nonamevc

запустил продуктовую рассылку где наконец-то даю волю писать разные аналитические обзоры про GTM рынок. вчера опубликовал выпуск про вертикальных дата-провайдеров. тезис такой: если вы продаете в изощренные вертикали типа стройки, медицины или ресторанов, то скорее всего никакой пользы от ZoomInfo, Clay или Apollo вы не найдете (ну кроме избитых мувов, типо парсинга гугл карт) эти индустрии живут на физических событиях, а не не на фиировых сигналах. компания с 2 сотрудниками в LinkedIn может прямо сейчас начинать стройку на $50M. реальные сигналы лежат в разрешениях на строительство, госзакупках, claims data, bills of lading. и на эти данные уже появляются свои стартапы: ConstructConnect ($120M rev), AcuityMD ($84M Series B), Govly ($13M Series A) и еще 30+ компаний. отдельная интересная тема, например, это продажи в американскую госуху. 4 из 9 провайдеров в этой вертикали основаны после 2023, данные тянут из SAM.gov, RFP релизов, грантовых программ, бюджетных обсуждений и даже meeting minutes местных комитетов. сделать что-то подобное в клод коде может и можно, но скорее всего утонете в резолюции сущностей и поддержке 200+ скраперов. хотя кажется это отличная задача на дизайн coding agents плюс многие провайдеры еще сами собирают данные вручную. Definitive Healthcare (медицинский провайдер) делает тысячи верификационных звонков в год. New Project Media (провайдер по энергетике) держит 15+ локальных журналистов, чтобы мануально собирать данные о новых проектах, сделках, изменениях в компаниях. если у вас всегда было желание заскрапить данные и начать кому-то продавать, не самая плохая идея. growth-stage вертикальные AI компании охотятся за владельцами данных. Harvey пытался купить vLex, не вышло, сделал партнерство с LexisNexis. так что 2026 год вполне подходит для консолидации. подписывайтесь и поддержите анонс на линке 👉👈

однажды в Бразилии я пропустил свой рейс и ожидал следующего, сидя в кафе. как тут рядом со мной оккупировали столики молодые бразильские девушки и парни в толстовках Escola Bolshoi Brasil поскольку мы были скованы ожиданием одного рейса, я решил закрыть комп и поболтать. так узнал, что в Бразилии есть единственный филиал Большого театра в мире. причём в небольшом городе Жоинвиль, в котором живет 400к человек. гугл из достопримечательностей называет музей иммиграции и колонизации, музей льняного хлопка и церковь святого франциско. я был там одни раз, но в школу не попал - нужно приходить только в определенные часы. почему именно там загадка. есть единственная документалка про это, на RT. там говорится, что мэр настолько проявил любовь и настойчивость, что Большой в москве не выдержал и согласился на открытие школы. но с условием, педагоги только из Москвы. здесь педагоги из Большого уже 25 лет учат детей со всей Бразилии. для ребят из бедных семей обучение бесплатное, школа предоставляет жильё, питание и страховку. цель дать детям профессию и возможность изменить жизнь через искусство. выпускники потом выступают по всему миру: Большой, Казанский театр, Берлинский балет, Нью-Йорк. среди выпускников школы Большого театра в Жоинвиле значится и самая молодая self-made женщина-миллиардер на момент написания этого поста Luana Lopes Lara окончила школу, поработала балериной в Австрии, но в балет решила не идти и задалась целью поступить в MIT изучать CS. спустя несколько лет она подаёт заявку в YC с проектом Kalshi, prediction marketplace. сегодня Kalshi оценивается в $14B.

под новый год Meta объявила о покупке Manus. писал про китайский проект пару месяцев назад; время порефлексировать. 1/ оценка в районе $2-2.5b. партнер Benchmark написал, что сделка дала им 1000% IRR. если посчитать: $75m вложений при ownership ~15%, срок 8 месяцев (апрель → декабрь), IRR 1000% годовых ≈ 11x в год -> 11^(8/12) ≈ 4.95x. exit value: (75 × 4.95) / 0.15 ≈ $2.47b. 2/ Manus это по сути wrapper над Claude и Qwen, но с интересными инженерными решениями: агенты работают в cloud VM с полным доступом к браузеру и shell, используют CodeAct (executable Python как action mechanism). много работы над оптимизацией KV-cache, по их словам, это главная метрика для production-агентов. с другой стороны, отзывы смешанные. я лично несколько раз пробовал для задач, под которые рекламировались (букинг билетов, скраппинг маркетплейсов) - ломался по пути и съедал все кредиты. 3/ Manus заявляют 147T+ обработанных токенов. если прайсить по Sonnet 4.5, выходит ~$500m только на API. часть закрыли open-source моделями + кастомным контрактом. но по факту $100m ARR сложно свести такую экономику без большого капитала. рейзили с оценкой $2b - думаю, что не получилось и тут пришел Цукерберг, который выкупил инвесторов по желаемой оценке (и даже выше) 4/ Meta AI плохо сделан. работает только в WhatsApp-экономиках (Бразилия, Индия, часть Европы). Цукерберг говорил, что для штатов нужно отдельное приложение. думаю, план, который звучит, как personal superintelligence: новая продуктовая парадигма, которая откроет Meta дорогу в подписочную выручку. сейчас есть только Meta Verified ( это платная подписка на Facebook и Instagram): $11.99/month web, $14.99/month mobile. 1 million подписок. небольшой, но растущий revenue stream. 5/ Meta нужно присутствие в чатбот-интерфейсах, чтобы не потерять ad inventory. OpenAI/Anthropic сидят на consumer subscription низкомаржинальный бизнес с дорогим инференсом. поэтому экспериментирует с рекламой. Meta наоборот может позволить субсидировать подписки и ретеншен за счет рекламной выручки. 6/ Цукерберг явно считает, что scaffolding стоит больше, чем модели. картина мира "LLMs are commodities" и сдвиг от research-led к commercial-led. не думаю, что полностью забросят фундаментальные модели, вот работают, например, над Avocado - первая closed-модель Meta, релиз весной 2026. да и, Meta выходит в prosumer-рынок и будет конкурировать напрямую с Anthropic. очевидно, что Claude не останется внутри agent loop Manus навсегда. так что свои наработки в моделях пригодятся. 7/ Meta прессуют за CapEx. нет cloud-бизнеса для перепродажи моделей enterprise. задел для позитивного ROI выше. пока Meta заявляет, что GenAI ROI позитивен через higher engagements и ARPU лучшие рекомендации и ad targeting. но стоит ли лучшая лента таких capex инвестиций? почему не сесть на хвост OSS и не быть консервативнее с CapEx? 8/ generic AI agent сложная продуктовая задача. слишком много сценариев, конкурируешь с сотнями мелких агентских компаний. поэтому можно представить экосистему разработчиков поверх Manus. или даже можно пофантазировать, как дистрибуция и разработка могут заалйнится (apps are the new content) 9/ Meta не плоха в acquisitions. покупай категорию, когда строить слишком долго - Instagram, WhatsApp. zoom-out стратегия Цкерберга очень эффективна. в прошлом году сделали 5 AI-поглощений: PlayAI (voice agents), WaveForms (AI audio), Rivos (chips), Limitless (AI wearables), теперь Manus.

