Это в продолжении прошлого поста, отвечая на комментарий Anton Korenyako в LinkedIn: “А как быстро у v0 получится реализовать трекбол на экране телефона?”

Задачка с трекболом оказалась с подвохом.

Сначала все выглядело просто: в любой системе вайбкодинга можно быстро собрать базовый вариант, с шаром и сеткой линий и точек на его поверхности, чтобы отслеживать движение.

Но все решает формулировка задачи.

Во всех первых попытках системы выдавали результат вроде вращающегося глобуса, построенного на изменении углов Эйлера. На практике это оказалось неудачным решением. Такой подход крутит шар вокруг фиксированных осей X и Y, что быстро приводит к коллизиям и неестественному поведению.

После нескольких экспериментов я уточнил постановку.

Теперь вращение реализовано через ориентированную систему на основе нормалей касания. При касании определяется нормаль в точке пересечения луча и сферы. Далее между стартовой и текущей нормалями вычисляются ось и угол вращения. В итоге получается эффект катящегося шара и точка контакта остается под пальцем, как при реальном взаимодействии.

В итоге потратил 4 запроса на $0.45. И еще пару часов GPT пытаясь понять, как от начального решения перейти к работающему.

Результат можно попробовать самому https://v0-smartphone-trackball-ui.vercel.app/

Для тех, кто хочет улучшить производительность своих команд программистов, рекомендую видео с Nicole Forsgren автором нескольких книг и Senior Director of Developer Intelligence в Google «How to measure AI developer productivity in 2025».

Я сделал для себя несколько заметок, но вам, возможно, будут интересны другие тезисы.

Новый для меня термин — DevX, описывающий опыт разработчика. То есть, какой процесс разработки, как устроено взаимодействие с инструментами, с какими трудностями сталкивается разработчик, какая у него поддержка и т.д. Это важно, потому что когда у разработчиков есть проблемы, никакая лучшая техника или инструменты не помогут сделать процесс разработки продуктивным.

Если процесс получения результата сопряжен с большим напряжением и постоянным преодолением препятствий, то рано или поздно разработчик выгорит.

Интересная идея: новые инструменты ИИ мешают разработчику попадать в состояние потока, когда он увлеченно и непрерывно создает интересные вещи.

Состояние потока, когнитивная нагрузка и петля обратной связи — три аспекта, через которые можно описывать опыт разработчика.

В чем люди ошибаются, пытаясь измерить прирост своей продуктивности с использованием ИИ? Количество строк кода — плохой показатель на сегодня. и другие прежние метрики уже плохо работают. Мы можем отследить код, написанный людьми и сгенерированный ИИ, и понять, какой процент кода “выживает”. На основе этого можно оценивать качество. Это немного, но шаг в правильном направлении.

Доверие к генерируемому коду — одна из крупных проблем, с которыми мы столкнемся в ближайшее время. Мы начнем тратить больше времени на проверку кода, а не на его написание.


Похоже, предел человека — это около четырех часов продуктивной работы в день. Это отсылка к большой работе Глории Марк (Gloria Mark), посвящённой изучению влияния цифровых технологий на внимание, многозадачность и рабочие процессы. Книга вышла и на русском языке: «Метавнимание. Как сохранять продуктивность и удерживать фокус в цифровой реальности».

Чтобы добраться до продуктивного состояния потока, нужно потратить час или два. Но сейчас вся работа с ИИ идет прерывистыми блоками. Нужны инструменты, которые помогут облегчить погружение в поток и возвращение к нему с помощью ИИ. Эта область пока ждет исследований и ответов.

Большинство команд может двигаться быстрее. Но не всегда прирост скорости — это благо. Можно выпускать мусор каждый день, но зачем? Нужна стратегия и умная команда менеджеров, чтобы понимать, что выпускать и с чем экспериментировать.

Какие показатели можно использовать для оценки продуктивности с применением ИИ? Одним из них может быть способность быстро экспериментировать и тестировать. Но это сложно напрямую связать с работой ИИ в руках конкретного разработчика.

