Никита Остапчук

Про правильные решения с ограниченным сроком годности

Я не очень верю в методологии. Верю в то, что работает прямо сейчас — и в то, что это «сейчас» имеет неприятное свойство заканчиваться.

Первые несколько лет в Детском мире у нас в бэклоге были в основном задачи, для которых уже существовали понятные решения на рынке. И мы работали с ними как с проектами — это позволяло быстро бежать, срывать «low-hanging fruit» и фокусировать очень ограниченные ресурсы команды в конкретных точках приложения силы и энергии.

Всё отлично работало. Но... В какой-то момент продукт достиг паритета в функциональности с конкурентами, команда и ТТМ выросли в несколько раз, а задачи стали таить в себе гораздо больше неопределённости.

Тогда это потребовало трансформации операционной работы: с движения проектов на работу через гипотезы и исследования.

Метрики показывают такие моменты довольно честно и довольно быстро, но при этом всем участникам, включая меня, конечно, было тяжело смириться с идеей, что то, что ещё вчера работало и было правильным решением, сегодня уже мешает тебе развиваться.

Это касается не только «проектного» и «продуктового» подхода. Также держатся за структуру, которая когда-то спасла компанию, за управленческий стиль, который когда-то вывел из кризиса.

Ни один подход не является правильным сам по себе. Правильным он является ровно до тех пор, пока совпадает с тем, что перед тобой на самом деле, а не с тем, к чему ты привык.

Я не верю в методологии. Я верю в то, что реальность меняется быстрее, чем моя привязанность к тому, что сработало в прошлый раз 🖤

Делюсь с вами интересным. Периодически кручу у себя в голове идею о том, что классно было бы плотнее поработать с традиционными бизнесами, у которых есть клиенты, стабильная выручка и маржа, но всё работает «по-старинке», и там есть поле, по-о-о-лищее для оптимизации и автоматизации с AI.

Недавно оказалось, что не я один такой умный и для этого уже придумали название — AI rollups. Давайте и вам расскажу.

Идея простая: выбираем нишу, скупаем там старые бизнесы, заменяем всё на AI, повышаем таким образом маржу и улучшаем продукт, и объединяем в один новый модный бизнес.

Ага, пока вы это читаете, проклятые капиталисты венчурные деньги методично скупают бухгалтерские конторы, парковки, управляющие компании ЖК и call-центры.

Выглядит это всё очень хорошо, по крайней мере на бумаге: это и способ значимо улучшить сервис для людей, и денежный exit для старых владельцев, и отличный предсказуемо масштабируемый бизнес сам по себе, т.к. фактически ты покупаешь готовую аудиторию и быстро делаешь им лучше.

Но! Всегда есть но... Понятно, что «просто» перевести на агентов не получается. У бизнесов часто даже CRM нет, а если бизнес не оцифрован, агентов запускать особо некуда. А ещё это старые операционно инертные бизнесы, и менять их сложно. А ещё есть клиенты, которые годами обслуживались в этих бизнесах. И команды, которым предстоит справиться с кучей изменений. А люди — довольно консервативные существа

При этом я верю: денег здесь всё равно может быть много. И трансформации, реально нужной пользователям, — тоже.

Несколько историй, за которыми любопытно следить:

— Metropolis. Скупает парковочных операторов и переводит на компьютерное зрение: въезд-выезд без тикетов. В 2025 подняли $1.6B при оценке $5B, крупнейший парковочный оператор США. Растут на автоматизации оплаты, но параллельно копят иски за приватность и ценообразование.

— Long Lake. Начинали с управления жилыми комплексами, дошли до $100M EBITDA за два года на $670M инвестиций.

— Dwelly. Лондонский стартап (2023), скупает агентства аренды недвижимости и автоматизирует общение с арендаторами и сбор платы. 17 агентств, 15 тыс. объектов; один менеджер теперь ведёт 300 объектов вместо 100.

— Accrual. Вышли в 2026 с раундом на $75M, который возглавил General Catalyst, но не скупают фирмы, а встраивают AI-агентов в существующие как софт-партнёр. Растут через партнёрства, а не M&A.

Короче, ближайшее будущее — это не только новые модные и блестящие AI-стартапы, но и старые бизнесы на стероидах.

Неочевидный признак выгорания

Сегодня про выгорание. Вляпаться чертовски легко, особенно если сильно увлечён работой, а восстанавливаться потом — целая матерная история в трёх актах.