очень рандомный brain dump по наблюдениям за 2025 год в saas x ai 1. AI больше всего отразился на замещении разработчиков. занятость среди software developers 22–25 лет упала на ~20% с 2022 (Stanford Digital Economy Lab). атрибуция сложная правда, тут и post-ZIRP коррекция, но coding AI agents точно crossed the chasm. косвенный прокси - отчет Menlo Ventures: корпоративный AI spending вырос до $7.3B в 2025 (+4.1x YoY). кодинг это $4B, это 55% всего departmental spend. остальное: IT (10%), marketing (9%), customer success (9%), design (7%), HR (5%). 2. больше задач программистов из 2022 берут не-программисты. уже видел как CPA строят AI-powered tax filing без бэкграунда в коде или как HVAC-компания пилит свою CRM. когда стоимость создания близка к нулю, стоимость поддержки теряет значение. поэтому имхо velocity is your moat bs. ты не обгонишь цикл обратной связи пользователя, который решает свою проблему сам. 3. vibe-coding убил low-code никто почему-то не обсуждает, какое стремительное замещение / disruption категории произошло за 12 месяцев. Webflow, Retool, Airtable имхо рип. обещали демократизацию, но реальность это lock-in и ограниченная кастомизация. Lovable, Bolt, Replit Agent за 12 месяцев набрали $36B+ combined valuation. Lovable: с $7M до $84M ARR за 6 месяцев. Replit: с $16M до $252M ARR за год (+15.8x). «старый» low-code рынок — $29B. vibe-coding съел его на глазах. 4. AI-native application layer быстрее забирает рынок у инкамбентов и растут лучше чем AI-native инфра. стартапы забрали 63% рынка AI-приложений vs 36% год назад. application layer = $19B из $37B общего spend. в кодинге стартапы = 71%, в sales = 78%, в finance/ops = 91%. инкамбенты держатся только в инфраструктуре (56%) — Databricks, Snowflake, MongoDB выигрывают за счёт интеграций и доверия. 5. бизнес по майнингу вертикальных данных и продаже норм. все growth-stage вертикальные ent компании охотятся за владельцы данных, которые решают, кому давать эксклюзивный доступ. пример: Harvey в 2024 пытался купить vLex (поставщик юридических данных), не договорились, в итоге сделали партнёрство с LexisNexis. vLex достался Clio, другой LegalTech-компании. чего ожидать: консолидация среди поставщиков данных; вынужденные сделки для AI-стартапов, потерявших доступ к данным; вертикальные AI-компании начнут объединяться ради общего пула прав на данные.​​​​​​​​​​​​​​​​ 6. сервис vs продукт - граница размывается инструменты настолько глубоко встраиваются в доменные workflows, что начинают напоминать intelligent service providers. сейчас агенты уже умные, но пользователи ещё требуют внедрение с полным сопровождением. инструменты уже умеют больше, чем юзеры способны освоить. в некоторых индустриях это видно сильнее. AI SecOps стартапы (Aegis AI, Litt Security) называют себя "AI agent companies", но по сути это аутсорсинг compliance officer. AI SEO тулы то же самое. консалтинг подтверждает тренд. Accenture, Deloitte, EY растут 11–12% в год McKinsey, BCG, Bain растут 5–6%. хотя их только ленивый не закапывал в 2023. execution-first с AI интеграцией побеждает стратегический консалтинг. forward deployed engineers который хайпует в долине (Anthropic с Accenture анонсировали 300 FDE; и 470к лицензий с Deloiite) Accenture берёт на себя «налог на ИИ-неграмотность» от лица корпораций. стартапы не могут с этим конкурировать, потому что каждому стартапу приходится выращивать клиента с нуля. большинству клиентов white-glove не нужен, они хотят просто работающий продукт. капиталоёмкость растёт не потому что продукт дорогой, а потому что сервисная обёртка обязательна. доля рынка коррелирует с объёмом привлечённого капитала, не с качеством модели. вертикальный AI масштабируется через людей и эксклюзивные данные, не через вирусный рост. то есть парадокс с первый тейком - нанимать людей надо больше.

прочитал на днях пост от важных инфлюенсеров про то, как важно сегодня building in public, создаёт доверие, брэнд и вот это всё. решил тоже немного писать про это. в свой substack написал пост про то, что делаю как фаундер на 12/25. вполне вероятно через полгода это всё станет нерелевантно. но пока зафиксируемся. если сидишь в LinkedIn, то все каналы либо мертвы, либо "единственный рабочий". имхо мы в середине distribution shift, окна возможностей открываются и закрываются. не время закапываться в один канал. тем более проект в gtm hustle режиме. я веду 3–4 канала одновременно с разной вовлеченностью и смотрю, что лучше резонирует и для какой гипотезы лучше использовать. 1/ длинный контент умные люди советуют выбирать канал, в котором хорошо получается, и на нём сидеть. текст я пишу уже лет 8 и получается местами неплохо, поэтому решил на это навалиться. понятно, что тут в тг всё очень камерное. когда выходишь в англоговорящий мир, нужно всё причёсывать. внимание это дефицит. никогда не было сложнее его получить. пишу каждое слово сам. AI помогает с ресёрчем и редактурой. но идеи, это то, что делает меня человеком в потоке AI-сгенерированного шлака. контент хорош настолько, насколько хороша дистрибуция. что работает сейчас: шерить статьи в DM клиентам, нишевые комьюнити, поптыка его repurpose-ить в алгоритмические фиды (youtube, x, linkedin). 2/ founder brand в LinkedIn примерно 1 из 5 лидов на созвоне упоминает мои посты. главное правило: быть opinionated и прямым и не быть скучным, поэтмоу отдельно ставлю на shitposting. что делаю: - 3–4 поста в неделю - репурпоз контента (все посты "инженерю" в Cursor, пишу md файл, потом прошу отполировать с набором инструкций) - ставлю нотификации на 5–10 thought leaders в нише, чтобы реагировать на посты (рост через комменты) - не гонюсь за виральностью ради виральности. пока все лучшие посты прошли от своей перспективы, попытки реплицировать чей-то успех глобально проваливались 3/ AI SEO писал выше. 4/ cold outreach не мёртв. лучший тест позиционирования и умения сегментировать. про агентства: имхо взять в пару кого-то это нормально. если вам кто-то затирает, что "настоящий фаундер должен всё делать сам", он, вероятно, ничего не продавал кроме айфона на авито. фаундер должен: закрывать сделки, находить паттерны, владеть GTM. агентство может: list building, enrichment, second brain на копирайт. это всё делается долго и сложно сегодня. руки не лишние. 5/ нишевые конференции где-то читал, что стартапам не советуют ходить на конференции. имхо это bs. был на одном камерном ивенте (до 100 человек) по корпоративным инновациям в Бразилии в этом году и очень остался доволен. большие конференции (Web Summit или SaaStr) тоже норм, но прежде всего чтобы ходить на satellite ивенты. присматриваюсь к trade shows, особенно когда смотрю на гипотезы в реальных секторах где держу глаз 6/ Reddit: прямые разговоры с ICP в их естественной среде. плюс высокий trust для AI SEO 7/ cold calling: можно тысячу причин искать, чтобы не брать трубку и не звонить. но как правило это всё упирается в страх быть посланным. но ничего это закаляет психологическую устойчивость

