From 0 to 1 again. Go Global

C Claude code пишем статьи в Wordpress. Забирайте инструкцию как подключить.

У нас с Клодом собран контент-план: блог, продуктовые лендинги, SEO-проекты типа Tool Hub для B2B Go-to-Market Tools.

Лендинги Клод уже собирает. С блогом до сих пор был разрыв: статью пишем вместе в чате → контент-менеджер вручную переносит в WordPress. Этот разрыв я закрыл. Теперь Клод дописывает и публикует статьи в блог напрямую.

Конкретный кейс: статья про AI SDR была 1 900 слов. Чтобы стать SEO-конкурентной — нужно 4 500. Раньше это отдельный заход в отдельном файле, потом ручной перенос. В этот раз дописали в чате и опубликовали оттуда же.

Держите 2 файла: • MP MCP Claude - это инструкция про подключение wordpress к клоду • setup wp mcp for claude - это MD файл. Скормите его клоду и скорее всего;) все получится.

Собрали новый лендинг на встрече за час. Без дизайнера и верстальщика

Это я продолжаю осваивать Claude для разных задач и одновременно делюсь опытом с командой.

Конечно, лендинг не вышел идеальным с первого раза. И это абсолютно нормально.

В этом кайф прогрессивного JPEG: ты не пытаешься сделать идеально за один заход. Первый прототип кривой, но рабочий. Потом итерация. Потом еще одна.

Через час-полтора у тебя уже реальный лендинг на бою, а не прототип в фигме и три недели дизайна и верстки.

Но самое интересное в том, как параллельно прокачивается сам Claude.

На звонке возник вопрос: “А почему скриншоты интерфейса выглядят как днище?” Хороший вопрос. Люблю такие вопросы.

Я посидел полчаса и сделал интерфейс чата как отдельный компонент для лендингов. Теперь каждый раз, когда нужно показать живой диалог, Claude берет этот компонент и верстает нормально, а не рисует какую-то кривую заглушку.

Один раз заморочился и дальше работает на всех лендингах. Это и есть прогрессивный JPEG.

И он работает в том числе для скиллов в Claude:

Первый лендинг он собирает из того, что есть. Я вижу блок, который не нравится, делаю новый компонент и добавляю в скиллы. Второй лендинг собирается быстрее. Третий еще быстрее. И так далее.

Для контекста: скиллы это md-файлы с правилами. Как верстать, как писать без AI клише (типа it's not just X, it's Y) и любой другой скилл, который ты используешь регулярно. Написал один раз и тебе не нужно расписывать одну и ту же инструкцию каждый раз.

Еще мы используем Notion как большую базу данных о продукте. Claude через MCP читает описание продукта, ICP, конкурентов. Так его тексты получаются ближе к реальности, он меньше выдумывает.

Каждая следующая задача становится проще. Всегда находится то, что можно докрутить и зафиксировать в скиллах. И постепенно результат становится лучше, а работа быстрее.

Первый лендинг — час-полтора и результат ок. Десятый — 20 минут и минимум правок.

На первом скрине пример ленда ДО. На втором ПОСЛЕ.

Занялся SEO и за 2 недели поднял Health Score.

Первый скриншо - 7 апреля. Второй скриншо - сегодня (22 апреля).

Это я сел в AHREFS, собрал в нем ключевые косяки и баги, 404 ошибки.

С Claude code пофиксил большую часть из них. Провер seo аудит - пофиксил. Еще по контенту сдели несколько активностей (пока лень писать, расскажу позже).

Итого Было - 76 health score Стало - 98 health score

Сходил на подкаст к Грише Орлову из RevGuild, коммьюнити для GTM-практиков и фаундеров.

Поделились друг с другом мыслями по поводу развития продуктов и AI:

- Изменения бизнес-моделей: приносят ли AI агенты реальные результаты и как меняют процессы внутри компании. - Трансформация SaaS: как строить и продавать продукт, когда любой человек может навайбкодить решение под свою задачу. - FOMO: как угнаться за всеми обновлениями и пробовать найти самые лучшие AI инструменты (спойлер: никак).

Получилось классно. Теперь делимся с вами.

👉 Посмотреть на ютубе

AI квалифицирует точнее SDR, но SDR все равно нужны Я много и долго уже работаю с inbound воронками. И продукт строю вокруг inbound, и консультирую другие компании.

Хочу немного поразгонять на тему того, как меняется подход к квалификации лидов.