Есть один особенно показательный признак, который (среди прочих) сигнализирует, что вы не просто устали, а прям стремительно катитесь к состоянию «в угли».

Признак этот формулируется как «деградация коммуникативных функций». За несколько дней такую не приобрести — это накопительный процесс.

Как выглядит такая деградация:

— Резко и ощутимо повышается уровень цинизма. Например, вам было свойственно сопереживание и сочувствие, а за последние пару месяцев они заменились на «ну штош, выживает сильнейший, кто умер — тот сам виноват».

— Урезается эмпатия. Вовлекаться в чужие эмоции не просто не хочется, но буквально не можется. Причём это не про одного конкретного человека: отдельный мог задолбать и раньше, а тут — концептуально, ко всем (или многим), и так раньше не было.

— Жёстко повышается раздражительность. То, что раньше просто не нравилось, начинает поджигать так, что аж пол расплавляет. И рвёт не на одну и ту же ситуацию, как раньше, а на целый веер кейсов, которые прежде даже не цепляли.

— Активизируется правдорубство. Там, где раньше спокойно проходили мимо, на волне раздражительности и цинизма от души тянет просветить окружающих, где и почему они мудаки. Причём тормоза постепенно отваливаются, и вы начинаете позволять себе больше, чем стоило бы.

— Редуцируется эмоциональный спектр. Положительных эмоций от общения с людьми всё меньше, их разнообразие скудеет. Негативных вроде становится больше, но их палитра тоже сужается. И вот вы уже можете только орать чайкой в одной тональности.

Выгорание выжигает нас не только в сфере работы, оно начинает расползаться и на другие сферы — потому оно такое опасное. И социальная сфера довольно быстро начинает крошиться.

Поэтому, если вы видите у себя хотя бы один пункт из списка выше, это повод крепко напрячься. И нет, сами по себе эти пункты не дают основания диагностировать выгорание, но это — чертовски тревожные симптомы, которыми категорически не советую пренебрегать.

P.S. Берегите себя и свои кукухи, мои хорошие.

Почему не стоит посылать коллег

Сегодня участвовал в потрясающем диалоге, случившемся из-за точки зрения «если мне прислали на ревью кривые макеты, то объяснять ничего не буду, просто скажу, чтоб срань свою в мусорку выкидывали и переделывали. Кто обидится, тот чмошка соевая, не мои проблемы».

Не буду спорить о том, нужно ли объяснять человеку, что не так с его документом (нужно). Хочу поговорить о второй половине тезиса — «обидится, не моя проблема».

Это опасная стратегия. Авторы подобных тезисов обычно сильно недооценивают, сколько ущерба способен нанести один обиженный коллега — и как быстро это перестаёт быть проблемой одного человека.

Дизайнер, которому ты бросил «макет так себе, переделай» без единого пояснения, перестанет предлагать три варианта вместо одного. Сделает ровно то, что написано в тикете — ни граммом больше. И тот самый один процент случайной магии, который обычно отличает хороший продукт от просто рабочего, исчезнет незаметно.

Стейкхолдер, чей трёхстрочный бриф без единой цифры ты отфутболил с сарказмом, не станет спорить напрямую. Он в переписке с твоим руководителем аккуратно упомянет, что «с продуктом стало сложно работать», и оставит такой отзыв в перформанс-ревью, если оно есть, чтоб заплакали все читающие.

Другой продакт, которого ты разгромил на ревью роадмапа при всей команде, вдруг обнаружит, что у его людей «нет ресурса» именно на ту интеграцию, которая нужна тебе к следующему кварталу. Совпадение, разумеется.

А ещё частно командная работа строится на мелких одолжениях друг другу, и вы потом у обиженного снега зимой не допроситесь.

Магистр Йода говорил: «Страх ведёт к гневу, гнев ведёт к ненависти, ненависть ведёт к страданиям». Резюмируя, не страдайте лишний раз почём зря. Доброжелательное нейтральное общение невероятно экономит нервы.

История 3. Тут кирпичик ещё старше первых двух. В 1637 году философ и математик Рене Декарт предложил штуку, которая сегодня кажется очевидной: любую точку на плоскости можно описать парой чисел — координатами. До этого геометрия и алгебра существовали как будто в разных мирах, Декарт их поженил. Так мы приходим к пониманию того, что данные могут быть точками в пространстве.

