From 0 to 1 again. Go Global

Сожрал все токены в Claude, но так и не смог подключить Сlaude Desktop к Figma по mcp.

Может кто-то делал?

(claude code - подключил, но это не то)

Недавно провели внутреннюю встречу разработчиков, где они поделились своим опытом работы с Claude Code. Собрал парочку кейсов и инсайтов 👇

📌 Для каких задач использовали: Глубокие исследования для миграции Сделали скрипт, который анализирует базу/код, строит дерево зависимостей и выдает план миграции.

Интеграции под ключ За неделю (работая примерно по полдня) закрыли интеграцию с BigQuery, включая 100+ тестов и типизацию.

Автоматизация тестирования пути пользователя Настроили прохождение сценариев в beta через браузер (логин → шаги → проверки) со скриншотами.

Сбор отчетов с помощью MCP-серверов Связали инструменты (Notion + n8n), чтобы автоматизировать отчеты (типа сбор SLA за год и его отправка в Slack).

Поиск багов через Git Даем клоду историю коммитов, чтобы быстрее находить баги.

📌 Подводные камни (прям важно): Разработчик = архитектор + ревьюер Код нельзя принимать вслепую; Claude часто не думает о производительности и предлагает неоптимальные решения.

Локальные ресурсы Claude Code грузит процессор, потому что часть вычислений идет локально.

Контроль за тестированием Claude генерит избыточное количество тестов (там, где человек напишет один, он напишет десять). Это надо регулировать инструкциями в CLAUDE.md.

Итеративный подход Не стоит давать огромные задачи целиком. Лучше идти маленькими шагами, так проще ревьюить и меньше шансов на ошибки.

SaaS продолжит развиваться, но по другой модели 15 лет мы продавали инструменты: интерфейс → фичи → подписка → места (seats).

И пользователь платил за доступ к кнопкам и воркфлоу.

Но с AI продукт становится не инструментом, а работником, который выполняет конкретную задачу и приносит результат.

Старая модель: software as a service - Продукт = UI + набор функций - Ценность = удобнее/быстрее делать задачу руками - Монетизация = seat-based pricing - Рост = добавляешь фичи, расширяешь команды у клиента

Эта логика работала, пока работа оставалась на человеке.

Новая модель: software as a workforce AI-агент берет какой-то процесс и выполняет его сам: пишет, квалифицирует, отвечает, назначает встречу и догревает до нее, обновляет CRM (ну это в случае с dashly:)).

И вот тут seat pricing начинает выглядеть странно: один агент может сделать объем 5–10 сотрудников, а контролировать его работу может один человек.

Поэтому логичнее продавать: - объем использования - результат - смешанно

Я топлю за продавать результат.

И тогда сама система построения и продажи SaaS будет выглядеть следующим образом: 1️⃣ Модель Базовые модели: OpenAI, Anthropic, Google и т.д.

Это основа, на которой будет работать любой SaaS продукт.

2️⃣ Инфраструктура Слой, который превращает модель в работающего исполнителя:

- память (контекст и история) - инструменты и интеграции (CRM, почта, календарь, биллинг) - evals / обучение на диалогах - безопасность и контроль доступа - наблюдаемость (что агент сделал и почему)

3️⃣ Результат Как раз та перемена, о которой я говорил выше. Компания продает не интерфейс, а результат:

- не автоматизацию маркетинга, а рост пайплайна - не support software, а решенные вопросы и растущий CSAT

Клиенту все равно, как именно вы это делаете: интерфейсом, чат-ботом, агентом, автоматизацией.

Ему важен результат, который можно измерить.

Что это значит для тех, кто строит продукты: 1. Интерфейс упрощается: чатик + дашборды для контроля. 2. Moat смещается в то, что сложно скопировать: в дистрибуцию, в работу с данными, в то, как вы встраиваетесь в процессы ваших клиентов и как улучшаете работу ваших агентов. 3. Главный вопрос теперь не какие фичи в продукте, а какой результат этот продукт приносит.

Мой итог всех этих размышлений (и пары постов выше, которые вызвали дискуссию в комментах): SaaS не исчезает.

Он становится инфраструктурой для работы агентов. И выигрывать будут те, кто умеет продавать результат и реально его делать.

То что AI заменит SAAS продукты это такая хуйня на постном масле, прям не знаю.