выкатили бесплатное chrome-расширение для поиска lookalike-компаний. анализируем всё семантическое пространство (сайт, соцсети, новости), чтобы найти реальную схожесть компаний / стартапов данные берутся из нашего индекса, но если компании нет, мы ее заэнричим в онлайне. как работает: заходишь на сайт проспекта → открываешь расширение → получаешь список настоящих конкурентов. можно фильтровать по стране, размеру команды и другим параметрам. потестируйте, пожалуйста. все edge-case по индустриям не отсмотрели. https://chromewebstore.google.com/detail/extruct/fopcmacjcafkpcommjlaoijokbcbpang

как я подхожу к AI SEO контекст: мы делаем Extruct, deep research агенты для поиска и исследования компаний. не надо быть гением, чтобы понять, что сейчас большую часть ресёрча компаний люди делают в чатботах. "расскажи про компанию X", "кто их конкуренты", "какой у них funding" это всё уже идёт в Claude и ChatGPT, Perplexity. поэтому логично было подумать, как туда пробиться и забирать траффик отткда. самое простое, что сделал: начал публично выкладывать все data points, которые мы наресёрчили агенты. генерю страницы прямо в Cursor, подключаюсь к БД, делаю постпроцессинг, массово публикую. сейчас порядка 5к страниц под long-tail запросы а-ля lindy funding, s25 batch (вторая позиция после официальной директории btw) или top b2b startups in Spain. organic search сейчас у нас ~20%. другой вопрос с конвертацией, но top of the funnel это генерит. теперь думаю, как это усилить. посмотрел штук 20 тулов для AI visibility. паттерн один: topic modeling → генерация промптов → пуш в LLM-чатботы. у меня ощущение, что часть из них просто дёргает API веб-поиска, а не эмулирует реальные пользовательские сессии. а разница есть: API ≠ консьюмерский продукт. в таком сетапе выглядит не супер полезно. главная проблема: ни один тул не показывает объём запросов по промпту. без этого ты оптимизируешь под фразы, которые никто не вводит. понятно, что это непросто достать даже самим вендорам. а в LLM-поиске long tail ещё тяжелее, уникальных запросов больше, агрегировать клики по ним нельзя. с другой стороны, я на это смотрю больше как на упражнение по оттачиванию позиционирования. полезно думать, как генерится интент на твой продукт или проблему. это может быть хорошим циклом, который связывает лендинги, копирайтинг и сам продукт особенно если ты ещё до PMF. если копнуть в теорию, то ни у кого пока нет своего полноценного индекса. это general meta-search wrapper + LLM reasoning. да, есть кроулеры, есть оптимизации с кэшированием и свой re-ranking, но базово весь поиск всё равно лежит на поисковых движках. LLM разбивает твой промпт на 2-5 подзапросов и шлёт их в Google, Bing или Brave. потом ходит по топ-ссылкам, чанкует контент, цитирует то, что релевантно. пример: запрос "SEO agency NYC" в Perplexity превращается в три отдельных Google-запроса — "seo agencies nyc", "top seo companies new york city", "best seo firms ny". вся эта возня с visibility идёт от того, как происходит ранжирование внутри RAG. но базовые принципы SEO никуда не делись. E-E-A-T — доверие к домену, авторитетность автора, бэклинки, директори, отзовики. говорят, что UGC площадки с высокой цитируемостью положительно влияют на AI SEO: Reddit, G2, Capterra, Trustpilot. форумы и отзывы сейчас весят для brand mentions больше, чем в классическом SEO. что подметил из рисерча: 1. читаемость важна на уровне чанка. в ответ LLM попадают 1-2 чанка, а не весь документ. поэтому у каждой статьи должен быть чёткий TL;DR в начале. 2. каждый inference немного разный. нет детерминированного "ты на 4-м месте по этому запросу" - позиция плавает. 3. онлайн-сигналов (кликов) в RAG-поиске меньше, но есть другой сигнал: какие документы LLM процитировала, а какие проигнорировала. то есть feedback loop дольше, надо это учитывать, когда катишь конетнт. 4. тректинг атрибуции через прямые заходы делать бесполезно. влияние будет заметно только в direct траффике. лучше это распрашивать в онбординге. что ещё делаю: 1. пишу по 3 поста в день на Reddit с мягким упоминанием бренда. руками, не автоматизирую. 2. смотрю, на что LLM ссылается в web search, это единственный способ понять, под какой контент имеет смысл писать и где пробелы. честно: серебряной пули нет. это educated guessing плюс базовая SEO-гигиена. большинство AI SEO тулов пока выглядят скорее как агентства, продают ручную работу под видом автоматизации. кто трекает AI-цитирования в масштабе? если кто-то делает что-то инетерсное в этом домене такое, напишите в личку, с радостью познакомлюсь.

понял, что в productivity AI-продуктах «активация/онбординг» меняются. кнопки, воронки и туры уходят на десятый план. онбординг оседает в промт чате, где надо дать ценность с первой сессии. и получается главное - подтянуть контекст пользователя и дать агенту нужные доступы. при этом контекст оседает в отдельных приложениях. понятно, что решаемо через интеграции, MCP-серверы и т.д. не хватает нейтрального слоя «контекст как объект», который делал бы оркестрацию на уровне тем / контекста. то есть, получается такой слой аутентификации в эпоху агентов. в не-агентскую эпоху особо никто ничего подобного не смог сделать. проблема холодного старта решалась внутри тулов, никак не переиспользуя опыт в дргом продукте. но и, кажется пока мало стимулов у больших игроков, где оседает контекст, делиться с потенциальным хабом. может что-то есть такое (орекстратор контекста) ?

любимое упражнение в стартап-мире как профессии - пытаться обобщать и квантифицировать успех во фреймворки и термины. среди этого есть конечно и полезные вещи, на этом базисе как никак построен и этот канал. но ничто не кажется таким бесполезным и требующим излишнего внимания, как концепция moats. и вот очередной тейк на тему “speed the only moat left” заставил накатать это пост. да, есть сетевые эффекты и экономика масштаба; но это фундаментальные факторы бизнес-модели. их можно креативно дизайнить, но они имеют понятную математику. имхо в стартап-мире единственный настоящий moat - это сама неопределенность. нужно поддерживать высокий рост, но при этом сохранять высокий уровень неопределенности. пока растешь и продолжаешь оставаться непонятным для рынка ты выигрываешь себе время. формула объясняет стартап-трюизмы типа “великие компании строятся в медвежьих рынках”. повышенная неопределенность дает больше времени на построение защиты. думаю, что все эти разговоры возникают в свете того, что AI коммерциализируется через b2b saas, где исторически никто не обременял себя такими мыслями. в LLM мире разрывают всех проекты с хорошим интерфейсом, которые стремятся занять дефолтный слой в новом workflow: Cursor, Granola, Lovable. никаких классических бизнес-moats тут нет. есть вкус и скорость / качество исполнения. свитчнуться с этих инструментов не приятно, но не очень сложно. и тут мне кажется самый важный фактор в b2b saas - shared beliefs, самый сильный сетевой эффект живущий в интер-субъектинвой реальности. когда базовая технология доступна всем (те же LLM у всех) побеждает тот, кто станет дефолтом в головах пользователей, а затем провозгласит, что технология коммодитизировалась. называйте это бренд, комьюнити, религия, или даже, moats. сути не меняет.