Создание юнит-тестов и их запуск, генерация документации и ее обновление — вск это можно делегировать ИИ-агентам. Это полезно и для самих агентов: они смогут опираться не только на существующий код, но и на вск, что его окружает. Чем лучше документация и комментарии, тем лучше работает ИИ.

Как показать эффективность внедрения ИИ для бизнеса? Все зависит от приоритетов бизнеса, какой бы ни была цель — рост доли рынка, прибыль или экономия — под каждую можно подобрать свои метрики.

Счастливые разработчики создают лучший код. Они пишут более качественные программы и делают лучшую работу. Пытаться напрямую влиять на счастье сложно, но мы можем влиять на удовлетворенность.

Хорошую тему поднял Якоб Нильсен в статье “Slow AI: Designing User Control for Long Tasks”. Он рассуждает о пользовательском опыте при выполнении долгих задач, характерных для современных ИИ-систем.

Вот несколько идей из статьи, которые мне показались особенно интересными.

Сегодня агенты не всегда отвечают мгновенно. Мы ждем генерации картинки минуты, а создание видео десятки минут. Уже сейчас ИИ может работать над задачами по 30 часов, и со временем этот срок может растянуться на дни или даже недели. Возможно, однажды мы доживем до момента, когда ИИ будет выполнять задачи годами и все будет происходить без участия человека.

Такой “медленный ИИ” создает новые UX-проблемы: потерю контроля, снижение фокуса, риск сбоев. Это требует другого подхода к проектированию интерфейсов.

Если задача долгая, лучше не пытаться предсказать ожидания пользователя. Гораздо полезнее задавать уточняющие вопросы. Это поможет избежать пустых затрат времени и энергии. Например, в качестве уточнения может быть план на решение задачи или раскадровка для фильма, если запрос касается создания видео.

Также полезно задавать ограничения выполнения задачи по времени или бюджету. Такой подход хорошо работает в ситуациях с генерацией идей или поиском решений в рамках гипотезы.

Если в процессе выполнения задачи возникает вопрос, стоит подождать ответа пользователя разумное время. Потом можно продолжить с вероятным вариантом (с минимальным риском), зафиксировав его в комментарии для последующего анализа. Останавливать процесс полностью может быть худшим вариантом, чем двигаться с неточными вводными.

Для долгих задач важно предусмотреть возможность поставить выполнение на паузу, чтобы это происходило без потери данных.

Хорошо, если большая задача разбивается на предсказуемые фрагменты продолжительностью 5–15 минут. Тогда ее проще восстанавливать при сбое и легче контролировать прогресс выполнения.

Чтобы сохранить контроль над процессом, система должна показывать промежуточные результаты. Это будет снижать тревожность пользователей и даст уверенность, что все идет по плану.

Когда пользователь возвращается к задаче после перерыва, система должна помочь ему быстро восстановить/вспомнить контекст задачи (context reboarding). Уведомления, письма и сообщения тоже стоит писать так, чтобы напоминать, о какой задаче идет речь.

И наконец, пользователю нужно дать свободу: возможность скачивать промежуточные материалы, останавливать задачу, менять направление, оценивать результаты и при желании продолжать работу без издержек по качеству выполнения.

Из рабочих проектов этого года. В начале года я участвовал в тендере от крупного СМИ на редизайн сайта. Тендер мы не выиграли, хотя предложение было хорошим, но заказчик хотел реализовать проект быстрее, чем команда могла гарантировать.

К тендеру я готовил презентацию с разными подходами и предложениями по изменению дизайна сайта, которые должны были повлиять на поведения посетителей. Изменения были обоснованными, в базе были метрики и мы показывали ожидаемые изменения при внедрении тех или иных решений.
Но когда речь идет о проектах с MAU в 10–20 миллионов пользователей, нужны не только быстрые улучшения. Важно думать о решениях, которые обеспечат рост аудитории на горизонте в год-два. Только так можно оправдать инвестиции в редизайн.

