ChatGPT

💫 Как я стал AI-консультантом

C начала года я провел в 10 раз больше консультаций, чем за всю жизнь до этого. Повлияли на это два фактора: рост подписчиков и взлет AI-хайпа.

👋 На скриншоте Артем, он директор по продукту. Мы созваниваемся уже полгода каждую неделю. На звонках мы генерируем и валидируем вместе AI-гипотезы, ищем дешевые способы внедрения в продукт, обсуждаем и подбираем лучшие на рынке AI-инструменты.

С каждого такого звонка я выхожу счастливым и полным энергии. При этом, я все время относился к консалтингу как к чему-то стыдному: на канале ни одного упоминания, все запросы на консультацию пришли самостоятельно. На это повлиял базовый нарратив окружения — «нужно делать и развивать продукты, а не продавать свое время по часам» и что-нибудь рядом обязательно про leverage и Навала Равиканта.

Вчера я снова круто провел консультацию — на этот раз для одной из крупнейших консалтинговых фирм. На этом моменте даже мой внутренний критик решил отойти в сторону — из этого родился пост с простым достаточно смыслом. Если вам нужна консультация по AI, то напишите мне:

👇 Ниже список запросов, с которыми ко мне обращаются чаще всего: - Архитектура AI/LLM-продуктов; - Мы хотим внендрить куда-нибудь, не знаем куда; - Я пропустил весь AI-хайп, помоги наверстать; - Продуктовая стратегия для AI-продукта; - (и также масса других запросов);

📆 Начать можно со звонка-знакомства, его можно забукать по ссылке. Если пока не уверены или есть вопросы, то просто напишите.

Уже года два как я регулярно пытаюсь убедить клода/гпт нормально распарсить данные со страницы форума Redshift с данными по бенчмаркам. Прелести добавляет факт, что Максон зачем-то сделал форум с динамически загружаемыми страницами, которые так просто не скачаешь (отдельный вопрос зачем вообще организовывать единственный бенчмарк как страницу форума с произвольным форматом сообщений).

Не то чтобы я прямо работал-работал над проблемой парсинга, но любопытно было давать реальную задачу ллм и смотреть справится ли или нет. И вот наконец попытки с пятой Opus нашел способ скачать (через скрипт в девелопер-тулз браузера) и разобраться с подсказками что там вообще происходит. AGI достигнут! 😂

Собственно таблица с рендер-таймом для разных GPU, может кому пригодится

https://docs.google.com/spreadsheets/d/1nP8YnOUWK7YF1v-jQWSWYfbJhKbGyjZqGptIPkTSGd4/edit?usp=sharing

GPT конечно часто косячит, но в паре с человеком это большая сила.

Перед тем как бросить играть в свои игры, я сделал фейковый аккаунт, с которого набегал на все альянсы, плевав на правила (сделать это в любой современной игре несложно, если хорошо знать механику, даже если ваш уровень героев/баз ниже плинтуса).

Изначально планировалось молчать в игровом чате, но троллить хотелось. Тогда я придумал легенду, что я - молодой чав из Лондона (местный гопник) и поэтому хулиган.

GPT влился в игру отлично. Он прекрасно переводил мне все фразы с английского на «чавский», придумал в каком районе и с кем я живу, за какую футбольную команду болею, что ем и что слушаю. «Чавский» профиль вместе с ИИ мы гоняли неделю, за все это время ни один коренной британец близко не понял, что я даже не носитель языка, мне в два раза больше лет чем моему персонажу, а с ним говорит фактически бот, которого направляют в своих целях.

ИИ пока, к счастью, не личность. Но создать с помощью человека искусственную личность может элементарно. Still run tings round my endz ✌️

Как можно использовать Chat GPT в работе дизайнера

Сейчас активно пытаюсь внедрить нейросети в свою работу, чтобы максимально оптимизировать рабочий процесс и научиться актуальным навыкам. Особенно рад появлению в Chat GPT поиска информации в интернете, что сильно упростило многие вещи в повседневной жизни.

Конечно, нельзя просто взять и использовать ответы нейросети, нужно их обработать и подредактировать. Но ответы очень экономят время на поиск первых идей, от которых можно здорово оттолкнуться и найти более интересное решение самостоятельно или также с помощью нейросети.

С Pro подпиской можно создать своего бота в ChatGPT и загрузить в него всю нужную информацию о проекте, и потом не нужно будет каждый раз объяснять суть проекта.