🔵 Критерии MQL и SQL Когда лид попадает в воронку, есть два ключевых этапа квалификации: MQL и SQL.

MQL — Установленная связь/контакт (можем коммуницировать с человеком). — Базовые характеристики (например, бюджет/сегмент/роль). — Есть порог по размеру/типу компании, заранее согласованный с продажами.

SQL — Подтверждена задача/потребность, которую мы реально можем решить. — Зафиксирован следующий шаг по процессу продаж (что делаем дальше и когда).

🔵Роль AI в квалификации Этап определения MQL легко можно автоматизировать: он во многом шаблонизирован, потому что опирается на повторяющиеся вопросы и заранее описанные критерии. Здесь в игру как раз и вступает AI, который: — Собирает контекст автоматически: источник, страница, отрасль, размер компании, тех стек, цель. — Не забывает/отвлекается: AI не пропускает вопросов квалификации и собирает полный портрет лида. — Сохраняет скорость без SLA: как только лид проявил интерес (оставил заявку), AI тут же включается в диалог, квалифицирует и, если лид подходит, сразу бронирует встречу. Мгновенный букинг очень сильно влияет на конверсию.

И да, обычно качество первичной квалификации у AI выше, чем у среднего SDR.

AI не устает, не отвлекается, не отходит от критериев потому что не хватало еще одного лида для KPI. И при этом может обработать 200 лидов одновременно. Не теряя качества.

🔵 Тогда зачем нужен SDR? Потому что квалификация не заканчивается на определении MQL. Это еще и про наладить контакт.

Иногда человеку надо поговорить с человеком. Особенно на высокой цене и сложном продукте. Здесь нужен человек, чтобы: — Продвинуть лида по воронке: передать в продажи с контекстом и планом следующего шага. — Разрулить нестандартные ситуации. Когда лид “почти ICP, но…”. — Собрать сложные вводные, которые выходят за рамки квалификации. Структура принятия решения, внутренние риски и тп.

Новая роль SDR, по сути: человек, который переводит интерес лида в понятный следующий шаг по воронке.

AI закрывает рутинные действия. SDR фокусируется на том, где нужны мозг, эмпатия и переговоры.

🔵 Про метрики Количество назначенных встреч — важная метрика воронки.

Но если вы хотите оценить качество квалификации, одной этой цифры недостаточно.

Поэтому важно смотреть за следующими показателями: — Qualified-to-win rate: доля лидов, которые реально дошли до сделки. — No-show / cancellation rate: показывает, насколько теплые и заинтересованные лиды попадают в ваш пайплайн. — Speed-to-lead: сколько минут от первого касания до MQL/non-MQL статуса.

Квалификация строится на данных и четких критериях. AI хорош именно в такой работе. Человек же переключается на налаживание контакта и нестандартные кейсы.

Inbound маркетинг - трансформировался Это больше не про "написали статью → получили трафик → дали лид-магнит → собрали email → прогрели → передали в sales".

Статья в блоге, лендинг/посадачная страница - больше не центр вселенной. Так было ще 5 лет назад. Может быть так было 3 года назад. В этой модели биться за first/last click было важно. Сейчас нет. Эта старая механика уже умерла.

Сейчас большая часть воронки проходит в "темноте". Маркетинг менеджеры ее вообще не видят. • шортлисты о продукте собираются в cgt • рекомендации продуктов происходят в комьюнити • аудитория узнает о том или ином проукте из кейвос на вебинарах Это вообще невозможно атрибуцировать.

Трафик перестал быть главным активом Все выше сказанное а так же:

Google выдает первым блоком AI результаты. В этой вселенной пользователю вообще не надо переходить на сайт.

Инфлюенсеры (микро, марко, комьюнити) сейчас чаще решают за то, что выберет пользователь, чем результат посковой выдачи.

В нарастающем инфо-шуме выбирать продукты в поиске становится все сложнее. Да и зачем.

AI новый посредник между продуктом и аудиторией Надо ли это пояснять?

Линейная funnel-логика больше не работает как основная модель.

Вот концепции которые сейчас развиваются: • Loop marketing. • Conversation marketing • Agentic marketing

P.S. Inbound marketing не умирает - он трансформируется. Надо трансформироваться вместе с ним. АСАП

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.

Недавно сходил на подкаст к Александру Игнатенко. Поговорили про построение Inbound B2B маркетинга и использование AI агентов для этого.

Получилось хорошо. Можете заценить на любой удобной площадке: YouTube VK Video Яндекс Дзен Rutube

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.