Продуктовый ларек | Кирилл Брызгунов

Rest in peace, просто софт

До сих пор тяжело поверить, что мы вступили в новую эру IT-продуктов. Еще пару лет назад всякий полезный софт вполне себе ценился. Сделал удобную приложуху для мака – закинул в App Store (или на свой сайт, если не хочешь платить огромные комиссии), и при должной огласке люди эту штукенцию покупают и радуются.

Сейчас про это можно потихоньку забывать. И как же это кайфово для таких, как я, любителей изобретать велосипед ценой сладких токенов. За всех не отвечаю.

В посте выше Глеб пишет про чувака, который написал свой фотошоп. Космос.

Я пока на такое не замахиваюсь, но на днях впервые проломил лед: навайбкодил чисто для себя нишевую утилиту, которую думал купить, но жалел такой ценный ресурс, как bablo.

Я играю на своем мак мини с широким монитором и хочу запускать игры в обычных 16:9 – с черными полосами по бокам, но без потери четкости, когда бедный компик не вывозит.

Так игры выдают больше ФПС. МакОС, к сожалению, так не умеет: при смене разрешения экран либо шакально растягивается, либо картинка портится.

Проблему решала приложуха за 22 бакса – имхо, неудобная. Но...

Клод сделал мне аналог за две итерации. Теперь у меня своя бесплатная софтинка, которая режет экран как мне хочется. Работает шикарно, я крайне доволен.

Конечно, еще долго будут те, кому сильно проще купить, но их будет все меньше. Поэтому давайте мило опенсорсить и радоваться новой жизни!

AI-клаустрофобия

AI FOMO у меня никогда особо не было. Есть пара классных каналов, плюс рилсы, линк, иногда X – ничего важного я не пропускаю. Зато всё это важное сыпется из этих щелей каждый день, и его стало слишком много.

Подходящего названия для этого ощущения я не нашёл, поэтому поразгонял с жптхой, и мы придумали своё – AI-клаустрофобия. Инструментов вокруг так много, что среди них становится тесно и душно.

ИИ-сервисов стало ну просто ужас сколько, прям до тошноты. Бесконечные локальные модели, скиллы, плагины, агенты, субагенты, MCP-серверы, харнессы и новые фронтирные фичи. Взять тот же Гермес. Скачайте, посмотрите сколько там скиллов предустановлено и прочего харнесса.

С видосами вообще чёрт ногу сломит. Одна моделька для оркестрации, другая для промптов, третья для картинок, четвёртая для lip sync, пятая для самой генерации. Спасибо Машрабову за Higgsfield – не нужно весь этот зоопарк собирать по отдельности.

В какой-то момент уже не хочется открывать очередную подборку, потому что полезного там наверняка слишком много.

И всё это ещё и постоянно обновляется. Только разобрался, что к чему, – сверху уже что-то новое. Одно противостояние Opus 5.5 и GPT-6 Astra чего стоило. Я так восхищался Астрой, что апгрейднулся до подписки за $100. Потом Опус поразил ещё больше, и на Астру я теперь смотрю с легкой брезгливостю, ничего не могу с собой поделать, ужас. Хотя Астра топчик. Извини, Сэм.

Или вот: затестил скилл для моушен-дизайна и поразился. Через пару недель он уже кажется булщитовым на фоне нового звёздного. Планка опять уехала. Завтра покажу.

Поэтому всё разумнее кажется намеренно ограничить себе скоуп инструментов и не запариваться с лишней оптимизацией. Не искать каждый раз, чем заменить то, что уже нормально решает задачу. Новый инструмент брать, только когда понятно, зачем он нужен. Я не говорю тут про тотальный какой-то информационный ии-детокс, просто не стоит увлекаться чрезмерно, если что-то похожее испытываете.

Спасает, что фронтирные ассистенты всё больше становятся all-in-one, как те самые шампуни 30 в 1. В том же Клоде можно и над презами работать, и прототипы собирать, и данные разбирать с лютым кайфом, а через Claude Code и Remotion – ещё и видео делать. Там появляется правда новая проблема перегрузки внутренними инструментами, но юиксовые гении антропиков справляются пока, не тошнит.