как заставил себя перестать опаздывать на митинги пунктуальность особо не была моей сильной стороной, но помню, в 2020 году читал книгу основателя Pixar, Ed Catmull, "Creativity, Inc." и там очень запала одна история, которая не то чтобы поменяла моё поведение, но которую я всегда вспоминаю каждый раз, когда опаздываю на митинг или сам один жду в квадратном окошке собеседника. начну издалека. в 1983 Дждорд Лукас развёлся с женой Марсией (она получила Оскар за монтаж оригинальных Star Wars). развод обошёлся дорого, она получила $50M. это поставило Lucasfilm в тяжёлое финансовое положение. хуже того, у Lucasfilm сошлись все проблемы разом: алименты совпали с внезапным падением доходов от лицензий на мерч Star Wars после выхода Return of the Jedi в 1983. несмотря на стоимость $60M по состоянию на июнь 1983, у Lucasfilm были серьёзные проблемы с кэш флоу. Pixar тогда ещё не существовал как компания. это была "Graphics Group", часть Computer Division в Lucasfilm, которое Лукас основал в 1979. команду возглавляли Ed Catmull и Alvy Ray Smith, они работали над передовыми технологиями компьютерной графики. Лукас выставил Computer Division на продажу в 1983, запросив $30M. поиски были отчаянными. Catmull и Smith получили отказ от 35 венчурных фондов и 10 крупных корпораций. Catmull и Smith надеялись, что Disney купит половину подразделения за $15M, но CEO наложил вето на сделку. Был потом мутный вариант со сделкой с General Motors и Philips Electronics близко к запрашиваемой цене Лукаса, но в последний момент всё развалилось. Стив Джобс, ещё работая в Apple, предложил $5M, но Лукас посчитал это слишком низкой суммой и отказал. но потом, самого Джобса выгнали из Apple в 1985. он искал новые возможности и посмотрел на сделку с нового угла. и вот начался новый этап переговоров. CFO Lucasfilm имел привычку заходить на встречу последним, чтобы показать, что ты самый влиятельный человек в комнате. ну и все ждали его, потому что это все-таки CFO. короче, power play в бизнес-переговорах из учебника какого-то душного MBA. но когда часы пробили 10:00, Стив Джобс просто начал без него. переговоры пошли дальше, CFO пришел через 5 минут и уже потерял весь контроль. Lucasfilm хотел уйти от сделки с $15M наличными, но в итоге Джобс заплатил только $5M Лукасу за права на технологию и вложил ещё $5M как капитал. Джобс зарегистрировал подразделение как независимую компанию "Pixar", взял 70% (сотрудники получили 30%) и стал председателем совета директоров. Остальное уже история -- Disney в 2006 заплатит за Pixar $7.4B теперь когда опаздываю или сам жду опаздывающего в Zoom, вспоминаю эту сцену. мораль первая -- пунктуальность это не просто манеры, а уважение времени партнера / коллеги и сильный сигнал о твоих намерениях. вторая мораль -- если есть возможность, то лучше не разводиться.

Одна из главных ставок на рост B2B SaaS это органика в LinkedIn. UGC там активно развивается, и платформа становится самой аутентичной в эпоху генеративного контента. Я экспериментирую с разными форматами с 2024 года, это не история про «взять какой-то залетевший пост, прогнать через сетку». Приходится быть креативным, анализировать разные успешные форматы и научиться искренне давать ценность. Год назад познакомился с командой Community Sprints и сам участвовал в наборе. Хотя курс фокусируется на виральных постах, ценность шире: - коммуникация своего продукта под LinkedIn; - как делать охват на ЦА и на широкое поле; - как писать лидмагниты; - как делать релизы продуктов; - как делать дистрибуцию контента в блоге через линк. Всё проходит в рамках 2-недельных спринтов. За это время участники делают свой первый виральный пост с с 10к-100к impressions и понимают методологию, как такие посты делать системно. Также в этом потоке одним из экспертов будет Коля Голос, product & growth @ Fluently (YC alumni), который умеет собирать сотни тысяч просмотров одним постом. Коля раскачал 3 разных профиля команды Fluently про продукт, предпринимательство и разработку и в сумме собрал уже 36,000,000+ impression-ов в LinkedIn. Я следил за этим ростом с самого начала, и это высшая лига! В этом TG-боте можно посмотреть примеры виральных постов выпускников уже девяти прошлых спринтов и всю команду экспертов, которые будут помогать вам быстрее расти в LinkedIn: LinkedIn Growth @ Community Sprints #годнаяреклама

как я писал выше, в 2018 году занесло работать в китайском финтех стартапе у компании было два офиса в Гонконге и Шеньжене. работать в Гонконге было вроде престижнее, но это был удел тех, у кого есть виза. а в Шеньжене рынок профессионалов был больше. где-то каждую неделю я ездил на поезде из одного города в другой. помню, как первый раз приехал в офис в Шеньжене. китайцы все были очень воодушевлены, увидев коллегу-лаовая, я сходил на обед, а потом я привычно думал поработать. но у моих коллег были другие планы - они разложили кровати и ушли на часовой сон короче, на целый тихий час все ушли часов в 13:00, и через час продолжали работать. часов в 7 был ужин в компании, на который тоже ушло где-то 30-40 минут. после можно было часик доработать и пойти домой отдыхать. наверное, если из этого убрать ужин и сон, то получается 9-7. не график западного мира, но примерно тот график, в котором мы работали в Гонконге. в выходные никто не заставляет работать официально, но конечно поощряется, что ты ставишь планку высоко. у нас это было может один-два раза в месяц, но в топ-тире типа Alibaba, ByteDance, PDD, особенно в инженерных командах, это более частая история. думаю, такой режим не кажется из ряда вон. ты живешь так лет с 14, когда активно начинаешь готовиться к гаокао. порой и 7 дней в неделю учишься, дабы сдать экзамен. когда поступил, расслабляться тоже нельзя и продолжаешь упорно учиться. в китае есть даже такой термин, “муравьиное племя” (蚁族): миллионы выпускников университетов стекаются в технологические хабы типа Пекина, Шеньжена и Ханчжоу. интенсивная конкуренция за ограниченное количество высокооплачиваемых работ, высокой стоимостью жизни и давлением поддерживать стареющих родителей (результат политики одного ребенка). для многих амбициозных выпускников технологический сектор представлял самый быстрый путь к социальной мобильности. еще мне показалась, что технологические хабы имеют очень большие мигрантские популяции, и новое поколение внутренних мигрантов часто перестраивает социальные сети вокруг коллег. коллеги становятся источником ежедневной социальной жизни. издалека мне начало казаться что в постковидном Китае 996 поутих. у миллениалов после пандемии встали острее экзистенциальные вопросы, да и рынок уже не так быстро рос. но ИИ бум пошатнул это, и на горизонте замаячила снова большая цель, ради которой можно и в офисе поспать. 996 is cool again

