🔎🔎🔎🔎Цифровой продукт стало сделать проще. Найти клиента — сложнее...

Сейчас кажется, что идей стало больше и AI под рукой. Но экономически сильных идей стало меньше — тех, которые можно запустить и вывезти только продуктом.

AI упростил реализацию: MVP, лендинг, бот, оплата, аналитика и личный кабинет теперь собираются быстрее и дешевле. Но из-за этого конкурентов становится больше, а сам продукт перестаёт быть преимуществом.

Хороший пример — VPN. Казалось бы, сервис нужен почти всем: 40% россиян уже активно пользуются VPN. Но на практике можно запустить рекламу у блогеров, Telegram-посты, рассылки — и получить почти ноль реакции.

Не потому что продукт не нужен. А потому что каналы перегреты, доверия мало, конкурентов много, а пользователь не понимает, зачем менять привычное решение на новое.

❓То же самое будет с SaaS, CRM, аналитикой, AI-агентами, приложениями и играми. Сделать стало проще. Быть замеченным — сложнее.

CB Insights пишет, что 43% провалившихся стартапов умирали из-за слабого product-market fit. А AdIndex оценивает доверие к рекламе примерно в 62 из 100. То есть реклама работает, но уже не как кнопка «получить клиентов».

😊Сейчас выигрывает не тот, кто просто собрал MVP. Выигрывает тот, кто нашёл связку: сегмент → боль → доверие → оффер → канал → повторный контакт → оплата.

AI удешевил создание продукта чуть ли не с одного промта. Но усложнил доверие и дистрибуцию.

Как думаете, сейчас у всех главная проблема — найти клиентов? Или всё зависит от маркетинговых связок и конкретной ниши?

⭐️⭐️⭐️⭐️Замечали ли вы, что на приеме у врача вам не оказывают особое внимание?

Одна из частых проблем медицины — врач на приёме занят не только пациентом, но и протоколами. Человек приходит за вниманием и заботой, а видит, как врач большую часть времени смотрит в экран.

ИИ может частично снять эту рутину.

📱 Яндекс уже тестирует ассистента для клиник: он слушает диалог врача и пациента, выделяет жалобы, анамнез, диагноз, рекомендации и формирует черновик протокола. По данным компании, документ собирается до 35 секунд, точность — выше 90%, а время врача на заполнение может сократиться до 40%.

Но главный вызов не в распознавании речи. Сложнее понять, что именно и в какое поле записать: в МИС, ЕМИАС, шаблоны, обязательные поля и юридически корректные формулировки.

📱 Похожий подход развивает Amazon: AI-ассистенты помогают пациентам с вопросами, анализами, рецептами и записью, а решения вроде AWS HealthScribe превращают разговор на приёме в структурированную заметку для врача.

С экономикой всё не так просто. По оценкам рынка, внедрение такого сервиса может обходиться клинике примерно от 50 до 200 тысяч рублей в месяц. Прямой финансовый эффект может быть неочевидным, поэтому тут есть риск увеличения себестоимости приема. Но сегодня это уже не только про экономию. Пациенты привыкают к быстрым ответам, понятной коммуникации и цифровому сервису. И если клиника не будет двигаться в эту сторону, она рискует потерять конкурентное преимущество.

🤷‍♂️А как вы думаете, что ещё можно внедрить в клиники?

🔎🔎🔎🔎Я перепробовал почти все AI-coding подписки

➡️Claude Code за $200
Сильный инструмент, когда нужна архитектура и аккуратный reasoning. Но на трёх проектах параллельно я быстро упёрся в лимиты: длинный контекст, MCP, subagents и большие репозитории сжигают подписку быстрее, чем кажется.

➡️Google Antigravity ULTRA
Удобная IDE-обёртка. Gemini Flash 3.5 очень быстрый: для простых правок, UI и черновиков — кайф. Есть также в подписке Opus 4.6 - но без жёсткого плана качество плавает, если работать на всех моделях в подписку ULTRA.

➡️Codex за $200
На нём сейчас и остановился. Веду 3–4 проекта параллельно, лимитов хватает, а workflow ложится в мой harness: план → задача → diff → проверка → ревью. Codex для меня не «волшебный программист», а рабочий исполнитель под контролем, который работает внутри Pi agent, но сейчас я стал использовать более продвинутую оркестрационную систему OMP.

Главный вывод: LLM модель еще решает не всё. Решает harness — правила, контекст, skills, MCP, проверки и право сказать агенту «стоп». И также этот harness позволяет экономить контекст при старте практически в 3 раза. Ведь если использовать вендорские решения CLI, то они уже преднастроены.

Следующий мой тест — попробовать подписку OpenCode за 10$, как исполнитель на обычных задачах, а Codex как advisor для плана и ревью.