А самое крутое – для многих задач модель уже сама даёт годный результат, без возни со скиллами и промптами. Со сложными доменными задачами отдельная история, но обвешиваться надстройками нужно далеко не везде. (в дискавери штуках, правда, печалька)

Возвращаясь к посту про недельную конкуренцию, все же интересно поразмышлять, будет ли дальше это усугубляться или, наоборот, фронтир все на себя заберет. Посмотрим.

Испытывали что-то подобное?

👍 - больше инструментов, больше кайфа
😎 - длиннопосты я не читаю, вот что я тебе скажу
😓 - понимаю..понимаю..

а для кого-то вайб – сидеть в купе ночного пятнично-субботнего поезда и делать презу к семинару после небольшой, но добротной двухдневной командировки, чтобы утром приехать домой и сразу отправиться до вечера на пары рассказывать, как весело жить продактам 💼

😎 - ну вайб, да
😓 - эм, нет, антивайб
…
❤️‍🔥 - урааа, наконец-то не длиннопост

Универсальные решения сдают позиции

Всё чаще вижу, как люди вместо поиска / пробы полезной приложухи (например, подходящего трекера привычек или бюджета) садятся вечером с Клодом/Кодексом и собирают свою. Иногда на это даже уходит больше времени и денег на токены и подписки, чем стоило бы готовое. И часто результат никуда не выкладывают, делают только для себя. Ну или выкладывают чисто для приличия. 👀

Раньше собрать продукт было долго и дорого, поэтому мы мирились с тем, что готовое решение закрывает основную задачу на 70%, и при этом состоит на 50% из ненужного функционала. Сейчас же можно за вечер собрать решение на 100% пользы и 0% лишнего. И с каждым годом такое решение становится все эффективнее и эффективнее.

Это частично подтверждается интересной статистикой App Store. С 2016 по 2024 год число новых приложений сократилось примерно на 48%. Но в 2025 году тренд резко развернулся: вышло почти 600 тысяч новых приложений, на 30% больше, чем годом ранее. А только за первую половину 2026-го – уже около 560 тысяч, примерно вдвое больше, чем за тот же период 2025 года.

При этом спрос почти не изменился: число скачиваний за первую половину 2026-го выросло всего на 2%. Новых продуктов стало вдвое больше, а объём скачиваний практически не вырос – поэтому простому массовому продукту становится всё сложнее пробиться к пользователю.

Почему люди тратят время, когда готовое решение есть, давно объясняет поведенческая экономика. Эффект IKEA: вещи, собранные своими руками, мы ценим выше купленных.

Экономисты из Кильского университета предсказывают то же самое: станет больше проектов, которые пишутся под нужды автора и никуда не выкладываются.

Готовые решения при этом останутся. Экономист Дэвид Клотц разбирает, где ИИ сдвигает выбор «сделать или купить» в сторону «сделать». Это типовые утилиты и решения, которые дают отличие от конкурентов. Регулируемые и критичные системы по-прежнему выгоднее покупать. Одна из причин: 60–80% стоимости софта уходит на поддержку, и эту часть ИИ сокращает куда слабее, чем написание кода. Личный таск-трекер сломался, пересобрал за вечер. CRM на 200 менеджеров так не пересоберёшь.

Мелкие утилиты уже под давлением, и граница будет сдвигаться к продуктам посложнее. Я бы сейчас смотрел в сторону рельсов: давать надёжную основу из данных, интеграций, инфраструктуры и безопасности, поверх которой человек сам соберёт удобное под себя. Самую дорогую часть, поддержку, забирает на себя сервис, а персонализацию человек сделает сам.

Забавно, что эта система уже работает внутри бигтехов. Разные команды плодят десятками разные "удобные" продукты под себя, в итоге в компании есть под 10 разных "полезных" ИИ и никакой согласованности. ➕ Решением тут, опять же, вижу упомянутую выше систему "рельсов".