А вот use-кейсы ChatGPT, которые я использую в работе:

1. Загрузить спецификацию по задаче и позадавать вопросы

2. Созвониться по задаче, записать звонок и попросить сделать выжимку

3. Составить Job&User Story

4. Найти и проанализировать аналогичные или похожие функции на рынке

5. Выгрузить фрейм с дизайном в PDF из Figma и закинуть в Chat GPT, а затем попросить составить корнер-кейсы, которые нужно учесть

6. Составить чеклист для проверки дизайна, также выгрузить в PDF и попросить проверить дизайн

7. Найти метафору для иконок или написать текст

Еще есть несколько идей, которые хочу попробовать в будущем:

1. Составить промпт для менеджеров, чтобы стандартизировать описание задачи для дизайнеров

2. Создать гайд для глубинного интервью или для количественного опрос, а затем обработать

3. Составить сегменты пользователей 4. Сформулировать гипотезы

5. Составить CJM/User Flow/Product Map, но это уже c Figma AI будет удобнее

Вот такие кейсы получились. Планирую не останавливаться и дальше изучать возможности AI. Кстати, пишите в комменты, какие use-кейсы вы используете и норм ли сейчас вообще использовать AI в дизайне, кроме генерации контента ↓↓↓

🧑‍💻 Три новых AI-тула для разработчиков, которые изменят рынок

Помните я пару месяцев назад писал, что AI заменит разработчиков и это наступит достаточно скоро? За последние недели мы еще сильнее приблизились к этой точке. Сегодня я расскажу про три новые проекта, которые помогают автоматизировать процесс разработки и умеют делать это хорошо.

1. MetaGPT — самый интересный из трех проектов для меня. Это фреймворк, который последовательно эмулирует роли всех членов продуктовой команды в виде агентов. Босс-агент создает бизнес-требования; продакт-агент создает PRD; затем идут такие же агенсткие этапы работы над архитектурой, проектным менеджментом и наконец самой разработкой и QA.

За $0.2 за запросы к модели создается схема с архитектурой системы (закину пример в комменты), а за $2 уже целый запрограмированный проект. Работает классно и именно за такими мультиролевыми связками агентов лежит будущее автономных-агентов.

2. gpt-migrate — этот проект позволяет автоматически мигрировать код проекта с одного фреймворка или языка на другой. Самый базовый пример будет мигрировать чужую библиотеку с Python на JS. В этом проекте уже на всю начинает ощущаться сила gpt-4 с 32k контекстом, в работе рекомендуют использовать как раз его. Миграция среднего проекта обойдется в ~$10+ долларов коста на запросы.

3. aider — проект позвоялет разрабатывать прямо из терминала, используя запросы на человеческом языке. Создаем проект и последовательно пишем какую часть системы мы хотим добавить или отредактировать — change the fibonacci function from recursion to iteration. В этом месте самое время процитировать Andrey Karpathy — “The hottest new programming language is English”. Здесь тоже рекомендуется к использованию gpt-4 и кост будет на уровне предыдудущих двух проектов.

😎 Мои дальнейшие предсказания: 1) ближайшее будущее AI-агентов за узкими юзкейсами, на которые они заточены. Концепция general-агентов для всего (autogpt) отойдет в сторону, пока мы не получим еще более сильные языковые модели; 2) главным драйвером адопшена ai-агентов и автоматической ai-разработки станет момент, когда прайсинг gpt-4 упадет до уровня gpt3.5 → тогда мы получим огромное количество дешевых экспериментов и найдем новые эффективные способы применения за копеечные косты.

@prod1337

ChatGPT оказывается отлично разбираются в Таро. как раскладывает так и интерпретирует. причем если что-то не устраивает в прогнозах, всегда может переиграть.

железный конь приходит на смену бабе Шуре

Почему вам не нравится использовать чат-боты На прошлых работах удалось поучаствовать в разработке интерфейсов для чатов поддержки. Часто со стороны бизнеса это компромисы и баланс между ботом и прямым доступом к агенту.

В свежем UX-анализе Peter Ramsey подробно разбирает чат-боты, из-за чего многие их ненавидят и почему у Chat GPT не получилось улучшить опыт работы с ними.

Внутри примеры Intercom, Revolut, Monzo Bank, Starling Bank, Amazon, Stripe и Apple.

🔜 Читать

Тут в сети форсят активно, что, мол «спасибо», сказанное чатекуГПТ стоит им миллионы долларов. А еще миллионы обращений к сервису, которые потом в отчетах показывают usage / engagement, в целом растят метрики, и отлично прибавляют к стоимости компании на раундах :) Забыли про это, как то )))

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.