фонд Lightspeed выпустили репорт по ЮВА. интересные макроданные по потреблению и концентрации доходов. я немного погружался за последний год в Филипинны, так что с большей частью тезисов тут согласен. 1/ венчурные инвестиции упали с 25.1b в 2021 до 3.2b в 2025. 90% денег теперь идет в Сингапур, фокус сместился на enterprise. топовые раунды 2025: Airalo $220M, Supabase $200M vs Grab $4.5B, GoTo $1.3B в 2021. 2/ главный тезис: весь consumer tech до сих пор обслуживает только топ-20% населения (~$300/месяц трат). остальные 80% остаются нетронутыми; $90/месяц средний доход, для многих продуктов этот сегмент non-consumption. 3/ в Китае Meituan достигает 48% проникновения, GoFood в Индонезии 7%. DiDi 48% vs GoCar 4%. при схожих ценниках $5-6 за поездку. 4/ доходы топ-10% в ЮВА растут в 3x быстрее остальных 90% за декаду. но к 2030 сегмент $1000+/месяц вырастет с 14% до 19% — +32M человек. 5/ копи-каст модели с Запада не работают. массовый сегмент требует другой математики: цены <$1-3, маржи >30%, CAC <$3. примеры есть: - кофейные тележки Jago $0.50 vs Starbucks $3 за чашку - мототакси $1 vs автотакси $4. 6/ экономика $4t растет на 4-5% годовых, 60% роста идет от потребления. добавляет ~$100B нового потребления каждый год. это все мило, но остается вопрос, но как на этом строить бизнес ориентированный на уязвимые группы населения? и Lightspeed находит ответ - "девешый дофамин" (см слайд) 1/ паттерны поведения: социальные сети коррелируют с доходом. низкодоходные домохозяйства тратят на 30-40% больше времени в соцсетях. 2/ сладкие напитки чаще потребляют в нижних социоэкономических группах. микротранзакции в F2P играх монетизируют более широкий сегмент через "dopamine cravings". 3/ отсюда продуктовые принципы: мгновенное удовлетворение, агрессивный ценник <$1-3 за единицу, минимальные затраты на привлечение CAC <$3, короткий payback ~4 месяца. примеры работающих моделей уже есть, от мобильных игр до delivery сервисов с микроценами. короче до того, как американские тир-1 начнут инвестировать в казики skill-based gaming для развивающихся стран остается 3,2,1..

привет, новый SaaS над которым работаю. писал про Extruct пару месяцев назад, а с недавних пор решили объединить с Димой усилия и пилить вместе. к выбору идеи и отбиванию стратегии решили подойти практически-аналитически с сохранением того, что лично интересно. почему sales-tech: 1/ рынок. продавать что-то sales неприятно. они с одной стороны на форварте технологий и активно берут все, что может приблизить закрытие сделки. часто можно увидеть, что BDR/AE берут и платят со своей карты, не дожидаясь апрува. но пробить в head of sales/CRO это уже другое дело. там скорее всего уже ZoomInfo на 3 года или что-то такое, и все твои хитрые тактики известны. 2/ с другой стороны. рынок очень гетерогенный. лояльность практически отсутствует, если кто-то делает ту же работу на 1% лучше, это аргумент чтобы свитчнуться на другой тул. это не Slack или Notion или даже CRM, с которым можно жить и мириться с трудностями. с другой стороны, это, не очень capital-intensive бизнес. есть много bootstrap компаний и задел для консолидации, M&A play довольно понятный. 3/ sales. самая растущая вакансия после LLM эры люди туда продолжают нанимать. выстроить доверие, считать контекст, зафиналить сделку, это мне кажется даже мета-навык. sales-tech это то, что всегда будет фандиться при любой экономике. а значит всегда будет кто-то, кто может тратить венчурные деньги, чтобы покупать рост. 4/ технологический тезис. скрапинг данных стал супер доступным с развитием LLM, но в то же время публичные и полу-публичные данные (типо из закрытых слак сообществ / дискордов) быстро дешевеют, а ценность first-party данных и сигналов растет. последние 4 года занимаюсь этим для проспектинга клиентов и скаутингга стартапов, знаю многих игроков на рынке и их маржи. сейчас сделали real-time crawler + формируем свой индекс с оффлайн датой. уже есть детальная дата на ~2М компаний. north star — уметь на запросах типа bakeries near Barcelona that need automatization agency сразу подбирать список компаний плюс контакты. данные черпаем отовсюду, откуда можно: карты, LinkedIn, маркетплейсы, Airbnb, покупаем. 5/ по позиционированию. все что касается продажи tech в tech не супер сложно. точнее это могут делать куча тулов на рынке сегодня. хотим сперва покрыть сложные вертикали, например тех, кто продает в оффлайн-вертикали типа медицинские сервисы, автомойки, рестораны, строительство, real estate и тд. архитектуру строим которая покрывает все сценарии, но выделиться на фоне конкурентов хотим за счет этого. плюс еще замечаю, что спрос за пределами штатов на хорошее покрытие растет. думаю, что даже rest-of-the-world play тоже норм. 6/ защита от ChatGPT, Claude, Perplexity тоже понятная: инвестирование в дату (что писал выше + 1st party) + воркфлоу. ну скажем, ChatGPT не будет вам продавать email-ы для ЛПР, делать секвенции или скрапить тех, кто это не любит. короче, велком. https://www.extruct.ai/ если вы продаете в сложные вертикали, или просто нуждаетесь в помощи с list building — сесть с вами и все построить. пишите @zkid18

потихоньку учимся профессионально щитпостить в линкедине. нужна ваша поддержка для виральности

в латинской Америке безальтернативно становишься активным пользователем WhatsApp. когда даже семейные чаты уже все ушли в телегу, тут внезапно пришлось ставить ватсап и надевать шапку техносноба: «и где тут версия для десктопа?», «а где отложенные сообщения?», «а как тут редактировать сообщения?» и тд спустя три года я даже проникся вотаспом; местами даже удобнее - нет кучи каналов, которые лишний раз тебя заставляют зайти в телеграм; да и звонки субъективно лучше. хотя ответ на вопрос, чем там занимаются армия PM-ов с TC $300k не давал мне покоя. фб сделал две культовые ставки: Instagram за $1B и WhatsApp за $22B. Instagram быстро стал $100B+ рекламной машиной. WhatsApp долго считался спорной покупкой. но это меняется: $3.6B только на Business API (и это до рекламы, которые там только анонсировали). в ЛатАме, Южной Азии и Африке Meta == WhatsApp. 2B+ пользователей. ни одна платформа не встроена в жизнь глубже. и так мы приходим к одному из моих продуктовых тезисов в контексте развивающихся рынков: вертикальные решения поверх WA. Это разные ERP, CRM, ai sdr, каталоги, сделки по недвижимости. Дальше это пространство можно разделить на WhatsApp first и WhatsApp only. WhatsApp first это то, что живет давно, сюда можно отнести и чат ботов образца 2016 года. сегодня это просто усиливается. WhatsApp only по духу напоминает мини апп в телеграме, но все равно живет своей жизнью. создать тапалку или криптопамп в WhatsApp сложнее потому что Metа валидирует еовые приложения через систему прослоек типо BSP / ISV (читайте в посте, что это за слова) пара кейсов вокруг тезиса: • Félix делает переводы США → ЛатАм в USDC прямо в WA, без приложений. недавно привлекли Series B на $75 млн. • Zapia, AI ассистент в WhatsApp: поиск товаров, напоминания, транскрибация аудио, запись к врачу и тд. инвесторы Prosus Ventures и Endeavor. • Magie, финтех стартап из Бразилии: поверх WhatsApp позволяет отправлять деньги, оплачивать счета, делать транзакции через PIX текстом, голосом или фото командой. Боже благослови Open Banking. • Luka, рекуррентные платежи за коммуналку. логично, что WhatsApp со своими сетевыми эффектами и чат интерфейсом идеально ложится под любые wrappers. думаю, именно здесь появятся ключевые продукты для приземления LLaMA. об этом, кстати, сам Цукерберг говорил в подкасте у Дваркеша: Meta AI будет адаптироваться прежде всего в развивающихся странах (Meta AI has almost a billion people using it monthly now; Meta AI is actually most used in WhatsApp. WhatsApp is mostly used outside of the U.S.) ну а так, детальнее, с разбором разных бизнес моделей можете прочитать мой последний пост в сабстэке эту тему

