллиарды долларов. Затем OpenAI берет эти же деньги, арендует на них сервера у Microsoft и покупает чипы у Nvidia. Это замкнутый круг. Если OpenAI не выполнит свои планы по выручке, повалятся доходы и прогнозы всех технологических гигантов, которые их же и спонсируют.
4. Тупик физических ограничений
Amazon для роста искал ангары и людей. OpenAI для роста ищет гигаватты электричества. Чтобы освоить запланированные $600 млрд на инфраструктуру до 2030 года, им нужны новые электростанции. Ожидается, что дата-центры скоро будут сжирать 10-12% всей энергии в США. А очереди на подключение к сетям в некоторых штатах уже доходят до 7 лет. Эту проблему нельзя решить новым программным кодом.
В сухом остатке:
Чтобы к 2029 году OpenAI действительно показала обещанные $101 млрд выручки и $14 млрд прибыли, должно одновременно сойтись 5 критических факторов. Им нужно:
✔️Сломать отрицательную юнит-экономику (радикально удешевить генерацию ответов).
✔️Успешно внедрить рекламу, не растеряв сотни миллионов пользователей.
✔️Чудом обойти многолетние очереди на электричество для новых дата-центров.
✔️Постоянно отбиваться от open-source (бесплатных нейросетей-аналогов, которые обесценивают технологию).
✔️Не дать лопнуть хрупкой схеме инвестиций, где твои поставщики - это твои же главные инвесторы.
Если слетит хотя бы один пункт, рухнет вся финансовая модель. Так что OpenAI - это не предсказуемый путь Amazon, а, на мой взгляд, самый дорогой и рискованный инфраструктурный эксперимент в истории современных рынков.
Делитесь в комментариях, что думаете по этому поводу. И как New Year is treating you 🙃
Встречался с друзьями на выходных, вели дебаты об успехах "ChatGPT" и многократно повторялся один и тот-же аргумеент: «OpenAI просто идет по пути Amazon». Типа, Безос тоже годами жег деньги на строительство складов, работал в минус, а потом захватил рынок и стал печатать прибыль. Звучит логично, но я тут покопался в цифрах и понял, что это сравнение вообще не бьется с реальностью.
Вот ключевые отличия и факты, которые показывают, почему ситуации кардинально разные:
1. Масштаб убытков: $3 млрд против $665 млрд
Amazon до выхода на стабильную прибыль (с 1994 по 2003 год) сжег суммарно около $3 млрд. Внутренние документы OpenAI показывают, что до 2030 года они планируют сжечь $665 млрд. Это в 220 раз больше исторического максимума Amazon. Эта сумма превышает стоимость космической программы «Аполлон» (с учетом инфляции). Только в 2026 году ожидаемый чистый убыток OpenAI составит $14-16 млрд.
2. Экономика масштаба работает в обратную сторону
У Amazon затраты были фиксированные. Построил склад - и чем больше через него проходит товаров, тем дешевле обходится доставка каждой следующей книги. У OpenAI предельные издержки линейные. Каждый раз, когда ты отправляешь промпт, физически работают серверы (инференс) и жгут электричество. Сейчас у них 900 млн юзеров в неделю, и из-за этого роста затраты на вычисления выросли в 4 раза за 2025 год. Валовая маржа упала с 41% до 33%. Стандартная подписка просто не окупает активных пользователей - отсюда и их решение внедрять рекламу.
3. Пузырь «круговых инвестиций»
Amazon финансировался публичным рынком, а деньги приносили миллионы независимых покупателей. А как устроено у OpenAI? Microsoft и Nvidia дают им миллиарды долларов. Затем OpenAI берет эти же деньги, арендует на них сервера у Microsoft и покупает чипы у Nvidia. Это замкнутый круг. Если OpenAI не выполнит свои планы по выручке, повалятся доходы и прогнозы всех технологических гигантов, которые их же и спонсируют.
4. Тупик физических ограничений
Amazon для роста искал ангары и людей. OpenAI для роста ищет гигаватты электричества. Чтобы освоить запланированные $600 млрд на инфраструктуру до 2030 года, им нужны новые электростанции. Ожидается, что дата-центры скоро будут сжирать 10-12% всей энергии в США. А очереди на подключение к сетям в некоторых штатах уже доходят до 7 лет. Эту проблему нельзя решить новым программным кодом.