Сегодня к нам нативно интегрируется канал, который я сам читаю) Ко мне пришли ребята из @its_capitan — они строят комьюнити фаундеров и запускают свои стартапы и пет проекты.

Несколько крутых запусков:

Сервис для международных звонков как простую замену Skype и роумингу. Проекту < 1 года, 7760 платящих пользователей, 25 корпоративных клиентов, > $17 500 MRR, всё делается в соло.

Ещё пример:

Запуск телеграм бота для разговорной практики английского: бот отвечает голосовыми на английском и исправляет ошибки, имитируя живого собеседника. Сделано на n8n + openai, 700 юзеров, 16 оплат, $200 выручка

(прям как Выставка кстати, которую мы с Серегой запустили осенью. Там тоже на рекламе получается заработать баксов по 200 в месяц)

В общем полезный канал, гляньте: @its_capitan

Реклама. ИП Зуев Игорь Владимирович, ИНН 360408359441, erid: 2VtzquyYojA

Уже давно пытаюсь написать пост про новые ИИшки, как они хороши и как вообще меняется рынок. Но что-то не идет. Может просто я сам так и не нашел никакого для себя применения, не вижу прорыва в каких-то сферах благодаря ИИ, кроме экономии на операционке? Не знаю и пойду подумаю, а вы мне расскажите как ИИ вам помогает. Мне вот пока только постоянно достается ловить приколы на собесах, когда кейс написан не автором :)))

Но… я уже пару дней наблюдаю как DeepSeek ставит в не очень удобное положение американский рынок просто одним фактом своего появления. Так что случилось? Дизрапт! Китайцы, оказывается, могут в ИИ, и очень не дурно, выпустив аналог ChatGPT почти во всем (модель работает с меньшим числом параметров, что не влияет, внезапно, на качество ответов, тк у них +- одинаковые результаты на тестах), но потребляет в 3 раза меньше вычислительной мощности для тех же задач, да и на создание потратили их сильно меньше, как говорят братья китайцы. Во что, кстати, я не очень верю, ну да, стартап, ну точно 😂

Добавил: я тут поконкретнее про DeepSeek-V3 нашел. Они использовали H800, урезанный для Китая экспортный вариант H100, и они сами пишут, что для полного обучения потребовалось 2.788M H800 GPU-часов, что соответствует $5.5M при цене аренды H800 в $2 за час. При это LLAMA 3.1 ну примерно за 60м$ обучалась, а OpenAI еще дороже. Короче, и правда хаялва.

Сам DeepSeek монетизируется за счет крупных компаний в Китае, которые им активно пользуются (xiaomi и ко), и вам будет стоить бесплатно. Я вот поставил на телефон и радуюсь.

Из минусов (а я попросил нейронку написать их за меня): - меньше языков (ну и ладно) - меньше творчества в ответах (за что спасибо) - высокая цензурированность ответов, тк модель училась на локальных данных, которые ей подготовили (переживем)

Так вот, представляете, как прикольно вышло: все были убеждены, что для работы хорошей языковой модели нужны заоблачные мощности, но вышла та, которая работает на тостере, и лидер, производящий железки для всего этого «прогресса» упал на 600 млрд долларов 😂 понятно, что отрастут, но как конкуренция делает свою работу, а?)

В сухом остатке… … мы имеем отличный пример запуска: - новое утп (сильно дешевле в эксплуатации и обучении) - понятный фокус (пока не умеет в картинки но запланировано на 25 год) - фокус на задачи локальных компаний (потому монетизация физиков не нужна) - планы по интеграции в WeChat и телегу (представьте аудиторию сразу?…)

Ну и фановое падение рынков :) хотя может это просто совпадение! Хотя лично я кайфую, что китайцы показали, что необходимости в толстенном железе, как минимум для большинства задач, ну… нет, и модельку можно научить по стоимоти в 10 раз ниже, чем это у конкурентов.

🦄 Почему сегодняшнее обновление ChatGPT не убьет стартапы

Сегодня вечером пройдет большой DevDay от OpenAI и уже есть сливы, что там могут показать. Самым большим станет Gizmo — тул для создания кастомных чатботов, а также маркетплейс, где пользователи смогу продавать доступ к своим ботам. После первых сливов сразу же пошли посты о том, что это убьет стартапы, а после конференции такого будет еще больше. Я с этим не согласен и расскажу, почему это наоборот открывает массу возможностей.