Я придерживаюсь идеи, что поведенческие метрики можно улучшить в моменте, но в ограниченных пределах. Если нужен значительный рост, то нужно менять что-то по-настоящему.

Так родилась идея добавить на сайт онлайн-игры. Для меня это был очевидный ход, потому что пример New York Times давно показал, что это работает. Но, как оказалось, не все знакомы с их результатами.
Мини-игры у NYT расположены внизу главной страницы, они встроены в рассылки и доступны подписчикам. Они стали не только инструментом вовлечения, но и драйвером роста платных подписок.

Axios писал об этом в статье “Games are helping the New York Times thrive amid media chaos”. В 2023 году в игры NYT сыграли более 8 миллиардов раз, а это около 22 миллионов игр в день. И для издательства цель не в том, чтобы стать игровой компанией, а в том, чтобы добавить ценности помимо основного продукта и стать частью повседневной жизни пользователей.
Мое предложение не было самым коротким путем к росту аудитории, но, как мне кажется, это пример того, как можно взять уже работающую идею и адаптировать под себя. И пусть это требует затрат, но изменить поведение пользователей, не меняя само содержание предложения, почти невозможно.

Вот такая история на сегодня. Хорошего всем дня 🙂

Листал Artificial Intelligence Index Report 2025 и вдруг поймал себя на мысли, что роботизация — это ведь не просто замена людей машинами. Когда она приходит в одну отрасль, начинает меняться и все вокруг.

Вот, например, автопилоты. Машины становятся безопаснее, число аварий снижается, а значит, будет меняться и доходность автострахования. А это, между прочим, крупнейший сегмент розничного страхового рынка. Получается, что молодые, гибкие игроки смогут предлагать более дешевые и при этом выгодные для себя страховки.

Пока сложно предсказать, с какой скоростью такие изменения могут происходить. С одной стороны, кажется, что все будет постепенно меняться, за десяток лет. Но если вдруг, следующим шагом роботизации станет быстрый массовый переход от машин с рулем к машинам с AI, то это встряхнет весь рынок и запустит цепную реакцию изменений.

Думаю, что как раз в таких отраслевых обзорах можно находить идеи для новых продуктов или гипотезы для новых тестов.

Пятничные вести с полей вайб-экспериментов. Сегодня покажу небольшую игру, которую сделал для телефона и к ней же подключено удаленное управление через Websocket.

Игра простая, нужно загнать мячики (диски) в лунку. Есть несколько уровней и немного анимации, все на простых механиках.

Чтобы синхронизировать системы, я сначала попросил V0 написать документацию по API, а потом использовал еt на двух серверах, чтобы обеспечить синхронизацию между удаленным пультом управления и самой игрой.

Что полезного я вынес на этой неделе?

Документация отлично помогает, когда нужно синхронизировать две системы, написанные ИИ. ИИ хорошо понимает документы и старается следовать логике описанной в них.

Нужно заранее создавать тестовые условия или даже отдельные стенды, чтобы сразу видеть, что работает, а что нет. Без этого приходится разбираться в коде, и весь вайб-подход ломается.

Я использую внешнюю систему (сейчас это Grok), чтобы задавать вопросы по темам, которые хочу уточнить или в которых надо разобраться. Например, о том, как лучше синхронизировать работу двух систем через Websocket для удаленного управления в игре. Это помогает не засорять контекст V0 лишними рассуждениями. И, как мне кажется (тут нужно больше экспериментов), приводит к меньшему количеству ошибочных решение со стороны ИИ агента.

Рабочая версия игры доступна по адресу v0-mobile-game-development-orpin.vercel.app

Версия ролика на Ютубе https://youtu.be/rR25uMylTo4?si=q7IY9NCdzNy809Vn

Про опенспейсы и хороших руководителей. Раньше люди любили делать выводы на основе исследований, научных расчетов и статистики. Сейчас же чаще доминируют личные наблюдения и субъективные мнения. Поэтому мне нравятся старые работы, которые остаются обоснованными за счет цифр.