Многоплановость мышления

У Набокова в «Даре» есть красивое описание творческого мышления. Его герой разговаривает с человеком, одновременно замечает сходство тени телефонной трубки с муравьём и вспоминает солнечный вечер на русском полустанке. Одно не мешает другому: из разговора, наблюдений и памяти складывается объёмное восприятие происходящего. Для героя-писателя это материал для творчества: случайная деталь может вызвать воспоминание, а их сочетание – подсказать образ или сравнение, которое иначе не пришло бы в голову. Благодаря этому он может передать не только то, что произошло, но и то, как это переживалось.

Набоков называет это «многопланностью мышления». Конкретизируя, это способность воспринимать одну ситуацию сразу в нескольких слоях и замечать связи между ними. В продуктовой работе такой навык тоже очень нужен.

Интересные решения иногда приходят из-за пределов профессии, если такие пределы вообще можно выделить.

Приведу несколько примеров:
– В детском ассистенте мы добавили игровую механику квеста в онбординг, чтобы дети лучше вовлекались и больше понимали, что это за продукт.
– В системах с несколькими ИИ-агентами используется знакомый принцип разделения труда: один агент разбивает задачу на части и распределяет работу, другие выполняют её, отдельный агент проверяет результат. Оркестрация агентов во многом решает те же вопросы, что и управление командой: кто за что отвечает, кому какая информация нужна и как собрать общую работу из отдельных результатов.
– Графы в базах знаний, например в Obsidian, позволяют увидеть связи между заметками, которые лежат в разных папках. Некая паутинка.

Во всех этих случаях полезным оказывается знакомый принцип, которому нашли применение в другой задаче.

Когда привычки рассматривать ситуацию в нескольких контекстах нет, легко остановиться на первом убедительном объяснении.

Пользователям больше нравится новая модель? Значит, она стала лучше. В апреле 2025 года OpenAI выпустила обновление GPT-4o, опираясь в том числе на положительные результаты A/B-тестов, хотя некоторые эксперты замечали странности в поведении. В итоге обновление пришлось откатить: модель слишком охотно соглашалась с пользователями и поддакивала им. Людям действительно может нравиться ответ, который подтверждает их правоту. Но понравившийся ответ и полезный ответ – разные вещи. Здесь важно одновременно понимать и то, чему обучается модель, и то, за что человек ставит ей лайк.

При этом широкий кругозор сам по себе ещё не делает мышление творческим. Можно знать про графы, игровые механики и устройство нейросетей, но в работе каждый раз действовать по привычке. Знания нужно пробовать в деле: разобрать, почему чужое решение работает, найти похожую задачу у себя, проверить, что можно перенести, а что сломается из-за разницы в условиях. Тогда прочитанное постепенно становится опытом, которым умеешь пользоваться. Просто вспомнить к месту интересный факт тоже приятно, но хочется, чтобы он иногда помогал придумать что-то своё.

Если подобное даётся тяжело, я бы рекомендовал чаще размышлять над вещами, которые цепляют вне работы. Прям целенаправленно осмыслять то, что узнали, прочитали или увидели. Так у новой информации появляется больше связей с тем, что вы уже знаете. Возможно, потом именно из такого сочетания и родится идея для рабочей задачи. При чтении книг тоже супер полезно иногда останавливаться на подумать и переварить. Многие злоупотребляют чтением на скорость, но пользы, кроме номинального роста прочитанных страниц в этом нет.

Как ИИ-прототипы хакают ваши мозги

ИИ создал довольно интересную проблему в продуктовой разработке.

Сейчас между «есть идея» и «вот вполне рабочий продукт» лежит до смешного малое количество времени, 10 минут или пару часиков, неважно. Вы все уже это знаете, тут никого не удивить. Можно быстро собрать интерфейс, онбординг, анимации, данные, рабочий happy path, получив по пути кучу дофамина.

И мне кажется, здесь очень легко попасть в ловушку. Пока продукта нет, довольно естественно спрашивать: «А это вообще кому-то нужно?»

Но когда перед тобой уже что-то красивое и работающее, вопрос незаметно меняется: «Как сделать это еще лучше?»

Хотя с точки зрения доказательств могло не измениться вообще ничего.