1. Универсальность против специализации: такое решение, как Gizmo действительно cможет съесть большой сегмент рынка, но в этом его слабость. Оно всегда будет уступать по удобству инструментам, заточеным под конкретные задачи. Интерфейс будет одинаковым для всех — для поддержки, продаж, образования или изучения языков — пользователи неизбежно столкнутся с ограничениями, поскольку интерфейc не получится адаптировать для всех сегментов сразу.

2. Технология vs. понимание пользователя: да, такие чатботы станут следующим технологогическим шагом. Но важно помнить, что в бизнесе ценность часто заключается не в технологии, а в глубоком понимании задач клиентов. Если знаете, кто ваш клиент, и какую проблему решаете, то можно спокойно занимать позицию: «Мы понимаем наших пользователей и их нужды лучше остальных, и будем использовать лучшие инструменты на рынке, чтобы их удовлетворить». Технологии будут выходить, но опора на пользователя останется.

3. Неравномерность в принятии инноваций: не стоит заблуждаться и относительно скорости принятия таких обновлений. Даже обычный ChatGPT все еще остается продуктом, который используют не больше 10-15% людей. Вне технологического пузыря людям вообще все равно на то GPT это или просто приложение в App Store с зеленой иконкой, которое решает их задачу. На уровне компаний это заметно еще сильнее из-за большого количества специфики в каждой компании, инновации раскатываются еще медленнее.

🚀️️️️️️ Таким образом, я предпочитаю смотреть на это, как на воронку. Больше людей воспользуется ИИ-чатботами, поймет их удобство, но также масса людей столкнется с ограничениями решения от Gizmo. Это произойдет и на индивидуальном уровне, и при попытке перенетси чатботов в компанию. У этих пользователей появится запрос, которого не было раньше, а у стартапов появится возможность продать свое решение этим людям.

Глава OpenAI Сэм Альтман заявил, что они в ближайшее время снимут ограничения на "взрослый" контент для совершеннолетних пользователей.

Таким образом, ChatGPT хочет конкурировать с порнонейросетями, которые набирают популярность.

Visual SKETCHPAD

Давайте в это прекрасное воскресенье не про менеджерское, а про техническое 😍.

Читал я, значит, очередную статью про мультимодальный ризонинг и натыкаюсь в ней на другую годовалой давности. Не знаю, по каким причинам я её пропустил тогда (а их могут быть тысячи), но идея очень прикольная.

Когда только вышли мультимодальные системы серии O от OpenAI, вау-эффектом было то, что в рассуждениях они часто кропали, зумили и всячески модифицировали картинки. И вау было не от того, что как-то система учитывает их в контексте (это как раз база), а откуда и как она эти картинки модифицирует.

И тут меня опытный чтец остановит и спросит: а чо всмысле система? Почему не модель? И будет прав, потому что никто, кроме самих сотрудников, не знает, чо там под капотом, поэтому мне легче рассуждать в терминах системы.

И вот статья Visual SKETCHPAD как раз отвечает на то, как это можно попробовать реализовать чисто инженерно, без всяких обучений. Давайте просто из модели сделаем агента, которому мы дадим определённый набор инструментов для работы с картинками, такие, как: нарисовать линию, сегментировать, нарисовать график, сделать кроп, зазумить область и т.д. И будем просить генерировать CoT с учётом того, что она может использовать эти тулы.

Результаты репортят ещё на тогдашней GPT4o, в целом, растёт на всём, где-то прям очень много (задачи на графы, детекции на high-res картинках), где-то не так много (математика, геометрия).

Очень забавный подход, интересно, как он работает спустя год. А может быть это он и работает под капотом в рассуждающих моделях. Не знаю 😊

P.S. Когда писал пост, наткнулся на обзор https://t.me/gonzo_ML/2823. Почему я пропустил мне интереснее всё больше и больше 😀

За сборкой очередного набора лего наконец дослушал книгу Даймонда «Ружья, микробы и сталь».

В книге Даймонд анализирует, почему одни общества — в первую очередь европейские — смогли занять настолько более доминирующее положение в мире, чем другие: народы Новой Гвинеи, племена Австралии и т.д.

Во-первых, книга безумно интересная и невероятно глубокая в своем анализе — боюсь даже представить, сколько времени автору понадобилось для сбора всей фактуры. А он писал ее в 90-е, когда не то что ChatGPT, а даже интернета в его текущем виде не было.