Например, работа Тома ДеМарко (Tom DeMarco) и Тимоти Листера (Timothy Lister) «Peopleware: Productive Projects and Teams». Она основана на исследовании, которые авторы проводили с 1977 по 1987 год. Книга вызвала интерес, и после первого издания в 1987 году вышло второе в 1999, а потом третье в 2013. То есть идеи и подходы книги выдержали проверку временем и остаются актуальными. На русском языке книга вышла в 2005 году под названием «Человеческий фактор. Успешные проекты и команды».

В исследовании авторы сравнивали работу более 600 программистов из 92 компаний. Они обнаружили, что сотрудники внутри одной компании работали примерно на одном уровне, а между организациями был огромный разрыв в производительности. И они предположили, что причина успеха не в опыте или оплате, а в организации рабочего пространства, уровне уединения и отсутствии отвлекающих факторов.

62% «лучших» программистов отмечали, что у них было достаточно уединенное рабочее место, а среди «худших» так считали только 19%. 76% «худших» часто отвлекались без необходимости, но только 38% «лучших» попадали в такую же ситуацию.

Авторы дают много рекомендаций по организации эффективной команды. Но мне нравится сама идея: эффективность во многом зависит не только от людей, но и от того, как организована их работа. Хороший менеджер может улучшить результат команды просто приняв правильные управленческие решения.

В общем, опенспейсы — зло для программистов, если нужна эффективность. Книга ДеМарко и Листера отличная и рекомендую ее почитать. Ну и читать книги вообще полезно, а это вы и так знаете.

Трудно осознать масштабы индустрии искусственного интеллекта. Но стоит взглянуть лишь на темпы роста одного из ключевых игроков — OpenAI, чтобы понять, насколько она стремительно развивается.

К 2033 году компания планирует создать сеть дата-центров, которые будут потреблять 250 гигаватт энергии. Для сравнения, если бы OpenAI уже сейчас имела такую мощность, она заняла бы седьмое место в мире по потреблению электроэнергии, опередив Францию, Южную Корею, Бразилию и Саудовскую Аравию. Индия сейчас потребляет как раз 250 250 гигаватт энергии.

Откуда возьмется эта энергия? Ядерная энергетика вряд ли подойдет, для выработки 250 ГВт потребуется около 250 новых реакторов. Их строительство обойдется в 12,5 триллиона долларов и потребуется от 15 лет на каждый объект.

Самый вероятный путь — это переход на солнечную и другие возобновляемые источники энергии. Они дешевле и быстрее внедряются. Уже сегодня в США по показателю LCOE (Levelized Cost of Electricity, учет полной стоимости энергии, включая строительство и эксплуатацию) солнечная генерация в полтора раза выгоднее газовой, вдвое дешевле угольной и втрое — атомной. И это даже без субсидий, которых, вероятно, больше не будет, но которые делают ее сейчас почти бесплатной.
Амбиции OpenAI многих впечатляют, кто-то сомневается, многие обсуждают.

Вот, например, статья Sam Altman Wants 250 Gigawatts of Power. Is That Possible? в The Information.

Интересная статья «Chimeric Talent: The Workforce AI Is Quietly Creating» про то, как AI, который мы привыкли считать просто технологией, трансформирует подход к человеческим ресурсам. В заголовке и тексте всплывает термин «химерический талант» (chimeric talent, от химеры, существа из мифов, собранной из кусков разных животных). Это про работников, которые с помощью AI могут быстро освоить новое. И вся традиционная модель найма, построенная на знании навыков, сейчас теряет актуальность, если человек за день может начать пользоваться тем, для чего ему раньше нужно было месяцы учебы.

«Химерический талант» — это новый способ мышления, позволяющий людям быстро преодолевать границы своих знаний. И это ставит бизнес перед новыми вопросами.

Первый вызов — непредсказуемость комбинаций навыков. Человек теперь может на лету учиться чему угодно, под задачу. Где раньше надо было звать коллегу, сейчас AI помогает сделать все самому. Это рушит привычную пирамиду знаний, где новичок традиционно знал меньше, чем старший специалист.