почему «Cursor для x» это тупая идея даже если питч разбавлен штампами вроде «AI-first», «AI это усиление, а не замена» и «UX for context engineering is our moat», все понимают, что примитив «Cursor для x» нужен, чтобы в голове собеседника сразу возник график «вырастим до $200m ARR за три года». но переносить модель Cursor в другие вертикали бессмысленно, потому что ни в одной вертикали нет полного набора условий, сделавших Cursor успешным. 1/ продуктивность производства софта пока ещё никак не сказалась на его марже думаю, у каждого найдётся бро, который одновременно работает на 2.5 работах (возможно, дорогой читатель, это вы). Cursor обходится ему примерно в $100 в месяц, а с трёх зарплат он поднимает около $20к в месяц. несмотря на все стенания «AI забирает работу у разработчиков», мы наблюдаем один из лучших арбитражей последних лет: маржа софта пока не сжалась. ну и кажется это логично: разработчик закрыл тикет быстрее и с меньшими ресурсами→ фича вышла раньше → продукт зарабатывает. первый лакмус: какие вертикали дают конечным операторам такой же арбитраж, который превращает $20 хотя бы в $2k? 2/ девелоперы и новый TAM для многих инженеров AI-coding — лучшее, что с ними случалось. но большинство бухгалтеров не просыпаются с мыслью «как бы переизобрести процессы». их старая схема работает, и ценность AI не всегда растёт линейно вместе с зарплатой. ну или попробуйте выпустить вирусный ролик на Youtube «I automated HR policy with "Cursor for HR" and Made $100K in 15 Minutes». дев-агенты сделали больше, чем ускорили программистов: они позволили не-программистам собирать продукт, зафиксировав самую большую экспансию tam в истории софта. задача на подумать - в какой вертикали AI способен разрушить привычную логистику создания ценности в плоскости тайтлов. 3/ IDE это отдельный стандартизированный апп Cursor не просто «плагин к VS Code». он опираются на открытый движок и экосистему расширений. чтобы добавить агента, который подставит код, достаточно вызвать пару хуков, дальше вся инфраструктура (lsp, дебаггер, source-control) уже готова. и даже при том, что VS Code был не самым популярным тулом в enterprise, переход с JetBrains был довольно безболезненный, потому что код хранится в удаленных репозиториях. сравните это с CAD или BIM. в мире ArchiCAD и SolidWorks главный актив это бинарные форматы и двадцатилетние скрипты AutoLISP. сменить движок значит порвать обратную совместимость, потерять плагины, лишиться сертификаций. тут отличие в том, что бухгалтер, HR и прочий бэк-офис работают в браузерных saas. и тут мне кажется в этом тезисе настоящая угроза идёт от самого браузера: ai-native браузеры обещают то же, что и вертикальные saas, но на «транспортном слое». если агент сидит внутри браузера и уже имеет доступ к кукам, сессиям и dom-структуре, зачем строить отдельные интеграции? браузер видит всё: форму сделки в HubSpot, счёт в QuickBooks, цепочку писем в Gmail. понятно, что это случится не скоро, но главный point в том, что пока непонятно, какая среда окажется оптимальной для вертикального saas. 4/ разработка = объективный, шаблонизированный процесс AI-ассистенту сложно учиться, когда датасет обратной связи размазан на недели и состоит из субъективных оценок. для большинства вертикалей нет метки pass/fail; в коде агент может эволюционировать почти в real-time, а в бэк-офисе превращается в обычную форму автоматизации, нуждающуюся в ручном QA (хотя думаю, пока LLM не «видит» UI как AST, думаю это ок) tldr; вводные успеха Cursor куда шире, чем context engineering. не спорю, работу бэк-офисов и бухглатерорв нужно автоматизировать, но подход там должен быть иным во всем от интерфейсов и дизайна контекста до GTM. без тех же вводных (стандартизированная среда, мгновенный фидбек, прямая связь с P&L, расширение TAM) этот «Cursor для x» станет обычным b2b-saas с длинным циклом продаж и скромным потолком роста. что думаете? P.S. я правда не думал много про сценарии, где сам Cursor используется для non-dev задач. но видел, как маркетологи с MCP-сервером неплохо решают свои задачи.

в тему deep research агентов, попросил своего хорошего знакомого @ZeroToPMF порассуждать про то, как deep research заменит / улучшит продуктовые и маркетинговые исследования. у Димы свое консалтинговое рисерч-агентство, так что, это, рефлексия с полей. далее его текст: Зачем нужны ресерч-агентства, если теперь есть Deep Research? Начнем с того, что Deep Research ищет информацию в интернете. Если ее нет в открытых источниках — у Deep Research ее тоже нет. Погуглить что-то может любой школьник. Ценность стратегического исследования от этого никогда не менялась.  Хороший ли это тул, чтобы собрать все, что есть в интернете (в надежде обойтись без галлюцинаций)? Допустим. Прелиминари ресерч? Вполне. Разобраться поверхностно в теме и узнать, как что-то работает? Да. В своей ресерч-команде я называю это «Ad hoc обзор». Теоретически, теперь я могу поручать это AI. Только в нем я не совсем уверен, его надо валидировать. А в своих чуваках — уверен. Можно ли полностью заменить то, что мы делаем? Давайте смотреть. У любого коммерческого ресерча есть три составляющие: кабинетная, полевая и стратегическая. 1️⃣ Кабинетная строится на данных, которых нет в публичных источниках. И этих данных будет становиться все меньше. Почему? Все модели обучаются на доступной информации, и люди стали понимать, что данные дорого стоят. Компании стали отбирать доступы. Парадокс GPT: чем дальше, тем меньше он будет знать. Поэтому сейчас GPT скорее учат не больше знать, а лучше мыслить. Поэтому Reddit и Twitter вводят платные IP. Что уж говорить про любую непубличную информацию, на которой люди зарабатывают? 2️⃣ Полевая составляющая — это непосредственное общение с людьми, опросы. Думаю, понятно, что Deep Research — не про это.  Сейчас многие пытаются сделать AI-тулы, которые имитируют клиента. Ты можешь «прособеседовать» с ним, минуя реального человека. На что только не пойдут, лишь бы не общаться с пользователями...  Это бесполезно. Когда мы общаемся с клиентами, то изучаем мнение, а AI не обучен мнению. Его мнение — «Может быть вот так, а может быть вот так». Нам нужно знать, как человек думает, а AI лишен человеческих качеств. И слава богу, а то мы бы рисковали создать опасный искусственный суперинтеллект. 🧠 Кроме того, огромный слой человеческого мышления — иррациональный. Этот слой AI считать не может, потому что считается он на уровне эмпатии. Поэтому не важно, по какому гайду вы двигаетесь во время интервью — вы в любом случае видите больше, чем формальные ответы. Именно в этих иррациональных слоях часто кроются самые важные инсайты. Тот же JTBD бывает не только функциональным, но и эмоциональным.  А эмоциональный JTBD — между строк.  AI может работать как справочный инструмент, а мы даем ответы и рекомендации. Клиентам это нужнее, потому что никто не хочет сам принимать решения. Люди не платят McKinsey $100 млн за справку. Они платят, чтобы им сказали, как поступить. И чтобы потом в случае чего прикрыться McKinsey 🌚 Настоящая джоба консалтеров — своей репутацией прикрывать отсутствие уверенности в правильном решении. Стратегия, которой я занимаюсь, строится индивидуально для конкретной отрасли и основывается на на отраслевой специфике. Чтобы понимать отраслевую специфику, нужно владеть публичной и непубличной информацией, мнениями экспертов и пониманием аудитории. Только так ты можешь примерно сформировать картину, что на самом деле происходит в той или иной нише. AI на это пока не способен.