В сухом остатке:
Чтобы к 2029 году OpenAI действительно показала обещанные $101 млрд выручки и $14 млрд прибыли, должно одновременно сойтись 5 критических факторов. Им нужно:
✔️Сломать отрицательную юнит-экономику (радикально удешевить генерацию ответов).
✔️Успешно внедрить рекламу, не растеряв сотни миллионов пользователей.
✔️Чудом обойти многолетние очереди на электричество для новых дата-центров.
✔️Постоянно отбиваться от open-source (бесплатных нейросетей-аналогов, которые обесценивают технологию).
✔️Не дать лопнуть хрупкой схеме инвестиций, где твои поставщики - это твои же главные инвесторы.
Если слетит хотя бы один пункт, рухнет вся финансовая модель. Так что OpenAI - это не предсказуемый путь Amazon, а, на мой взгляд, самый дорогой и рискованный инфраструктурный эксперимент в истории современных рынков.
Делитесь в комментариях, что думаете по этому поводу. И как New Year is treating you 🙃
❤7👍3🤩2
Что меняется, когда становишься директором продуктов
С января у меня новая роль - Global Head of Home & Cyber Digital Solutions в Allianz Partners. Грейд Allianz Executive, по-простому, директор продуктов. За 4.5 года в компании, четвёртая позиция и третье повышение.
Но пост не про повышение. Пост про то, что я увидел, когда принял новый скоуп, и почему это перевернуло мои представления о том, как на самом деле работают digital-продукты в крупных корпорациях.
Масштаб: было → стало
Head of Products: 3 продукта, 11 стран, ~70k MAU, 3 команды.
Сейчас: 16 цифровых продуктов, 36 стран, 600k MAU, бизнес на €1B/год. 6 человек в прямом подчинении, 80+ в матричном.
Рост в 5-8x по каждой метрике. Но самое интересное, конечно, не в цифрах.
Вещь, которую я не ожидал увидеть
Моя основная миссия - post-merger integration. Allianz купил инновационную компанию 6 лет назад и так и не интегрировал её в свою структуру.
Когда я принял этот отдел и начал разбираться в том, что мне досталось - я обнаружил вещь, которая сначала меня шокировала, а потом заставила задуматься.
Одно из приложений в моём портфолио обслуживает 400 000 MAU.
• Без CI/CD.
• Без автотестов.
• На монолитной архитектуре.
• С vertical scaling.
И оно работает. Не идеально, но работает. Держит трафик. Приносит revenue. Пользователи приходят и возвращаются.
Первая реакция любого технического человека - «это нужно срочно переписать». Моя, кстати, тоже была такой.
Но потом включается мышление директора продуктов, а не инженера.
Настоящий вопрос
Настоящий вопрос - не «как это вообще работает», а «почему это проработало 6 лет и никто не вмешался». И ответ неудобный: потому что для бизнеса это было нормально. Product-market fit есть. Revenue идёт. Пользователи не уходят.
Проблема в другом. У этого продукта ожидаемый рост трафика x10 к концу года. И вот тут монолит с vertical scaling - это уже не «ну работает же», а бомба замедленного действия.
Мне пришлось собрать данные, построить модель = что произойдёт при x10 нагрузки на текущей архитектуре, сколько стоит рефакторинг, и что мы теряем, если не делаем его сейчас. Запитчил CEO и CTO. Получил спонсорство и ресурсы.
Это и есть работа директора продуктов: не «давайте всё перепишем, потому что best practices», а «вот конкретная бизнес-модель, почему мы это делаем сейчас и что случится, если не делаем».
Что ещё было в первые месяцы
Параллельно с этим - миграция всех приложений с vendor-managed AWS на внутреннее enterprise-облако (✅ сделано), выстраивание KPI-фреймворка с нуля (ни одной системной метрики не существовало), запуск разработки shared AI-инфраструктуры для ChatBot'ов и VoiceAgent'ов, пересмотр всех контрактов, compliance, кибербезопасность. И ещё впереди перестройка самой команды.
Всё - одновременно. Всё - в первые три месяца.
Неочевидный инсайт
На уровне Head of Products ты управляешь продуктами.
На уровне директора ты управляешь системой, которая производит продукты.