На мой взгляд, если вместо Homo Sapiens приходит Homo AI Integratus, то спрашивать на собеседованиях про предметные знания — это тупик. Многие компании продолжают задавать устаревшие вопросы на собеседованиях, но это путь в тупик. Новая реальность требует иного подхода.

Сотрудники активно используют ИИ. Но если компания не интегрировала ИИ в свои процессы, есть риск, что работники будут применять его только для упрощения своей работы и начнут искать другие места. Это не так просто, как кажется.В основе лежит проблема доверия и устаревшие подходы к ролям и компетенциям. «Химерический» специалист быстро учится новому, но будет ли компания его мотивировать? Или ему проще уйти туда, где его навыки лучше оценят?

Нам предстоит переобучение персонала, пересмотр мотивации, перестройка процессов. Знание бизнеса и контекста, в котором он существует, станет важнее, чем сейчас. Грубо говоря, теперь все могут бросать камень далеко, но ключевым становится понимание, куда его бросать. А для этого нужно видеть задачу целиком, учитывая факторы, которые часто нигде не прописаны.

И есть проблема в том, как нанимать таких людей, удерживать их и развивать. Компании, которые справятся с этим, получат серьезное преимущество. Но пока у большинства нет систем и подходов для управления этим.

Сегодня в качестве примера вайбкодинга Product Hypothesis Canvas. Это фреймворк, который я описал в 2020 году и позже выложил как шаблон на Miroverse.

Мне всегда нравилась идея одностраничных приложений и возможность подключать к ним LLM. В этом проекте я как раз экспериментировал с таким подходом. Подключил OpenAI и DeepSeek. Сейчас связка работает только с пользовательскими ключами, поэтому если захотите протестировать фреймворк, нужно будет добавить свои ключи в настройках.

Что оказалось особенно интересным после подключения моделей. Во-первых, использование LLM в ситуациях, где вы не загружаете много контента, выходит очень недорогим. За день экспериментов я не смог превысить порог в один потраченный цент. Речь именно об использовании моделей для задач фреймворка.

Во-вторых, в OpenAI есть лог запросов и его удобно использовать, чтобы просматривать историю и улучшать базовые промты. На практике качество ответов часто растет не за счет технических доработок в проекте, а именно благодаря правильной стратегии работы с промтами.

— Если хотите посмотреть версию V0, вот ссылка.
— А подробнее о фреймворке можно почитать на Medium.

Версия ролика на Ютубе https://youtu.be/AselbRU4N6U

Хочу напомнить о статье HBR «Make Decisions with a VC Mindset» про мышление успешных венчурных инвесторов. Для рутинных решений в предсказуемой среде такое мышление не нужно. Но в периоды высокой неопределенности компаниям полезно думать как венчурные капиталисты и быть готовыми к смелым решениям.

Я выписал для себя несколько идей, которые могут быть полезны и вашей компании.

Итак, какими навыками обладают венчурные компании, которых часто не хватает крупным корпорациям?

Готовность к неудачам. Венчурные инвесторы понимают, что часть проектов не сработает. И это не ошибка — это часть их бизнес-модели. Они не зацикливаются на страхе потерять деньги. Куда важнее — не упустить возможность, способную изменить компанию или целую отрасль.

Следовать приоритету личности над группой. Группы часто слишком быстро сходятся к одной идее, иногда даже не замечая этого. Особенно под влиянием старшего сотрудника или “эксперта”. Поэтому важно строить работу так, чтобы не допустить преждевременного согласия. Иногда достаточно одного человека за столом, чтобы заметить потенциал большой идеи — и его нужно услышать.

Полезно держать небольшие команды. Попросить участников заранее написать свое мнение, а на встрече первое слово дать младшим членам команды, чтобы их голос не потерялся.