YC анонсировал свой request for startups, где активно пушат «full-stack AI companies». то есть на смену традиционным операторским бизнесам (аутстафф-агентств, юрфирм, M&A-эдвайзеров, рекрутинговых компаний) предлагают создавать AI-компании, оптимизирующие процессы через собственных агентов. В целом эта модель в моем кругу где-то полгода-год циркулирует, особенно от тех, кто целится в какой-то вертикальный SaaS. У меня даже есть приятель, который делает страховой софт для логистических компаний. Сперва он пытался предлагать его страховым, но недавно выкупил две страховые компании в Юте: чтобы стать полноценной страховой и работать напрямую с конечными клиентами. Там конечно есть AI в продукте и вне его, но и даже без AI ценности просто в цифровизации достаточно, чтобы обходить 80% своих конкурентов. У YC даже есть в портфеле такой стартап Rocketable: они покупают софтверный-бизнес с выручкой как минимум $100 k в год; увольняют всех сотрудников пытаются весь бэкофис и разработку продукта закрыть агентами. Все это мило, но такую историю трудно провернуть молодому стартапу без поддержки. Поэтому думаю, что это огранит одну из самых интересных моделей капитала, которую мы увидим в ближайшее время. Lightspeed недавно изменил структуру и стал RIA (Registered Investment Advisor). Теперь фонд не ограничен 20 % «non-VC» активов и может без лимитов заходить в public-стоки, вторичку, buyouts и roll-ups. По тому же пути пошли a16z (RIA с 2019: LBO для Twitter, своя crypto-империя, собственный wealth management), Sequoia (вечнозелёный фонд вместо классического 10-летнего), General Catalyst (выкупили Summa Health, nonprofit больничную сеть -> сделали ее for-profit и теперь через нее онбордят свой healthcare портфель) Дальше уже увидим, как вчерашний ассоциат в фонде не модельки строит в экселе, а вайбкодит агента для клиники. Да и даже IPO уже не нужен, для ликвидности есть вторичный рынок которые выорос с 25 $b в 2012 до прогнозного 100 $ b+ в 2025. Mid-tier VC либо сольются, либо тоже станут RIA, чтобы получить доступ к более длинным деньгам и реальным компаниям. Но это уже придется комбинировать классический LBO-долг, private credit, долевое финансирование от LP и тд. Короче, пока стартаперы пишут, что деньги VC им больше не нужны и всё можно делать на бутстрапе, империя наносит ответный удар и говорит, что для фонда, чтобы заработать деньги и не обязательно искать стартаперов с их поделками.

написал новый пост в сабстэке про то, как я использую deep reseerch тулы для бизнес-поиска. это, наверное, самый популярный LLM-сценарий у меня сегодня, который помогает в инвестиционных и GTM-делишках. в 2023, когда только зарождался deep research, всё сводилось к созданию громоздких RAG-пайплайнов: агент офлайн качал 10-K, блоги, стенограммы подкастов, индексировал всё в vector db и писал промпты для каждого файла. появлялись первые вертикальные стартапы — я смотрел в основном на GTM и invest-tech, но было много интересного и в академических задачах. схема работы агентов напоминала Directed Acyclic Graph (DAG): всё заранее прописано, один путь без циклов и ветвлений, а решения принимал внешний оркестратор. для простых сценариев «пользователь → запрос → поиск → ответ» это работало. сегодня deep research-агенты в ChatGPT, Gemini, Perplexity, Grok и др. получили мощный апгрейд благодаря reasoning-моделям. появились Toolformer, ReAct, Tree-of-Thought, Chain-of-Thought и function calling — и агенты превратились в нечто похожее на конечный автомат. они сохраняют состояние (plan/execute/reflect), сами решают, когда делать loop или ветвление, могут retry’ть шаги и корректировать стратегию прямо в сессии. есть четыре основных building-блока: planning модель разбивает запрос на подзадачи («какие сайты сканить», «какие PDF парсить», «какие API дернуть») и хранит этот живой plan в контексте диалога, который можно дополнять. acting через headless-браузер или API агент качает страницы и документы, парсит HTML/PDF, прогоняет текст через LLM-саммари и выдёргивает ключевые поля прямо в json-ячейки или табличные столбцы. observing агент сверяет промежуточные результаты с целями. если чего-то не хватает, возвращается к planning, меняет стратегию (дополнительные источники, глубина парсинга) и снова идёт в цикл. благодаря reasoning (ReAct, Chain-of-Thought, function calling) модель не просто рубит по сценарию, а реально рассуждает, loop’ит и ветвится. вместо жёсткой цепочки «шаг 1 → шаг 2 → готово» получаем динамичный поток: «спланировал → выполнил поиск и парсинг → оценил результаты → добавил источник → … → готов отчёт». именно эта способность одновременно сохранять контекст, рассуждать и управлять переходами делает deep research-агента таким мощным. publishing когда все подцели закрыты, агент мёржит фрагменты в финальный отчёт: markdown-таблицы, списки фактов, ссылки на источники и confidence-метрики. отчёт готов к принятию решения. но 90 % времени я делаю запросы типа «анализ финтех-стартапов из Колумбии для gig-worker’ов» или «поиск AV-компаний и выяснение, какой lidar-сенсор они используют». тут быстро упираешься в лимит компаний и слабое ранжирование: можно шаманить с промптами, но глубина и детерминированность поиска критичны для бизнеса. academic-бенчмарки вроде GAIA или PaperBench хвалят аккуратные резюме научных статей, но они не отражают запросы GTM-команд и инвесторов. короче про это и написал. плюс для каждой статьи в сабстэке стараюсь зафичерить стартап, который как-то думает в сторону той проблемы, которая у меня возникла. вместо одного горизонтального подхода Extruct применяет вертикальный AI. каждая компания, сегмент или продукт — самостоятельная «ячейка» в таблице, за которой следит свой агент. так внутри одной ячейки можно сохранять сотни раз больше контекста, гибко добавлять новые поля (стадия раунда, ключевой технический критерий) без перезапуска процесса и выстраивать кастомную логику прямо в planning. чем-то напоминает clay с claygent, только работает субъективно получше и дешевле для не-сейлзов. так что советую и свою статью и стартап. p.s. если есть по технической части добавить, пишите в коменты.