80% моего времени - это не фичи и не юзер-стори. Это кросс-функциональные согласования, financial governance и выстраивание процессов между командами, которые раньше не разговаривали друг с другом.
Парадокс: чем выше ты растёшь в продуктовом управлении, тем меньше ты занимаешься продуктом напрямую - и тем больше твоё влияние на него.
А ещё один парадокс: приложение на монолите без CI/CD с 400k MAU = это одновременно и провал инженерной культуры, и доказательство сильного product-market fit. Зависит от того, с какой стороны смотришь.
Пишите, про что из этого особенно интересно почитать подробнее.
С января у меня новая роль - Global Head of Home & Cyber Digital Solutions в Allianz Partners. Грейд Allianz Executive, по-простому, директор продуктов. За 4.5 года в компании, четвёртая позиция и третье повышение.
Но пост не про повышение. Пост про то, что я увидел, когда принял новый скоуп, и почему это перевернуло мои представления о том, как на самом деле работают digital-продукты в крупных корпорациях.
Масштаб: было → стало
Head of Products: 3 продукта, 11 стран, ~70k MAU, 3 команды.
Сейчас: 16 цифровых продуктов, 36 стран, 600k MAU, бизнес на €1B/год. 6 человек в прямом подчинении, 80+ в матричном.
Рост в 5-8x по каждой метрике. Но самое интересное, конечно, не в цифрах.
Вещь, которую я не ожидал увидеть
Моя основная миссия - post-merger integration. Allianz купил инновационную компанию 6 лет назад и так и не интегрировал её в свою структуру.
Когда я принял этот отдел и начал разбираться в том, что мне досталось - я обнаружил вещь, которая сначала меня шокировала, а потом заставила задуматься.
Одно из приложений в моём портфолио обслуживает 400 000 MAU.
• Без CI/CD.
• Без автотестов.
• На монолитной архитектуре.
• С vertical scaling.
И оно работает. Не идеально, но работает. Держит трафик. Приносит revenue. Пользователи приходят и возвращаются.
Первая реакция любого технического человека - «это нужно срочно переписать». Моя, кстати, тоже была такой.
Но потом включается мышление директора продуктов, а не инженера.
Настоящий вопрос
Настоящий вопрос - не «как это вообще работает», а «почему это проработало 6 лет и никто не вмешался». И ответ неудобный: потому что для бизнеса это было нормально. Product-market fit есть. Revenue идёт. Пользователи не уходят.
Проблема в другом. У этого продукта ожидаемый рост трафика x10 к концу года. И вот тут монолит с vertical scaling - это уже не «ну работает же», а бомба замедленного действия.
Мне пришлось собрать данные, построить модель = что произойдёт при x10 нагрузки на текущей архитектуре, сколько стоит рефакторинг, и что мы теряем, если не делаем его сейчас. Запитчил CEO и CTO. Получил спонсорство и ресурсы.
Это и есть работа директора продуктов: не «давайте всё перепишем, потому что best practices», а «вот конкретная бизнес-модель, почему мы это делаем сейчас и что случится, если не делаем».
Что ещё было в первые месяцы
Параллельно с этим - миграция всех приложений с vendor-managed AWS на внутреннее enterprise-облако (✅ сделано), выстраивание KPI-фреймворка с нуля (ни одной системной метрики не существовало), запуск разработки shared AI-инфраструктуры для ChatBot'ов и VoiceAgent'ов, пересмотр всех контрактов, compliance, кибербезопасность. И ещё впереди перестройка самой команды.
Всё - одновременно. Всё - в первые три месяца.
Неочевидный инсайт
На уровне Head of Products ты управляешь продуктами.
На уровне директора ты управляешь системой, которая производит продукты.
80% моего времени - это не фичи и не юзер-стори. Это кросс-функциональные согласования, financial governance и выстраивание процессов между командами, которые раньше не разговаривали друг с другом.
Парадокс: чем выше ты растёшь в продуктовом управлении, тем меньше ты занимаешься продуктом напрямую - и тем больше твоё влияние на него.
А ещё один парадокс: приложение на монолите без CI/CD с 400k MAU = это одновременно и провал инженерной культуры, и доказательство сильного product-market fit. Зависит от того, с какой стороны смотришь.
Пишите, про что из этого особенно интересно почитать подробнее.
🔥23👏4