Не стоит гоняйтесь за консенсусом. Компании, где требуется единогласное одобрение, часто теряют скорость, особенно в условиях высокой неопределенности и множества неизвестных. Исследования показывают: компании, инвесторы которых не стремятся к единому мнению, обычно достигают лучших результатов.

Стоит ценить критиков и тех, кто готов высказывать другое мнение. Если никто не возражает и не задает сложных вопросов, это часто сигнал, что в команде люди не мотивированы говорить правду.

Не надо тянуть с принятием решения. Месяцы обсуждений редко снижают риск. Лучше попробовать что-то сделать и корректировать по ходу.

Трудно представить, насколько глубоко индустрия искусственного интеллекта уже проникла в разные сферы экономики. Исследователи попытались визуализировать это — создали карту, показывающую масштаб и взаимосвязи.

Смотрите и скачивайте https://cartography-of-generative-ai.net/

В 2024 году вышла статья «Cultural bias and cultural alignment of large language models», в которой исследователи попытались понять, на кого в культурном плане похож ChatGPT. Иными словами, ответы людей из какой культуры он склонен воспроизводить.

Для анализа использовались данные World Values Survey и ответы трех версий GPT. Результаты показали, что модели ближе всего к обществам, которые описывают как WEIRD — Western, Educated, Industrialized, Rich, Democratic. Это, например, США, Канада и страны Западной Европы. При этом культурный уклон в GPT сохраняется от версии к версии. Даже прямые просьбы отвечать «как типичный житель другой страны» не устраняют предвзятость полностью.

С одной стороны это закономерно, любая модель отражает корпус текстов, на которых обучалась, и несет культурное наследие этой среды. Но исследователи отмечают, что игнорирование культурных различий может привести к неверной интерпретации данных и искаженным выводам, усиливая культурное неравенство.

Об всем этом стоит помнить, если вы используете LLM для общения с представителями других культур или там, где важно понимать культурный контекст.

У Google новый инструмент – Stitch. Он позволяет создавать дизайн макетов и работать с ними, как с графическими элементами.

Все еще не хватает возможности взять кнопку и перетащить ее в нужное место. Но можно выделить место и сказать, что с ним сделать или дорисовать карандашом контур объекта и Google постарается поставить то, что нарисовано. Ориентируясь на ограниченного количества вариантов дизайна, можно сделать предположение, что база, на которой училась модель, сильно связана с реальной кодовой базой (а конкретно с Tailwind CSS) и в это ограничивает варианты интерфейса. Т.е. создать что-то креативное не получится, но создать стандартное приложение или стандартный интерфейс вполне можно. И выглядеть это будет вполне достойно.

И недетерминированность ИИ иногда раздражает, потому что невозможно стабильно получать один и тот же результат при одинаковых промптах. Но при всем этом Google упорно движется в сторону создания полноценной интегрированной среды разработки, которая будет объединять в себе все – от дизайна до развертывания решений.

Попробуйте на https://stitch.withgoogle.com/

Сегодняшний пример вайбкодинга получился случайно. Я хотел задать пару вопросов Google AI, но по ошибке написал не в чат, а в модель, которая отвечает за создание приложений. Вместо короткого ответа она просто… закодила его. Результат вышел неожиданным, но интересным.

Так появился пример онлайн-сервиса для генерации бизнес-идей: немного забавный, немного хайповый и немного серьезный. ИИ выстроил воронку: на входе привлекательная идея, а на выходе — вполне прагматичное предложение зарегистрировать ИП.

Модель не забыла и про социальное доказательство и добавила блок с отзывами и примерами. Я лишь немного подправил тексты, чтобы сделать их живее и эмоциональнее.

Надо отметить, что работать с Google AI Studio приятно, особенно когда нужно встроить в сервис ИИ, потому что ничего подключать вручную не требуется, все сразу работает «под капотом».

И с помощью ИИ удобно создавать генеративные сервисы. Модель не повторяется, если направления могут еще совпадать, то названия всегда получаются уникальными.

Для меня этот продуктовый прототип еще один пример того, как современные технологии позволяют быстро воплотить идею и почувствовать ее на живом варианте. В общем, пробуйте создавать сами — это интересно.