На Хабре разобрал свой текущий agent harness - вот ссылка. Буду благодарен, если проголосуете в мою карму +1😊

🔥🔥🔥143 отказа инвесторов — и компания за $10 млрд. Как WHOOP нашёл свой рынок

В 22 года Уилл Ахмед решил создать фитнес-трекер на стыке железа, софта и медицины. На рынок уже выходили Apple и Nike, эксперты советовали не связываться с устройствами, а 143 инвестора подряд отказали.

Идея родилась из личной боли. Играя за Гарвард в сквош, Ахмед столкнулся с перетренированностью и понял: мы знаем состояние автомобиля лучше, чем собственного организма.

🔥Так появился WHOOP — браслет без экрана, который анализирует сон, нагрузку, стресс и восстановление.

Но одной технологии оказалось недостаточно. Когда компания оказалась на грани банкротства, WHOOP перестал продавать продукт всем подряд и сфокусировался на профессиональных спортсменах. Леброн Джеймс, Майкл Фелпс и другие атлеты стали не просто клиентами, а главным каналом доверия и дистрибуции.

Параллельно компания перешла на подписку: браслет стал входом в сервис, а платить пользователи начали за аналитику.

😊Сегодня WHOOP развивает AI Coach на базе OpenAI. Система сопоставляет историю сна, HRV, пульса, нагрузки и привычек, находит взаимосвязи и формирует персональные рекомендации.

❗️Главный вывод: сегодня недостаточно сделать хороший продукт. Нужно точно понимать, для кого вы его создаёте, через какой канал будете продавать и как адаптировать под это сам продукт. Иногда правильная аудитория и дистрибуция важнее ещё одной новой функции.

6️⃣7️⃣8️⃣9️⃣0️⃣ Как я ускорил AI-разработку с помощью OMP Harness

Раньше я запускал почти все задачи на самой сильной модели. Казалось логичным: чем мощнее модель, тем лучше результат. На практике GPT-5.6 Sol могла выполнять простую задачу 20–30 минут, быстро расходуя лимиты. Поэтому я перешёл на OMP — harness-систему, которая распределяет разные этапы разработки между подходящими моделями.

🔵Default — основная модель (GPT-5.5)
🔴Smol — быстрые и простые операции (Gemini 3.5 Flash)
🔵Slow — сложный анализ и reasoning (GPT-5.6 Sol)
🔴Vision — работа с изображениями (GPT-5.5)
🔵Plan — архитектура и планирование (GPT-5.6 Sol)
🔴Designer — интерфейсы и визуальные решения (GLM-5.2)
🔵Commit — подготовка Git-коммитов (Kimi K2.7 Code)
🔴Tiny — мелкие задачи (GLM-5.2)
🔵Task — отдельные этапы работы (GPT-5.5)
🔴Advisor — независимая проверка результата (GPT-5.6 Sol)

Самая полезная функция здесь — Advisor. Пока быстрая модель пишет код, GPT-5.6 Sol проверяет изменения, ищет ошибки и корректирует направление. В итоге я не жду полчаса каждое действие, но сохраняю качество сильной модели. Все мои коддинг подписки обходятся мне:

➖ Codex Pro — $200,
➖ Gemini Pro — $20,
➖OpenCode Go— $5.

Итого — $225 в месяц. Все модели работают в одном терминале через подписки, а не через оплату каждого токена по API. При моей нагрузке это может экономить до пяти раз.

🥳Главный вывод простой: сегодня важна не одна лучшая модель, а правильно собранная AI-команда, где быстрая модель работает, а сильная — думает и проверяет. Вот кстати ссылка на мой harness - https://omp.sh/

🔎🔎🔎🔎4 технотренда в России, которые определят рынок до 2030 года

Я изучил 92-страничный обзор СберТеха о трансформации российского технологического рынка. Да, кейсов Сбера там ожидаемо много, но если убрать корпоративную оптику, видны пять действительно важных сдвигов.

1️⃣ИИ перестаёт быть отдельной функцией.

Его встраивают в банки, навигацию, образование, разработку и логистику. Ассистент уже не просто отвечает на вопрос, а анализирует договор, формирует платёж, строит маршрут или меняет код. Наконец-то нейросети начали не только красиво рассуждать о продуктивности, но и что-то делать.

2️⃣Платформы поглощают соседние рынки.

Маркетплейс становится банком, рекламной площадкой, логистической сетью и социальной платформой. У Ozon Банка уже 41,7 млн активных клиентов, причём около 60% карточных платежей проходят за пределами самого маркетплейса. Это уже не «дополнительный сервис», а отдельная финансовая экосистема.