Контент про успешный AI лезет вообще отовсюду: рилсы, ТГ‑каналы, соцсети, подкасты. И каждый день одно и то же.

Смотрите, как круто AI делает это! А вот тут новая моделька!! А вот этот инструмент вообще must have!!!!!!!!

И ты постоянно дергаешься: Так, надо попробовать вот это. И вот это. И еще вот это. О, вышло новое… сейчас настрою.

А может вообще купить mac mini, поставить на него джарвиса, воткнуть в грудь и улететь к чертям.

Только настроил себе все удобно в ChatGPT 5, сделал персонализацию и вроде выдохнул. А тут обнова у Gemini и надо попробовать Gemini. Потом n8n. Потом Claude. Потом Codex.

Везде есть что-то крутое. И все доступно. И ты носишься со всеми этими инструментами, потому что вдруг упустишь что-то реально прорывное.

Это отнимает КУЧУ энергии и ломает фокус. Потому что внутри постоянный шум: Они быстрее. Они круче. Они уже делают AI на AI для AI.

Плюс, конечно, накрывает экзистенциально: Может, уже все упущено? Через год B2B SaaS вообще никому не нужен будет, зачем мы это делаем?

И тут самое противное: полностью отмахнуться от этих мыслей нельзя. В них есть часть правды.

НО

Мне кажется, единственный рабочий выход — принять ограничения.

Выделить немного времени на исследование (чтобы держать руку на пульсе), а дальше делать свой продукт. Не пытаться успеть все, а двигаться по своей колее.

И самое важное: отъебаться от себя.

У меня в последние недели жуткие эмоциональные качели.

Постоянно метаюсь между "все днище" до "ОФИГЕТЬ КАК РАБОТАЕТ".

Вчера собрали аналитику по одному проекту в недвижимости.

Половину продаж сделал наш агент!!!

Это реально очень круто. Смотришь большинство диалогов — все классно. По метрикам — классно. По эвалам тоже в целом хорошо.

А залезаешь в операционку, набираешь диалогов, в которых что-то да сломано. То событие не отработало, то диалог не закрыли, то не передали менеджеру, то данные нормализовали не до конца правильно.

Например, агент в диалоге в WhatsApp спрашивает: "По какому номеру телефона с вами связаться?" Ну ты сейчас серьезно? Ты долбан? Ты в WhatsApp спрашиваешь у человека номер???

Такие штуки моментально перетягивают внимание. Мозг цепляется за баги и тебя уносит в менеджмент костылей.

И ведь мы знаем, как сделать лучше. Но иногда оно движется медленно.

Где-то приоритеты размазаны. Где-то сценарии еще не дожаты.

Сейчас вроде собрали карту сценариев, разложили, куда направлять фокус. Посмотрим, станет ли легче.

Все время сам говорю: "Если вы выпустили продукт на рынок и гордитесь им, значит, с ним что-то не так". Мы выпустили. И не гордимся… И вроде все правильно по стартап-правилам. Но жить от этого легче не становится…

🔥 AI-агенты приносят больше половины встреч Только что посмотрел цифры по одному из пилотов.

54% всех назначенных встреч с сейлзами пришли через наши сценарии.

Наши AI-агенты в чате: — Отвечают на вопросы про продукт 24/7 — Квалифицируют — Бронируют слот с MQL лидами — тут у нас нет отвала (потому что назначаем встречи мгновенно, без всяких “спасибо за заявку, скоро свяжемся с вами”) — 75% назначенных встреч реально проходят, это ооочень хороший результат

Больше года назад мы в очередной раз пересобрали видение продукта, начали воплощать его в жизнь. И спустя год, никаких больше пивотов... Мы стабильно двигаемся в полноценному самостоятельному продукту.

И самое главное: мы приносим результаты клиентам. Решение реально работает. Какой же кайф.

Мы сейчас копаем тему GEO, как появляться в ответах ChatGPT, Perplexity и других аишек.

Что-то можно отслеживать по утмкам.

Но есть ли инструменты, которые показывают данные по упоминаниям в ответах AI?

Типа: — Сколько раз твой продукт упомянули в ответах — В каких контекстах — Как часто дают ссылку на твой сайт

Я понимаю, что это сложно отследить (модели закрыты, логи недоступны). Но вдруг уже кто-то что-то придумал?