Условно:
- Степень визуальной проработки решения: 1/10 → 8/10.
- Доказанность гипотезы: 1/10 → 1/10.

Гипотеза выглядит красиво! Значит нужно пилить продукт!!

У этого есть корни в психологии. Еще в 1978 году John Carroll исследовал эффект, связанный с mental simulation (мысленным моделированием): если определенный исход легче представить, люди могут оценивать его как более вероятный.

Рабочий прототип это как раз почти идеальная машина для такой симуляции. Тебе больше не нужно представлять мир, в котором продукт существует. Ты уже можешь открыть его и получить результат.

Плюс есть известный aesthetic-usability effect: визуально привлекательные интерфейсы люди склонны воспринимать как более удобные. На эту тему тоже есть известное исследование.

И это особенно интересно сейчас, потому что визуальная убедительность продукта стала невероятно дешевой. Еще несколько лет назад красивый интерфейс, нормальные состояния, анимации и работающий сценарий означали заметный объем вложенной работы. Сегодня большую часть этого можно получить за несколько промптов.

Однако есть и еще одна проблема.

В одном интересном исследовании и тот же интерфейс получал более высокие оценки и меньше критики, когда людям показывали его как единственное решение. Когда тот же интерфейс показывали рядом с альтернативами, люди становились заметно критичнее.

И вот здесь мы подходим к главной ловушке ИИ-прототипов:

ИИ позволяет очень быстро сделать один убедительный вариант – и начать его улучшать, не задумываясь о его продуктовой полезности.

Это, разумеется, не повод отказываться от ИИ-прототипов. Просто нужно делать это с умом. Гораздо полезнее использовать новую скорость наоборот.

Не:
идея → прототип → полировка
а:
проблема → 5 совершенно разных решений → сравнение → проверка → прототип.

И для этого тоже есть хорошее исследование. Да-да!

Исследователи сравнивали последовательное и параллельное прототипирование. Люди, которые сначала делали несколько альтернатив, в итоге создавали более разнообразные и более сильные решения.

Как итог: проблема не в том, что с ИИ мы слишком быстро прототипируем. Это наоборот круто, это прогресс. Проблема начинается, когда мы слишком быстро верим первому прототипу, иногда даже неосознанно.

Тут важно не обманывать себя и команду и трезво понимать, что красивый прототип не отменяет бизнесовых и продуктовых вопросов о полезности и прочем, он скорее ускоряет определеную область работы и упрощает коммуникацию. Ну и не забывать про пользу генерации Х разных прототипов, никогда не останавливаетесь на одном. Я, кстати, почти всегда стараюсь этим методом пользоваться, благо клод/жпт отлично справляется с задачей создания большого кол-ва вариантов UI решений.

Финальную мысль я бы сформулировал так:

"Не позволяйте качеству реализации обгонять качество доказательств".

P.S. Понимаю, что многим тяжело и не хочется читать лонгриды, поэтому начинаю экспериментировать. Начну с TL;DR картинок. Выглядит прикольно как по мне!

Лучший преподаватель

Делюсь клёвым достижением! За первый год преподавания в Вышке удалось получить приятный и тёплый статус – особенно ценный, так как лучших преподавателей выбирают сами студенты.

Мой внутренний скептик, конечно же, обесценивает очередное достижение, но я хочу с этим бороться и стараюсь искренне радоваться! ❤️ (кстати, получается, все норм)

Спасибо студентам за выбор, а определённым преподавателям — за предоставленную возможность и некогда привитый интерес! 📝

Двигаемся дальше!!

День знаний

Кто бы мог подумать, что преподавать в большинстве своем значительно кайфовее, чем обучаться. Поэтому сегодняшний день знаний я впервые с первого класса ждал с предвкушением.

Благодарен судьбе за возможность преподавать и передавать знания студентам, помогать им и получать от этого удовольствие. До этого опыта я не думал, что это приносит столько положительных эмоций. Приезжать/уезжать на пары, когда ты студент и когда ты преподаватель, это совсем разные вайбы, поверьте! 💺

Скоро будет крутой постик про моё преподавание, ждите! А за ним еще один.