Видео на ютюбе https://youtu.be/DJzAB-jelmQ

Собрал сегодня для своего блога. Использовал V0 + Gemini.

Про важность умения создавать восторг. Недавно я наткнулся на статью McKinsey, которая, возможно, вернет дизайнерам и креаторам почву под ногами. Особенно сейчас, когда кажется, что все подчинено цифрам, метрикам и рациональному созданию продуктов.

В статье «Fueling growth through moments of customer delight» авторы показывают, как впечатления клиентов напрямую влияют на ключевые продуктовые метрики: рекомендации, удержание и доход.

Они подробно разбирают, как формируется восторг — эмоция, которая возникает на стыке радости и удивления. Если раньше это казалось привилегией премиум-брендов, то сегодня создавать восторг под силу и небольшим компаниям. Более того, авторы уверяют, этот процесс можно осознанно проектировать.

Важно помнить, успешное взаимодействие с клиентами невозможно без сочетания рациональных и эмоциональных аспектов опыта.

Восторг — это не просто удовольствие. Это глубокая эмоциональная реакция, возникающая, когда человек сталкивается с чем-то неожиданным, выходящим за рамки повседневного. Он появляется только там, где радость встречается с удивлением.

Удивление само по себе оказывает непропорционально сильное влияние на память. Когда мы удивлены, активируется гиппокамп — это та часть мозга, которая отвечает за хранение информации. В результате событие запоминается лучше и ярче.

Восторг отличается от удовлетворения. Удовлетворение — рациональная реакция на качество сервиса или продукта. Если ожидания оправданы, клиент нейтрален. Если превышены, то он доволен. Но только когда к удовлетворению добавляется элемент неожиданности, появляется восторг.

Исследования показывают, что клиенты, испытавшие восторг, значительно чаще рекомендуют бренд другим.

Большинство источников восторга можно свести к двум категориям: превосходное обслуживание, инновационность продукта.

Персонализированные жесты внимания — это один из способов выделиться, особенно для клиентов с высокими ожиданиями.

Создание незабываемых впечатлений — это не только вопрос творчества, но и определенный дизайн-подход, который направлен на достижение удивления и радости.

Да, сегодня мы умеем оцифровывать исследования, проводить тесты и считать метрики. Но заменить творческого дизайнера по-прежнему нечем. Только дизайнер способен глубоко понимать эмоции, триггеры и поведение людей, замечать детали, мыслить нестандартно и раздвигать границы привычного. И именно через это рождается восторг.

pdf статьи Fueling growth through moments of customer delight https://www.mckinsey.com/~/media/mckinsey/business%20functions/marketing%20and%20sales/our%20insights/fueling%20growth%20through%20moments%20of%20customer%20delight/fueling-growth-through-moments-of-customer-delight.pdf?shouldIndex=false

У Люка Врублевски вышел пост о том, как рост скорости разработки меняет роль дизайнеров в создании продуктов.

Тема не новая и многие говорят о том, что под влиянием ИИ процессы разработки меняются так сильно, что приходится искать новые способы организации работы. И увеличение скорости разработки — это один из ключевых факторов этих перемен.

Сегодня 10-кратное ускорение кодирования становится нормой. В посте Джо Магеррамова из Amazon есть иллюстрация того, как меняется скорость постановок: он пишет, что около 80% его кода уже создается ИИ-агентом. Новая реальность требует пересмотра процессов тестирования, поставок, командных коммуникаций, системы принятия решений и т.д.

И все это напрямую касается дизайнеров. Люк выделяет три идеи, как меняется работа, но я остановлюсь на двух.

Первая идея в том, что ускорение разработки меняет роль дизайнера. Дизайнер будет подключаться уже после того, как команда «нагенерит» кучу кода и функций, и его задача будет в том, чтобы наводить порядок постфактум.