Если знаете такие инструменты или в целом есть инсайты по работе с GEO, делитесь в комментах 👇

AI Evals: как контролировать качество работы AI‑агентов, чтобы релизы не ломались у клиентов Мы сейчас в процессе сборки AI Evals — системы, которая будет держать качество наших агентов под контролем.

Как мы начинали Начали с того, что было под рукой — реализовали Evals в n8n.

Быстро, доступно, работает. Но n8n не заточен под эту задачу специально. Когда начинаешь масштабировать проверки, понимаешь, что нужен специализированный инструмент.

Зачем нам Evals 1) Чтобы качество было не ощущением, а цифрой Хочу видеть сбор данных, полноту квалификации, релевантность ответа.

И сравнивать версии 1.0 vs 1.1 на конкретных метриках, а не просто "ну вроде стало лучше".

2) Чтобы итерации были быстрыми Когда каждое изменение потенциально ломает крайние кейсы, начинаешь осторожничать. Точно ли надо переходить на новую модель? Не сломает ли это все нахрен у клиентов?

А надо наоборот: быстрее проверяем гипотезы → чаще выкатываем улучшения.

3) Чтобы у клиентов появилось доверие к AI как к продукту Не "верьте нам", а "вот метрики".

Типа: qualification accuracy 72% → 89%. И это уже можно показывать в пилот‑репортах и кейсах.

4) Чтобы это масштабировалось Одного агента с одной конфигурацией еще можно потестить руками.

Десять агентов, десять конфигураций — уже нет.

Нужна система, которая один раз настроена и дальше работает на любой сетап.

5) Чтобы релизы стали стабильными Каждая непойманная регрессия в проде = риск.

Потерянный лид. Недовольный пользователь. Минус доверие.

Нам нужна гарантия стабильности при каждом релизе.

Что именно будем оценивать Чтобы evals не превратились в "оценим все везде и сразу", мы зафиксировали тест‑кейсы.

Support‑агент: — Подобрал правильную статью из базы знаний — Корректно эскалировал и назначил на оператора — Узнал стоп‑фразы и не ушёл в самодеятельность — Вовремя передал диалог человеку — Не оставил мусора: фейковые кнопки, битые ссылки, артефакты

Qualifier‑агент — Корректно применил описание целевой персоны в диалоге — Прошел квалификацию до конца, не слился на полпути — Адекватно использовал тулзы — Не показывал пользователю названия функций/вызовы инструментов (это вообще классика) — Не сломался при сетевых ошибках

На чем делаем Выбрали Langfuse (open‑source + self‑hosting). Хотим один инструмент и для dev, и для prod.

Если интересно, позже покажу, как будет выглядеть дашборд и как мы калибруем оценки.

Почему мы не взлетели с Cursor, но взлетели с Notion + AI После поста про наш корпоративный Notion + AI мне написал друг. Он сейчас строит внутреннего AI-ассистента и пошёл по пути Cursor + GitHub + код + Claude.

Для личного использования, говорит, магия. Как только попробовал раскатать это на команду — все стало грустно.

И я его очень понимаю.

Я тоже пробовал Cursor. Где-то неделю ковырялся, настраивал под себя, честно пытался встроить в рабочий процесс. И в итоге бросил.

Не потому что Cursor плох. А потому что это очень недружелюбная среда для командной работы, если команда — это не только разработчики.

Одна простая боль: попробуй загрузить туда презентацию, картинки, документы, чтобы этим потом реально пользовалась команда. И чтобы это не превратилось в зоопарк ссылок, версий и «а где актуальное?».

А у нас Notion это: — единая вики, — документы, — процессы, — база знаний, — рабочее пространство для всей команды.

Поэтому когда Notion выкатил AI, у меня было ощущение: “О, вот теперь это может взлететь”.

Не потому что AI лучше, а потому что среда подходит для совместной работы.

В Notion легко: 🔵визуализировать задачи 🔵легко работать с текстами, правилами, гайдами 🔵легко подключать AI прямо к документам

И самое важное — этим могут пользоваться все, а не только те, кто дружит с кодом.

Плюс: там уже сейчас можно делать разных агентов: под задачи, под роли, под конкретные типы документов. (На скриншоте видно, какие сценарии доступны из коробки.)

Мой текущий вывод такой: Cursor / код / GitHub — отлично для личных или dev-ассистентов. Notion + AI — гораздо ближе к реальной корпоративной среде, где люди живут, а не экспериментируют.