А пока можете заценить, что происходит с dumai, времени немного, но он постепенно становится лучше и лучше!

btw, если вы хотите мне помочь, вам интересна наука в каком либо виде и/или вы просто хотели бы быть в курсе актуальных научных исследований - напишите мне в личку, я думаю провести небольшую серию интервьюшек 🔭

Черные дыры и дизрапт рынка

Пост содержит крайне много букв, но я вам рекомендую не пугаться. Тема стоит того!

Недавно наткнулся на красивую идею из физики: если очень долго улучшать компьютеры, в какой-то момент можно прийти к чёрным дырам.

Компьютер состоит из материи, поэтому у вычислений есть физические ограничения. Информацию нужно где-то хранить, изменение её состояния требует энергии, а сигнал не может передаваться быстрее скорости света. Ещё нельзя бесконечно увеличивать количество информации внутри одного и того же объёма.

Физики давно пытаются понять, где находятся эти пределы. Сет Ллойд из MIT ещё в 2000 году посчитал характеристики условного «предельного компьютера», возможности которого ограничены уже не технологиями производства процессоров, а законами физики.

А в исследовании 2023 года физики Гиа Двали и Заза Османов пошли дальше и рассмотрели чёрные дыры как возможный инструмент квантовых вычислений у очень развитых цивилизаций.

Почему вообще чёрная дыра?

Чем плотнее мы пытаемся упаковать информацию, тем сильнее в какой-то момент начинает мешать гравитация. Есть предел, после которого дальнейшее сжатие вещества приводит к образованию чёрной дыры. Получается странная штука: один из самых компактных способов хранить огромное количество информации, разрешённых известной нам физикой, связан именно с чёрной дырой.

Масштаб сложно представить. Чёрная дыра массой с Солнце была бы шаром радиусом около трёх километров. При этом количество её возможных квантовых состояний соответствует примерно 10⁷⁷ битам информации.

10⁷⁷ само по себе ничего не говорит, поэтому другое сравнение. Во всей Земле примерно 10⁵⁰ атомов. Даже если представить, что каждый атом Земли хранит один бит, между этими величинами всё равно останется разница примерно в 10²⁷ раз.

Это не значит, что чёрную дыру можно использовать как гигантский SSD и записать туда фотографии. Речь про фундаментальный предел того, сколько информации физическая система такого размера и массы способна содержать.

И вот здесь мне становится интереснее сама логика, которая привела физиков к чёрной дыре.

Но какая тут мораль для нас?? Куда столько букв?? 🤦‍♂️

Мне кажется, для продакта и не только здесь есть полезный способ думать о задачах.

Мы часто начинаем с существующего объекта: как улучшить отчёт, сделать удобнее фильтр, ускорить сценарий, добавить AI в интерфейс. Но так легко годами улучшать конструкцию, которая появилась из старых ограничений.

Полезнее сначала понять, что именно мы оптимизируем.

Например, человек открывает аналитический продукт, чтобы понять причину проблемы и принять решение. Тогда дашборд сам по себе не цель. Можно сколько угодно улучшать графики и фильтры, но если настоящая задача в том, чтобы быстро найти проблему и понять её причину, то предельное решение может вообще не содержать дашборда. Система сама заметит аномалию, проверит гипотезы, соберёт доказательства и покажет вывод.

Отсюда мне нравится простой вопрос: что получится, если довести нашу задачу до предела?

Что станет с продуктом, если AI подешевеет в сто раз? Если система сможет сама выполнять почти любое действие? Если пользователю больше не придётся разбираться в интерфейсе? Если ответ можно будет получать за секунду?

Такие вопросы помогают увидеть вещи, которые плохо видны из текущего бэклога.

Радикально новое решение часто появляется не тогда, когда мы лучше оптимизируем существующий объект, а когда заново формулируем, что вообще хотим оптимизировать и какие ограничения действительно важны.

Иногда после этого выясняется, что идеальная версия продукта совсем не похожа на продукт, который мы сейчас улучшаем.

Как компьютер, который в пределе становится чёрной дырой.