Возьмём квартиру. У неё есть площадь, этаж, расстояние до метро. Три числа — три координаты. Квартира — точка в трёхмерном пространстве. Добавьте ещё сто параметров — и это уже точка в стопятимерном пространстве, которое невозможно представить, но с которым прекрасно работает математика.

Товар в каталоге — тоже точка: цена, рейтинг, категория, CTR за последний месяц. Пользователь — тоже точка: история покупок, средний чек, устройство, регион.

И как только вы начинаете думать про данные как про точки в пространстве, почти все ключевые понятия машинного обучения превращаются в геометрию:

• Классификация → это проведение границы между двумя облаками точек, «купит» с одной стороны, «не купит» — с другой.
• Похожесть → расстояние между точками: два товара похожи, если их точки стоят рядом.
• Рекомендация → поиск ближайших точек к вам в этом пространстве.
• Экстраполяция → достраивание линии в ту область пространства, где точек никогда не было.

Это не метафора ради красоты. По сути именно так построены современные системы поиска и рекомендаций: товары и запросы превращают в векторы — наборы чисел, то есть координаты в пространстве, — и дальше вся система работает с геометрией этого пространства: ищет ближайшие точки, проводит между ними границы, группирует по кластерам.

Декарт, разумеется, ни о чём таком не думал — он просто хотел рисовать кривые уравнениями. Но координаты, придуманные для двух измерений, прекрасно дожили до эпохи, где измерений тысячи.

Вот, собственно, и всё: три идеи, разбросанные по четырём столетиям, сложились в то, что мы сегодня называем искусственным интеллектом.

Не History Channel, конечно, но тоже неплохо я считаю.

Продолжение — в следующих постах.

История 2. В 1943 году нейрофизиолог Уоррен Маккалок и логик Уолтер Питтс предложили смоделировать нейрон предельно грубо: на входе несколько сигналов, каждый что-то «весит», и если сумма взвешенных сигналов превышает порог — нейрон срабатывает и передаёт сигнал дальше. Никакой биологии, только сложение и порог.

Из этой идеи в 1958 году Фрэнк Розенблатт собрал настоящую машину — перцептрон. Главное отличие от идеи Лагранжа: перцептрон не вычислял готовую формулу, а сам подбирал веса — смотрел на ошибку, чуть подкручивал коэффициенты, смотрел снова. New York Times тогда писала, что скоро эта штука научится ходить, говорить и, кажется, размножаться (спойлер: не сразу, и не в 1958-м). Потом выяснилось, что один такой нейрон-переключатель не решает даже элементарные логические задачи, и тема почти на десять лет умерла. Но идея — учиться на ошибке, а не вычислять по готовой формуле — осталась и стала фундаментом всего, что сегодня называют нейросетями.

Проблема в другом: чтобы что-то взвешивать и складывать, нейрону нужны на входе числа. А если у вас на входе не числа, а, например, машина, товар или человек?

История 1. Представьте: на графике раскиданы несколько точек, и нужно провести через них одну функцию — так, чтобы она прошла ровно через каждую. Если точек n, хватит многочлена степени n−1: он гарантированно попадёт во все точки без исключения. Такое точное прохождение через каждую точку называется интерполяцией. Способ обобщил и довёл до формулы французский математик Жозеф Лагранж — конец XVIII века, компьютеров тогда не было вообще, всё руками.

Красиво? Да. Работает? Пока точек мало — вполне. Но добавьте их сотню — и начинается цирк: многочлен сотой степени пройдёт через каждую точку идеально, а между ними будет вытворять что-то невообразимое, чего в исходных данных и близко не было.

С похожей проблемой примерно двести лет назад столкнулись астрономы. В 1801 году открыли карликовую планету Цереру, понаблюдали за ней немного — и потеряли из виду, она скрылась за Солнцем. Данных мало, а предсказать, где она снова появится, очень хотелось. Молодой Карл Гаусс предложил не гнаться за точным совпадением с каждым наблюдением, а найти кривую, которая просто стоит близко ко всем сразу. Не интерполяция, а аппроксимация. Церера, кстати, нашлась именно там, где предсказали расчёты — а предсказание за пределами уже увиденных данных с тех пор называют экстраполяцией.

Но зачем вообще малевать многочлены? Мозг ведь не решает уравнения, когда вы отличаете кота от собаки на картинке. Как это тогда работает?