AI без общей среды — это магия для одного. AI внутри среды — это система для команды.

Интересно, куда это все придет через год. Но пока Notion выигрывает не моделью, а тем, что он уже дом для команды.

Промпт-инжениринг vs системный контекст: что на самом деле важнее Когда Notion анонсировал свой AI, я таааааак обрадовался.

Потому что сразу понял, это возможность дать агентам доступ ко ВСЕМУ контексту компании. К продукту, клиентам, звонкам, правилам. А это ключевой фактор для работы с AI.

Все вокруг говорят про промпт-инжениринг, есть куча курсов по правильным запросам к AI. Но для меня проблема работы с AI совсем в другом 👇

Каждый сидит со своим ChatGPT. Маркетолог пишет промпт для кейса — один результат. Продакт пишет для PBR — другой. Сейлз готовит КП — третий.

И результат сильно зависит от того, КТО именно пишет запрос. Один умеет правильно промптить — получает огонь. Другой не очень — на выходе так себе.

Ну и самое неприятное: ты постоянно дублируешь контекст. Описание продукта, наши кейсы, правила оформления — все это нужно каждый раз заново скармливать AI. В GPT это отчасти решается с помощью проектов: ты можешь задавать правила, добавлять доки для контекста.

Но Notion выводит контекст на совершенно другой уровень.

Мы переводим работу команды в Notion — собираем там всю инфу о продукте, процессах, результатах, исследованиях и прочем.

Как это влияет на работу 🔵 Агенты видят ВСЕ, что есть в workspace Описание продукта, ICP, звонки с клиентами, кейсы, офферы, бенчмарки. Агент может сам найти нужную страницу, прочитать транскрипт встречи, вытащить цифры из пилота. Не нужно каждый раз копировать контекст. Или добавлять что-то вручную.

🔵 Ты можешь влиять на результат с помощью правил и шаблонов Я собрал rules и templates в одном разделе: как писать кейсы, как готовить PBR, как составлять КП. И ты уже получаешь более контролируемый результат. При этом он обогащен данными, которые хранятся в твоем workspace. Максимальная персонализация.

🔵 Настройка кастомных агентов под задачи Notion не так давно выкатил полноценных AI агентов, так что можно собирать своих агентов с разными инструкциями: продуктовый агент, маркетинговый, агент для продаж. Каждый будет заточен под свой тип задач, но все работают с общим контекстом компании. Пока что они в бете, и есть баги. Но я уже понимаю, как это может упростить работу и улучшить получаемые результаты.

🔵 Агенты обновляют страницы и создают новые Notion AI не просто отвечает в чате — он редактирует документы, создает новые страницы, обновляет базы данных. Это не ассистент, который дает советы. Это агент, который делает работу.

Знаете, какая у меня ассоциация возникла? Джарвис из “Железного человека” — надиктовываешь ему голосом задачу, и он идет сам, что-то там собирает, пишет, редактирует. Такой кайф:)

Как это работает на практике Продуктовая задача Я пишу агенту: "Подготовь PBR для фичи определения MQL". Даю ссылку на правила.

→ Агент сам находит описание продукта, ICP, смотрит похожие фичи, берёт шаблон и выдает полное описание: проблема, JTBD, user flow, test cases, метрики.

Раньше это 2-3 часа работы. Сейчас черновик за 20 минут.

Сейлз задача Даем агенту транскрипт встречи (который уже лежит в Notion) + шаблон КП + наши бенчмарки.

→ На выходе персонализированное коммерческое с конкретными сценариями и цифрами из наших пилотов. Агент сам нашёл нужные кейсы, вытащил метрики, подставил в шаблон.

Что изменилось ✅ Любой человек в команде получает стабильно высокий результат ✅ Качество меньше зависит от навыков промптинга конкретного человека ✅ Агенты используют весь наш опыт и правила — результат глубже и проработаннее

Вывод Мы перестали зависеть от того, насколько хорош конкретный человек в промптинге.

Теперь зависим от того, насколько хороши наши общие правила и контекст 😉

А это можно улучшать системно: один раз обновил правила или добавил новый кейс — результат уже стал лучше.

Промпт-инжениринг — это навык отдельного человека. Системный контекст — это актив всей команды.

Что важнее? Для меня ответ очевиден.