китайский ии-агент Manus поднял $75m при оценке $0.5b от Benchmark, Tencent, Hongshan и ZhenFund. на фоне торгово-политической повестки сделка выглядит немного оторванной. продукт хороший, но попробуем разобраться, как предприниматели сидя в Ухане и Пекине в 2025 году подняли денег от Benchmark по такой оценке. начнем с того, что фаундер на удивление хорошо ориентируется в рынке китайского SaaS, который исторически был далёк от американского (в целом многие сомневаются, что SaaS вообще существует в Китае в его оригинальном прочтении) начал хаслить сразу после универа: в 2015 запустил Nightingale Technology (夜莺科技) и сделал Yiban Assistant (壹伴助手) неофициальный клиент WeChat с разными интеграциями. в 2019 увидел возможность в сегменте корпоративного WeChat и сделал Weiban Assistant (微伴助手). идеально поймал момент: когда WeTool (главный неофициальный CRM над WeChat) закрыли в 2020, Weiban стал основным решением на рынке, привлёк интерес Sequoia China и Youzan. в итоге компанию купила местный интегратор Minglue Technology (明略科技). фаундер сам себя считает больше коммерсом, хоть и учился в престижном китайском техническом вузе. по его словам, он никогда не был самым технически одаренным в классе, и так описывает свои методы нетворкинга в универе: помню, рядом с кампусом был ресторан северо-восточной кухни. я зарабатывал достаточно, чтобы водить туда своих одногруппников каждый день. если хотите потом перетащить своих одногруппников в стартап — кормите их ещё во время учёбы. после выпуска за ними уже придётся бегать по мишленовским ресторанам. второй фаундер вообще выбивается из всех привычных конфуцианских рамок. в 17 лет бросил школу (dropout, еее), чтобы запустить корпоративный секьюрный браузер Mammoth Browser (猛犸浏览器). поднял скромный ангельский раунды в 1.5 млн юаней. но увидев потенциал LLM, он присоединился к проекту и стал кофаундером в конце 2022 года. Manus начинался как браузерный плагин Monica в 2022 году с поддержкой того же ZhenFund. Monica это такой «агент» эпохи 2023 года, когда чаще всего под этим подразумевалось «chatgpt wrapper». продукт давал подписку для популярных моделей и разного рода ассистентов из «коробки». чем-то напоминает you.com или Poe от создателей quora но Monica уже в 2023 могла автономно выполнять сложные задачи типа перебронирования билетов и работы с данными. к 2023 компания закрыла раунд Series A от Tencent и Sequoia China aka Hongshan. В начале 2024 отклонили оффер на $30m от ByteDance и продолжили расти, подняв оценку до почти $100m. в Manus видны наработки Monica,которые обрели новое прочтение с выходом моделей для ризонинга. Monica работает как браузерное расширение, а Manus как раз отмечается глубокой интеграция с браузером. плюс Manus имеет свой интерпретатор и в отличии от других deep research агентов позволяет исполнять задачи по анализу данных и написанию кода. запуск был нетипичным для Китая: ориентировались на глобальный рынок, так как внутренний рынок был сложнее. с начала ковида много говорили (и я в том числе) о тезисе выхода китайских основателей на мировой SaaS рынок, но прям громких историй успеха было мало. для большинства инвесторов это все равно казалось токсичной история. в отличие от локальных запусков, как у DeepSeek, у Manus был полноценный международный релиз — проморолики, кампания в англоязычных медиа, раздача раннего доступа ютуберам и твиттер-инфлюенсерам. Я считаю, что сегодняшним китайским предпринимателям нужно быть более агрессивными в глобализации. если мы видим за границей лучшие возможности — нужно идти и получать опыт международной конкуренции, а не замыкаться на знакомых рынках. для этого, правда, нужно многое: когда мы запускали компанию, никто из фаундеров не жил за рубежом. уровень английского у всех остался на уровне школьных времён. VC явно хотят иметь хоть какое-то exposure на росте китайского AI. но сегодня скорее всего, будут форсить глобальную стратегию, хотя бы потому что для Китая SaaS по-прежнему почти белое пятно. в общем вдохновляющая история для rest of the world рынков и chinese tech so back

с появлением LLM стал больше замечать процессы, где избыточная продуктивность, наоборот, мешает удовольствию от взаимодействия. LLM круто индустриализирует всё: от написания кода, до создания комиксов. и все в восторге от этого и все такое. но вместе с этим стал больше получать удовольствия от непосредственного взаимодействия с объектом. например, я отключаю любые саммаризаторы почты — особенно рассылок. потому что именно между строк часто самое интересное. это попытка заглянуть в голову автору. сама по себе информация там слабоуникальна, и продуктивность тут ни при чём. это больше похоже на диалог. или наоборот — при создании. общаясь с клиентами или командой, я всё ещё пишу заметки от руки, хотя перебровал кучу meeting notetakers. да, агент может зафиксировать контекст, тему, дата-поинты, все это цепялется в нужный тебе воркфлоу, и все такое — но расстановка акцентов всегда субъективна. могу выцепить фразу, которая кажется дежурной, но для меня она центр всей беседы. всё это заставляет снова возвращаться к любимой цитате. not only does nobody know how to measure productivity, we’re also not even sure it’s the most important way to predict success а в чем вы ортодоксы в LLM-мире?

в моей ленте в линке последнее время мелькает один saas-bro, кто делает компанию про анонимизацию посетителей сайта (про которые я писал ранее, btw). в команде 3 человека и 20 so-called AI агентов. делает все по законам build-in-public и пытается достичь $10M ARR per employee без инвесторов, мам, пап и кредитов. пошарил недавно свой сетап. показалось очень занятным, потому это очень достойный результат без какого-то rocket science. дальше перевод его поста. за последние 30 дней у нас: — $1m+ в qual pipeline — 25 клиентов, ручной онбординг — 20+ новых фич — 500+ закрытых тикетов observer смотрит на 15к+ реакций (моих и конкурентов), находит тёплых лидов среди ICP. превращает соцсигналы в сигнал на покупку стэк — make + unipile + anthropic hunter трекает 5к+ анонимных визитов на сайт, деанонимизирует, ресёрчит, пишет — всё в реалтайме стэк — swan ai (его тула) gatekeeper из 800+ запросов в демо фильтрует только тех, кто нам реально подходит. ресёрчит, обогащает, скорит стэк — make + anthropic + generect concierge отвечает на 500+ диалогов с клиентами — тикеты, онбординг, сбор фидбэка. >70% — без участия человека стэк — swan ai + slack analyst структурирует фидбэк из 100+ разговоров в приоритезацию фич стэк — make + circleback + openai prototyper делает прототипы по спекам, сокращая цикл от идеи до имплементации с недель до часов стэк — v0 design от vercel architect собирает архитектуру под фичи, предлагает реализацию, пишет боилерплейт стэк — cursor + devin ai auditor автоматически отвечает на запросы по безопасности и соответствию — заменяет собой 100+ часов доки стэк — cursor + anthropic