Объём российской интернет-торговли достиг 11,5 трлн рублей, а 96,2% онлайн-покупок приходится на отечественные площадки. Магазин теперь конкурирует не с другим магазином, а с приложением, внутри которого уже есть оплата, доставка, кредит и контент.

3️⃣Логистика становится технологическим продуктом.

Только в 2025 году роверы Яндекса выполнили более 250 тысяч доставок. «Самокат» управляет сетью из 2400 дарксторов, а его алгоритмы принимают до миллиона операционных решений в час: что привезти, куда отправить курьера и сколько товаров оставить на конкретном складе.

4️⃣Цифровые технологии выходят из телефона в физический мир.

В России уже более 100 млн подключённых IoT-устройств, рынок умного дома достиг 26 млрд рублей, а за первое полугодие 2025 года было продано 2,5 млн умных колонок. Дальше умные счётчики, датчики протечек, видеонаблюдение и управление климатом будут всё чаще устанавливаться ещё на этапе строительства жилья.

📕Мой вывод: следующая конкуренция развернётся не между отдельными приложениями, а между экосистемами. Победит не тот, у кого самая умная модель или красивый интерфейс, а тот, кто сможет связать данные, оплату, логистику, ИИ и физическую инфраструктуру в один бесшовный продукт. Это борьба за контроль над всем пользовательским сценарием: от первого запроса до оплаты и доставки.

🔎🔎🔎🔎 Как продвигать SaaS в 2026 году, когда создать его может почти каждый?

Сегодня для запуска продукта уже не всегда нужна большая команда. Сильная LLM, несколько AI-инструментов и минимальный бюджет позволяют собрать MVP практически в одиночку. Но после релиза начинается главное: как привлечь пользователей и превратить их в покупателей?

Для цифрового продукта есть три базовые стратегии в интернет-маркетинге.

🤑Brandformance — узнаваемость и продажи

Вы одновременно строите бренд и привлекаете клиентов. Каналы: Reels, Shorts, YouTube, Telegram, LinkedIn, X, Product Hunt, публикации у авторов и медийная реклама (баннеры и видеореклама).

Для B2B SaaS особенно хорошо работает контент основателя: кейсы, демонстрации продукта, разборы рынка и результаты клиентов, а также виральный контент адаптированный под вашу нишу.

🧑‍💻Performance — быстро достичь финансово измеримых результатов в короткие сроки.

Здесь вы покупаете целевой трафик и ведёте его на лендинг, регистрацию или оплату. Основные инструменты: Google Ads, Яндекс Директ, VK Ads, SberAds и рекламные сети крупных площадок.

😊Ретаргетинг — возвращаем тех, кто не купил сразу

Пользователь мог зайти на сайт, зарегистрироваться или протестировать сервис, но не оплатить. Вернуть его помогают Яндекс Директ, Google Ads, Customer.io, OneSignal, HubSpot и Mindbox. Они позволяют запускать повторную рекламу, email-цепочки, push-уведомления и сценарии на основе действий пользователя.

❗️Конкуренция сегодня смещается от разработки к дистрибуции. Но одного найденного канала недостаточно: меняются алгоритмы, цены и поведение аудитории. Поэтому рост — это постоянный поиск новых связок из канала, оффера, креатива и воронки. Побеждает тот, кто быстрее тестирует, считает экономику и адаптирует продвижение под рынок.

😵‍💫Опыт использования Codex: честный разбор

Я каждый день вайбкожу и постоянно тестирую новые модели. Сейчас, например, работаю через GPT-5.6 Sol Medium, до этого почти полностью сидел на Claude Code и Antigravity.

И у всех моделей вижу один и тот же цикл: одна сессия пишет функциональность, следующая исправляет предыдущую.

Проекты развиваются быстрее, но иногда до 80% токенов уходит на баги, переработку логики и проверку кода. Причём часть этих ошибок при ручной разработке я бы не допустил.

Исследование Entelligence AI на данных более 2400 компаний показывает похожую картину: 44% расходов на AI-токены уходит на исправление багов, ещё 27% — на переписывание кода.

Получается парадокс: кажется, что AI уже написал код за нас, но на практике написал так, что постоянно исправляет этот код.

Поэтому сильной модели уже недостаточно. Нужно собирать собственный харнесс: писать PRD до начала разработки, разбивать задачи на контролируемые этапы, автоматизировать циклы тестирования и review, фиксировать архитектурные правила и использовать скиллы только под конкретные сценарии. Недавно я удалил из репозитория проекта более 200 скиллов и оставил только 29 с умной маршрутизацией. Результат оказался ожидаемым: меньше шума, точнее контекст и понятнее поведение агентов.

👎Мой вывод: AI-разработку ускоряет не количество моделей, агентов и скиллов, а качество системы вокруг них.