Собрали плейбук для запуска пилотов. И это ПРЕКРАСНО У нас сложный продукт. AI-агенты для inbound-воронки — это большая система: 🔘 лидген через чат, квизы, WhatsApp, Telegram 🔘 AI-квалификация через разные каналы 🔘 бронирование встреч 🔘 доведение до встречи 🔘 интеграции с CRM 🔘 передача данных туда-сюда

Как мы работали раньше Поначалу мы сами не до конца знали, какие сценарии запускать, чтобы выстроить работающую inbound-воронку. Какие сценарии дают результат, какие метрики можно получить, как вся эта система будет работать вместе.

Тестировали на нескольких пилотах. Шаг за шагом. Находили механики, которые приносят ощутимый результат.

И вся инфа была размазана по чатам, таблицам, головам.

Запускаем новый пилот → каждый раз собираем с нуля: А что мы обычно включаем? А как настроена интеграция в прошлых проектах? А какие вебхуки нужны? Больно 🫠

Что мы сделали Теперь есть ОДИН плейбук.

Собрали в нем: 🔘 какие шаги нам нужно сделать для запуска и в каком порядке 🔘 какие сценарии настраивать на каждом шаге 🔘 как их настраивать и какое содержание должно быть внутри 🔘 какие данные собирать 🔘 что это дает

Зачем нужен плейбук Скорость. Раньше запуск пилота занимал несколько месяцев. Сейчас идем к нескольким неделям. Цель — несколько дней. Консистентность. Не изобретаем велосипед для каждого пилота, системно проходимся по этапам. Контроль. В одной табличке вся картина: где что работает, где пробелы. Масштабируемость. Из набора сценариев мы постепенно выстраиваем полноценный продукт. Мне это очень нравится.

2025: х2 в деньгах, видение продукта и честный разбор косяков Постепенно подвожу итоги года, рабочие и личные. Хочу поделиться результатами Dashly: что сработало, что провалили, над чем работаем.

💔 Что не получилось

Не настроили систему оценки и тестирования Чтобы оперативно и чётко отлавливать баги и оценивать работу AI-агентов. Это стоило нам качества диалогов и пропущенных обращений. Но как раз для этого сейчас разворачиваем Evals, чтобы контролировать качество системно.

Ставили на продажи Dashly 1.0 — не затащили Dashly 1.0 — это старая версия продукта с conversational marketing инструментами. В первой половине года потратили кучу времени и ресурса туда, но так и не приросли. Сменили стратегию: теперь стараемся не проседать в MRR по старому продукту, но цели роста там не ставим. Фокус на новом.

Мало общались вне рабочих встреч с командой Хочется больше вместе рефлексировать, мечтать, поддерживать друг друга, играть, пить чай и просто разговаривать. В 2026 исправляем.

💪 Что затащили

До конца сформировалось видение продукта, которое не меняется уже полгода 2024 год был годом постоянных пивотов. Мы пытались нащупать, каким должен быть новый продукт Dashly. В 2025 мы уже больше полугода движемся к одной ясной картине: data-driven AI-агенты для inbound-воронки. Не мечемся, не перепридумываем каждый месяц. Знаем куда идем. Это безумно важно.

х2 в деньгах в сравнении с 2024 За 2025 год привлекли новых клиентов, каждый из которых с нами больше полугода, и мы приносим им результаты. Это очень радует. Выпустили пять кейсов в блоге с реальными цифрами клиентов. А еще есть понимание, что и как дальше продавать.

Построили надежную систему аналитики Научились собирать отчеты в Looker Studio. Прозрачность в результатах для нас и клиента. Гибкие дашборды и варианты визуализаций. Меньше мест, где можно криво посчитать. Все данные можно вывести подробно — вплоть до списка лидов по любому срезу.

Фейлы и победы сложно замечать в процессе. Когда мы с командой собрались на ретроспективу, я наконец увидел, каких классных результатов мы добились в этом году. Очень благодарен всей нашей команде за работу. Ребята, вы офигенные 🤘

Всех с наступающим Новым годом 🎄 Желаю всем в 2026 новых экспериментов, крутых результатов и команды, с которой кайфово делать продукт.

Реальные кейсы применения AI для вдохновения (3/3) Обещал рассказать про наш кейс.

У нас в команде все используют AI, но каждый сидит со своим ChatGPT. По итогу, тебе нужно постоянно обновлять для AI контекст (ногда даже полностью его дублировать), чтобы выполнить задачу качественно.