Я думаю, это может привести к появлению новой дизайнерской роли, которая будет сводиться к постоянному аудиту продукта. Такой дизайнер будет выравнивать интерфейсы, улучшать пользовательские паттерны и, возможно, больше работать на уровне взаимодействия «продукт–пользователь», ближе к исследовательской роли.

Вторая идея, немного антиопортунистическая, что ускорение разработки само по себе ничего не даст. Хоть инструменты и меняются, но фундаментальная работа остается прежней. Количество хороших продуктов не вырастет только потому, что можно сделать больше кода. Все ещё нужно проводить исследования, анализировать, искать инсайты и новые идеи, а эти процессы не ускоряются так же быстро, как разработка.

В итоге, возможно, мы придем к новой конфигурации продуктовых команд, когда на одного дизайнера нужно будет меньше разработчиков.

На мой взгляд, будет и так, и так, плюс еще и вайбкодинг.
А что думаете вы?

McKinsey предсказывают, что к 2028 году до 75% всего ответов на Google будет содержать AI-сводки. Они называют это тектоническим сдвигом, и, на мой взгляд, это точное описание происходящих изменений.
Как часто делают консультанты, в статье «New front door to the internet: Winning in the age of AI search» они обозначают проблему, рисуют перспективу серьезных перемен, но не дают четкого ответа, что с этим делать. Точнее советы есть, но они фактически сводятся к идеи, что действовать нужно уже сейчас.

И в этом они, пожалуй, абсолютно правы. Потому что правильного и универсального ответа на вопрос, какую стратегию выбрать, сегодня просто не существует.

Мне особенно понравился один фрагмент, который лучше всего описывает подход к продвижению в эпоху ИИ:
«Чтобы влиять на множество источников, используемых поисковыми системами на базе искусственного интеллекта, и формировать маркетинговую стратегию, бренды должны понимать, какие вопросы задают потребители и какие источники формируют ответы. Кроме того, им необходимо постоянно идти в ногу с развитием больших языковых моделей. Сегодня это делают лишь немногие бренды. В таких крупных категориях, как кредитные карты, отели, электроника и одежда, ведущие бренды могут отсутствовать в некоторых ответах на ведущих платформах поиска на базе ИИ. Таким образом, некоторые бренды могут иметь более низкую долю в поиске на базе ИИ по сравнению с тем, что мы могли бы ожидать, исходя из их доли рынка и показателей в традиционном поиске.»

По сути, уже сегодня стоит серьезно заниматься GEO (Gen AI Engine Optimization), и это требует комплексного подхода и переосмысления контентной стратегии. Иначе завтра можно обнаружить себя на обочине клиентского внимания.

Надеюсь, мы проведем в Агиме митап, посвященный этой теме. Уж больно она горячая.

Сегодня решил протестировать, как разные инструменты справляются с созданием страницы регистрации на мероприятие. Оценивал не только сам процесс, но и перспективу использования в работе.
В видео примеры из:
V0, Lovable, Bolt, Figma Make, Anima App, b12, Google AI Studio, Google Stitch, ChatGPT, Cloude, Grok.

Видео на ютюбе https://youtu.be/W6qo9X0bjCI

В японских магазинах FamilyMart и Lawson работают роботы, которыми дистанционно управляют филиппинские операторы, когда ИИ машины не справляется с задачей или совершает ошибку.

С одной стороны, это шаг к автоматизации процессов и способ дообучать модели управления роботами. С другой — это способ переноса человеческого труда из региона в регион через удаленное управление.

Мне кажется, это интересный пример того, как может выглядеть будущее технологий. Возможно, со временем операторы начнут управлять даже человекоподобными роботами и появятся своеобразные аватары. И тогда официанта в американском кафе сможет заменить оператор из Индии или другой страны, где стоимость труда ниже.

Может быть, это еще один шаг к новому виду неравенства, и все это еще до появления AGI. А может это прекрасный ответ на вызов демографической ситуации, когда в некоторых странах попросту может не хватать людей для работы.

Смотрите первоисточник https://restofworld.org/2025/philippines-offshoring-automation-tech-jobs/