Во-вторых, в ней упоминается тезис, который мне самому приходил на ум каждый раз, когда я слышал утверждения о неспособности языковых моделей изобрести что-либо новое:

Технологии развиваются накопительно, а не через одиночные подвиги гениев ... Новые технологии и материалы дают возможность получать новые технологии, комбинируя уже имеющиеся элементы

-перевод ChatGPT

То есть новые изобретения — это не что-то, что возникает в вакууме, а плод рекомбинации уже существующих технологий, материалов и идей, который затем проходит через фильтр актуальности и пользы для общества.

Если принять этот взгляд, то способность к инновации — это не обязательно мистическая способность “создать из ничего”. Скорее, это способность производить новые комбинации и проверять, какие из них действительно работают.

Кажется, что ЛЛМки уже неплохо справляются с первой частью — рекомбинацией. Они умеют быстро соединять существующие идеи, подходы и паттерны, хотя часто делают это с меньшими отклонениями от уже существующих эталонов, чем человеческий автор.

А вот успешность второй части — отбора — зависит не только от самой модели, но и от среды вокруг нее: есть ли в конкретной сфере возможность быстро и достаточно объективно оценить плодотворность ее продукта.

Например, сомневаюсь, что в сфере искусств — литературы, живописи, кино — ЛЛМ без участия человека сможет в ближайшем будущем создать что-то действительно стоящее. Если ЛЛМ напишет тысячу книг, нужно, чтобы человечество их прочитало, оценило и оставило в библиотеках действительно стоящие из них.

Можно измерять продажи, дочитывания, лайки, отзывы и премии, но это все равно плохие прокси для художественной ценности. Там нет быстрой и стабильной функции потерь, которая позволила бы автоматически отбирать “лучшие” произведения без участия человеческой аудитории.

В написании кода же — кажется, наиболее успешной на текущий день для ЛЛМ-ок сфере — обратная связь намного дешевле и формальнее. Есть тесты, типы, линтеры, бенчмарки, профилирование, метрики продакшена: завелось или нет, сколько времени выполняется функция, сколько памяти потребляет и т.д.

То есть можно написать энное число версий кода и достаточно безболезненно отфильтровать из них успешные итерации. К тому же, в каждом языке программирования есть понятный набор базовых сущностей, из которых собирается любой код: классы, списки, функции и т.д.

В естественных науках тоже работают над тем, чтобы выстроить связь между выводами ЛЛМ и их эффективностью в реальном мире. Вот статья, где модели давали проектировать эксперименты, передавать их в автоматизированную физическую лабораторию, собирать результаты и автономно планировать следующие итерации.

Таким образом, как и в любой задаче машинного обучения (и, в целом, в любой жизненной задаче) — все сводится к подбору метрики, по которой оценивать результат, и функции потерь.

Ну а дальше — итерации, ошибки и победы.

Случайно увидел, что отработал в Сбере уже 10 лет))

Странно, что внутренний портал не предупредил даже)

Коллеги, наконец я понял, для чего нам ЧатГПТ.

В ChatGPT интегрировали Shazam. Чат-бота можно спросить: «Shazam, что играет?» и включить микрофон для распознавания песни.

Вот и самый даунский юзкейс chatGPT подъехал — пока напечатаешь сообщение, уже любая песня кончится. Это та самая причина, почему не получится запихнуть любой интерфейс в чат: некоторые вещи тупо удобнее накликать через GUI.

Ну либо можно было шазамить прямо по нажатию на микрофон в инпуте chatGPT, а когда песня распарсится отображать ее нотификацией как сейчас в Shazam

Я ж совсем забыл написать, что, конечно же, поставил себе OpenClaw (на виртуальный сервер) буквально на следующий день после предыдущего поста.

Сейчас конечно об этом уже не так увлекательно писать. Шутка ли дело — почти две недели прошло. В индустрии за это время всё изменилось вообще, даже YC уже успели в подкасте показаться. Но тем не менее.

Если вы вдруг пропустили, почему это важно.

ChatGPT (а также Claude, Gemini, Grok и т. д) — просто чат-боты, с которыми можно поговорить. Ты в интерфейсе чата задаёшь вопрос, получаешь ответ. Да, они в этом ответе могут выдать код, например, но все равно этот код тебе отдаётся в чате.