Что мы сделали в Dashly 🔘 Внесли весь контекст в Notion Описание продукта, клиенты, звонки, офферы, бенчмарки, кейсы — все лежит в одном месте и доступно агентам.

🔘 Собрали правила и шаблоны Rules, templates, guides для разных задач: как писать кейсы, как готовить фичу к PBR, что использовать при составлении КП.

🔘 Настроили Notion-агентов Отдельные агенты под разные типы задач: пилоты, маркетинг, продажи, продукт и общий агент-менеджер.

Как это работает на практике Продуктовая задача: Я формулирую задачу агенту в Notion подготовить PBR, даю ссылки на нужные правила. → Агент выдает очень подробное структурированное описание фичи: проблема, ICP, JTBD-сценарии, решение, метрики.

Сейлз задача: Даем агенту запись встречи + правила разбора + наши бенчмарки и шаблон КП. → На выходе коммерческое предложение под конкретного клиента с разбивкой по сценариям и с реальными цифрами, которые мы уже подтверждали в других пилотах.

Как это влияет на работу команды: 🔵 Любой человек в команде получает стабильно высокий результат 🔵 Качество меньше зависит от того, кто именно пишет запрос 🔵 Агенты опираются на общие правила и общий контекст, что делает результат более глубоким и проработанным

Что в итоге Мы перестали зависеть от того, насколько хорош конкретный человек в промптинге. Теперь зависим от того, насколько хороши наши общие правила и контекст 😉

А это уже можно улучшать системно.

Если интересно посмотреть, как это работает на практике, ставьте 🔥

Будет много огонечков — запишу лум, как работаю с конкретной задачей с помощью Notion.

Реальные кейсы применения AI для вдохновения (2/3) Поделюсь еще парочкой классных кейсов. 3. Анна Шигарданова из Zalando: Claude Subagents как виртуальная dev-команда

Аня создала виртуальных разработчиков через subagents в Claude: 🔵 Frontend, Backend, ML, код-ревьюер; 🔵 У каждого свой системный промпт, контекст, инструменты; 🔵Один человек оркестрирует всех.

Результат: фичи, разработка которых тянулась несколько недель, теперь делаются быстро. Но сама Аня подчеркнула, что это больше подходит для легких/средних задач.

Аня прямо сказала: в их команде джунов нет, компании нанимают опытных людей для оркестрации агентов.

И я вижу этот тренд, где большая команда заменяется парой людей, которые хорошо владеют AI. У нас в dashly это работает так же. Например, в продукте. Раньше нужен был дизайнер для прототипов. Сейчас я с Notion агентом + Lovable делаю то же самое один.

Но (и это важно) это работает, потому что я знаю, что нужно. AI не заменяет экспертизу, он усиливает ее. Плохой продакт с AI сделает плохой продукт быстрее:)

4. Сева Устинов из Elly Analytics: Cursor как AI-операционка для всей компании Сева показал, как использует Cursor не для кода, а как универсального агента для компании (30+ человек).

Что подтягивается в Cursor: - Репозитории (только чтение для команды) - Документация по продукту - Product vision, roadmap, конкуренты, юзкейсы - Встречи (транскрипты из Fireflies) - Переписки с клиентами - Таски из ClickUp - Личная CRM

Как это работает: - Голосовая команда: "Найди встречу BMA, создай карточку пресейла, подготовь follow-up" - Cursor делает это за пару минут

Результат: любой сотрудник может задать вопрос про продукт/клиента, получить анализ, черновик письма быстро и без вовлечения других людей.

Мы с командой делаем похожую штуку в Notion — унифицируем весь контекст компании в одном месте.

Зачем? Проблема в том, что у каждого члена команды свой кусок контекста: - У продакта — в голове + в Notion - У маркетолога — в ChatGPT + в табличках и доках - У сейлза — в CRM + в переписках

А качество работы AI сильно зависит от того, какой контекст ты ему дал.

В общем, дико рад, что вписался в это лайв, потому что это сильно расширяет носмотренность и дает новые идеи, как можно упростить жизнь себе и команде с помощью AI.

Своим выступлением не очень доволен (мало уделил времени на подготовку), поэтому в третьей части подробнее расскажу про наш кейс использования AI агентов в Notion:)

Реальные кейсы применения AI для вдохновения (1/2) На прошлой неделе был на AI буткэмпе у Макса Епифанова. Слушал, как другие компании внедряют AI. Ну и сам рассказывал, конечно. Хочу рассказать несколько зацепивших меня кейсов, которыми делилилсь ребята.