Claude Code / Codex — агенты, с которыми не только можно чатиться. Они могут редактировать файлы, выполнять команды в терминале, писать и исполнять код. И благодаря этому совершенно другой уровень результата получается. Мы в компании переходим на Claude Code для почти всех процессов вообще. Но всё равно ты сидишь за десктопом. И эта штука не действует автономно, она отвечает на твой промпт. А между промптами ничего не делает.

OpenClaw — агент, который умеет всё то же самое, что и Claude Code, но только еще: - Доступен тебе в мессенджерах — можно просто через телеграм голосовуху кинуть, и он пойдёт делать. Это кажется мелочью, но пока сам не попробуешь, не представляешь, насколько это всё меняет. Теперь реально можно что-то создавать, гуляя по лесу с телефоном и время от времени отправляя голосовые. - Может работать 24/7 и выполнять какие-то штуки по таймеру. То есть например делать что-то для тебя каждое утро или каждую ночь. Или хоть раз в 10 минут что-то проверять и присылать или делать. - Сохраняет память про тебя в текстовый файл (в этом ближе к chatGPT, чем Claude Code, у которого контекст ограничен проектом). Правда, иногда всё забывает, но это можно лечить. - Может сам себя совершенствовать, находить и добавлять себе новые скиллы и саморазвиваться. - Может пользоваться браузером, камерами и другими устройствами.

То есть это на самом деле первое настоящее приближение к фильму HER. Настоящий такой AI-ассистент (или сотрудник), который прям многое может делать.

Это уже даже не просто «сделай мне приложение Х». Из OpenClaw можно сделать сотрудника, которого попросить сделать приложение Х, а потом раз в полчаса проводить рисёрч рынка, придумывать новую фичу, которая будет приближать к какой-то большой цели, и делать её. И он, блин, реально, это делает!

Да, это всё жутко небезопасно сейчас и подвержено примитивнейшим промпт-инъекциям. Если давать ему доступ к своему реальному компьютеру или аккаунтам, могут всё увести. Поэтому люди ставят OpenClaw на виртуальные сервера или на старые ноуты или даже покупают отдельные макмини (если вы модный айтишник из Сан-Франциско).

И да, это супер-неудобно и во многом не user-friendly, постоянно ломается, надо всё настраивать самому. Ну как настраивать, попросить своего OpenClaw настроить себе что-то или научиться чему-то, и он обычно сам разбирается с минимальной внешней помощью.

Но в любом случае момент воспринимается как переходный в индустрии. Смена стратегии для многих компаний. Будущее, которое неожиданно оказалось здесь быстрее, чем мы ожидали. Да, через год-другой появятся нормальные решения от мейнстримных игроков, и такие агенты станут нормой. А сейчас — можно успеть подготовиться к будущему.

Ну и поиграть с огнём прикольной штукой.

Привет, подписчик!

В начале октября буду менторить и консалтить, а может еще и чего делать на Epic Growth 25 (https://egconf.io/). Приходите знакомиться! А чтоб точно получилось, я разыграю один из своих "плюсовых" билетов! Но, как обычно, просто так ничего не бывает, и мне захотелось немного вас почеленджить и заставить пофантазировать.

Представьте, что мы с вами ВНЕЗАПНО получили наследство от богатого родственника-стартапера, и решили запустить что-то крутое на текущем рынке в России. Короче, деньги есть. Да и партнеры все хотят с вами работать.

Вот так вышло (ну я так решил, да), что у вас фокус на финансовых продуктах. И вы фанат ИИ (все модное, смотрите-ка, ну и все сильно напоминает посты выше в канале, что логично). И вы хотите сделать супер запуск финансового продукта, с ИИшкой под капотом, или как основной фичей, ну или вообще как угодно, НО ЧТОБ БЫЛО ИИ!

Подготовьте мини рассказ, не больше 3х страниц:

Что это будет? Кто будут ваши пользователи? И почему? Какая основная гипотеза стоит за вашим продуктом (как проверим PMF)? Сколько денег кажется, что на этом можно заработать, и какие ресурсы нужны для реализации?

Не больше 3х страниц, пожалуйста, если коротко не ложится, значит что-то не так с идеей. Пользуйтесь хоть большой советской энциклопедией, хоть спросите маму, хоть чатикГПТ. Но прочитайте, что получилось, особенно после ИИ, я буду прям выбирать.

Решения присылайте на mr0kapass@gmail.com с темой “Кейс для розыгрыша билетов EGC25” до 10ого сентября, и я сам выберу победителя!

Всем спасибо, увидимся на конфе лично 🙂 (если что, даже не реклама, а дружеское ! Вот!)