1. Макс Епифанов (TripleTen): AI решает спор между маркетингом и продажами Проблема классическая — маркетинг пригоняет лиды, продажи говорят "это мусор".

Ребята подключили Glyphic + Gemini 2.5 к HubSpot. Теперь AI анализирует ВСЕ звонки с лидами и по словам оценивает: - Платежеспособность - Мотивацию учиться

Результат: 80% точность в определении целевых/нецелевых лидов.

Очень классный способ добиться объективности и при этом сэкономить время команды. Недавно писал пост про аналитику звонков, поэтому мне сильно отозвалось то, что делают ребята в TripleTen. Мне кажется, это очень классный способ более эффективно работать с лидами и при этом разрешить этот вечный конфликт между маркетингом и продажами.

2. Дарья Щурик @ Greeneration: персонализированные отклики на вакансии с помощью n8n

Даша показала классный воркфлоу, как можно фильтровать подходящие тебе вакансии на LinkedIn и кастомизировать свое резюме под каждую.

Тратишь 4-5 часов на настройку, а потом это превращается в конвейер.

Да, поиск работы мне неактуален, но это идеальный пример того, КАК надо делать AI-инструменты.

Не просто просишь GPT переписать свое резюме под вакансию, а создаешь слаженную машину от сырых данных до готового результата. С четкими критериями, структурой, повторяемостью. Невероятный кайф 🔥

📌 А полную запись лайва (и записи вообще всех дней буткэмпа) можно забрать в канале Макса.

Как правильно делить AI-агента на задачи С агентами очень легко упасть в две крайности: либо один бог‑агент на все случаи, либо зоопарк микро‑агентов на каждый чих.

Как я это вижу: 1. Один агент — быстрое MVP, чтобы понять общую логику работы и постепенно начать ее развивать. 2. Декомпозиция на 2–3 крупные роли: диалог / обработка данных / действия. 3. Дальше — точечная специализация там, где это дает прирост в качестве, скорости.

Очень похоже на эволюцию классической архитектуры: плохой монолит → хороший монолит → и только потом осмысленные микросервисы.

С агентами по сути работают те же законы.

Делите агентов, когда видите конкретные проблемы: конфликты в поведении, невозможность нормально тестировать, задержка влияет на конверсии или данные расходятся.

И начинайте с простого. Один агент на MVP — это хороший старт. Два‑три специализированных агента на проде с реальным трафиком — это уже то, что действительно может работать и приносить результат.

Главный критерий: помогает ли разделение улучшить бизнес‑метрики или хотя бы качество работы?

Когда пора делить AI-агента — 5 сигналов Наткнулся на любопытный пост на реддите с вопросом: как вы понимаете, что нужно разделять одного агента на нескольких.

Мы так же начинали с одного агента. Но чем больше задач мы хотели закрывать, тем больше агентов становилось.

Часто кажется, что задача-то по сути одна, просто многосоставная. Но вот тут и начинаются проблемы.

Из нашего опыта работы с AI‑агентами для inbound‑воронки выделил несколько сигналов, что пора разделять.

1. Когнитивная каша в голове у агента Когда один и тот же агент отвечает на продуктовые вопросы, собирает данные, квалифицирует по ICP и бронирует встречу, мы видим рост странных ответов и ошибок.

Чуть подкрутил промпт для более жесткой квалификации — и агент уже несет хрень, отвечая на вопросы пользователей.

Сигнал: любое улучшение одной задачи стабильно ломает другую. Значит, вы смешали несколько ролей в одной голове.

2. Промпт уже похож на мини‑RFC Если промпт агента превращается в полотно на 10 экранов, почти всегда это симптом того, что вы пытаетесь описать несколько ролей сразу.

Простой тест: могу ли я описать роль агента одной короткой фразой? Если получается “он и SDR, и саппорт, и аналитик” — это уже не одна роль.

3. Невозможно нормально дебажить и оценивать качество В проде важно не только что агент ответил, но и где именно сломалась цепочка: плохо заданы вопросы для квалификации? неверный скоринг? или данные просто не записались в CRM?

В оценке качества работы агентов очень помогают Evals (напишу про них отдельный пост обязательно.). И отчеты по агентам становятся сильно полезнее, когда есть отдельный Conversation Agent, отдельный Scoring Agent и отдельный CRM Agent.

4. Медленный ответ начинает бить по конверсии Когда мы общаемся с лидом в чате, мы не можем ждать 30-40 секунд, пока один монолит подумaет обо всем сразу и выдаст результат.

Типичный боевой сценарий: агент ведет диалог и решает, что спросить дальше, параллельно другой агент анализирует профиль лида и определяет тир лида, третий готовит карточку лида и саммари для сейлза.

Когда все это навешано на одного агента, он становится узким местом. Как только задержка начинает бить по конверсии и FRT — это очень сильный сигнал для разделения.

5. Конфликты в данных Самый болезненный момент, когда один агент и разговаривает, и пишет в несколько систем (CRM, таск‑трекер, внутренние логи).

Привет дубли, несходящиеся данные, пропавшие лиды.

Практичное решение: отделить “говорящую голову” от рук “рук” — пусть каждый делает свою работу, не мешая другому. А поверх поставить отдельного AI-менеджера, который решает, какие действия запускать.

От таблиц к дашбордам без кода: как мы замеряем результаты в проектах от заявки до продаж В прошлом посте рассказывал, какие у нас были проблемы с аналитикой и как мы их решаем. Мы пришли к Looker Studio. Сегодня хочу немного больше рассказать, почему мы выбрали именно его, в чем его плюсы и недостатки.

Почему мы выбрали Looker Studio - Он уже в нашем Google Workspace → ноль дополнительных костов. - На старте не было идеальной картины, что именно собирать. Значит, нам нужен инструмент, который можно полностью контролировать вручную и при этом любые данные можно легко перепроверить. - Нужно собирать много отчетов, часть из которых видна всем, а часть — только нашей команде. Looker позволяет развести это без сложной настройки.

У человека в нашей команде, который настраивал Looker, было ноль опыта сбора отчетов сложнее гугл таблиц.

И вот хак: Если вы тоже впервые сталкиваетесь с Looker, откройте его в браузере Comet от Perplexity и запустите AI агента. Он пошагово проведет и поможет собрать первые дашборды.

Но лучше не давать ему самостоятельно собирать — это долго и неэффективно (он вам каждую кнопочку в интерфейсе протыкает:))

Преимущества Looker (как мы их чувствуем) - Дашборды собираешь один раз - дальше раз в неделю просто обновляешь данные. - Можно собрать любой новый дашборд за пять минут под любой запрос клиента. - Полные данные по лидам: не только цифры, но и конкретные пользователи за ними. Это повышает доверие и помогает сверять данные (можно посмотреть пример отчета на скрине). - Отчеты визуально очень понятны (в отличие от гугл таблиц). Можно отправить клиенту заранее — он изучает цифры до встречи и приходит с вопросами. Больше не тратим время на звонке, вместе разбираясь в таблицах.

Недостатки Looker - Кастомизация допотопная: миллион кликов, чтобы добавить новый дашборд, угадываешь на сколько пикселей растянуть страницу, чтобы новый блок влез. - Интерфейс не всегда интуитивный, особенно в сравнении с гибкими современными конструкторами.

Но ценность перевешивает боль на данном этапе, когда мы все еще формируем видение: какие отчеты нам нужны на первом экране, что мы показываем клиенту, как оно должно выглядеть и тд.

Следующие шаги - Подключить BigQuery → Looker Studio, чтобы вообще убрать ручные выгрузки. - Допилить видение: окончательно определиться ,какие цифры нам важнее всего смотреть и показывать клиенту. - Возможно, когда мы полностью поймем картинку, перейти на более удобный ИИшный инструмент.

Это был большой проект (примерно на полтора месяца), и мы уже видим, насколько он упрощает нам жизнь. Я дико доволен.

Напоминалка: завтра в 18:00 встречаемся на лайве Завтра, 18 декабря в 18:00 МСК буду на AI буткэмпе у Макса Епифанова.

Разберем на практике: - Как AI агенты могут упростить и ускорить работу; - Как внедрять их в процессы; - Каких результатов можно достичь.

Покажу, как мы в dashly используем AI‑агентов notion для задач продукта.

Когда: 18 декабря, 18:00 МСК

📅 Регистрируйтесь на эфир в боте

До встречи завтра 🔥