Всеволод Устинов (канал: ai, стартапы, пост-ирония)

Миша Горелов из Finboo попросил рассказать о санкционных рисках при выплатах подрядчикам. Тема душная, но для международных компаний с распределёнными командами важная. Стандартная логика выплат выглядит так: 1. Есть 3 стороны: компания, подрядчики в разных странах и сервис выплат (payroll / COR / платёжный провайдер). 2. Компания платит провайдеру (юр. лицу) → Провайдер дальше самостоятельно маршрутизирует все выплаты получателям. Как и куда деньги в итоге приходят получателю – редко кого из фаундеров волнует, обычно важен сам факт: “оплата выполнена, деньги получены”. Но если в цепочке есть подрядчики из РФ или РБ, возникает санкционный риск, и тут уже важно понимать не только кому вы платите, но и: — в какой банк в итоге приходит платёж — не попадает ли банк под санкции — не используются ли в цепочке НСПК / «Мир» / СБП — через какие юрлица и из каких банков провайдер осуществляет выплату контракторам По санкционному комплаенсу ответственность за выплаты в подсанкционные банки лежит не только на платёжном провайдере, но и на компании-клиенте, которая обязана проверять всю платежную цепочку. И даже если ваш провайдер сейчас уже не делает подобные выплаты, но до 19-го пакета санкций, например, они были — плохая новость: ответственность ретроактивна, потому что основные банки попали под санкции ещё в первых пакетах. Хорошая новость в том, что риск снимается, если платёжная цепочка прозрачна и проверяема до конечного получателя. Это не про «как обойти», а ровно наоборот — про то, как платить распределённой команде, не нарушая санкционное законодательство. Ребята из Finboo уже больше 20 лет работают в сфере AML и комплаенса в ЕС, US и UK, и подробно рассмотрели эту тему в статье. Для подписчиков моего канала они готовы бесплатно разобрать текущий формат выплат подрядчикам и подсветить возможные риски. Можно забукать встречу на сайте или постучаться напрямую к ко-фаундеру Finboo Мише @mgorelovs

Выкладываю ключевые тезисы методологии Next Move Theory и AI-скиллы на их основе в открытый доступ Next Move Theory — это методология, которая даёт пошаговые алгоритмы для любых продуктовых задач. Она позволяет вам увидеть все тактические и стратегические ходы, которые вам доступны, и помогает выбрать наилучшую стратегию в вашей ситуации, что значительно растит вашу вероятность успеха. Next Move Theory — интегральная методология. Она объединила Advanced Jobs To Be Done, Юнит-Экономику, Riskiest Assumption Test, ABCDX-сегментацию, Теорию Ограничений и многие другие, чтобы дать возможность видеть все возможные стратегии. Да, Next Move Theory — это новое название методологии AURA. AURA было не очень удачным названием, хоть оно и приснилось мне 🙂 Сегодня я выкладываю примерно 25% тезисов этой методологии в открытый доступ [не переживайте, это 700+ страниц А4 тезисов], а так же AI-скиллы, которые опираются на эти тезисы. Скиллы для Claude Code / Codex, которые вам будут доступны: • ask-nmt — ваш продуктово-прошаренный бро. По-сути, цифровой Ваня Замесин • diagnose — скилл для поиска проблем и точек роста в существующем продукте • market-research — скилл для генерации сегментов, рискованных предположений, плана валидации, а так же рекомендаций по пивоту вашего чудесного продукта • craft-value-proposition — скилл для генерации гипотез ценности • product-reqirements — скилл для написания детальных продуктовых требований, по которым нейронки пойдут и сделают с первого раза нормально • craft-go-to-market — скилл для генерации текстов ленда и креативов Я написал канон и скиллы на английском для того, чтобы подарить Next Move Theory и Advanced Jobs To Be Done миру. Я очень прошу вас рассказать своим друзьям в США и Западной Европе. Sharing Kit лежит тут. Канон распространяется по лицензии CC BY-NC-SA 4.0, который запрещает коммерческое использование и разрешает цитирование с указанием авторства и источника. 🔗 nextmovetheory.com 🔗 репозиторий в GitHub

Ваня Замесин сделал невероятно крутую штуку! У него и так была очень крутая методология, но объяснить её агентам было сложно. А теперь Ваня сам собрал репозиторий с описанием методологии и основные скилы: диагностика продукта, анализ рынка, value proposition, product requirements, структура и тексты для лендингов и рекламы, анализ клиентских интервью. Я уже попробовал, это разъёб. И вы попоробуйте ↓

Как привлечь $4.5М, сделать пивот и выйти на рынок США: интервью с CEO Plurio (со мной) В четверг Денис Калышкин будет брать у меня интервью в прямом эфире. Денис — партнёр фонда I2BF, и автор канала «Спроси VC», будут интересные вопросы! 📍 Когда: 25 июня, 19:00 по CEST (ZOOM) На эфире мы обсудим: — как привлечь $4.5M — реальная история, цифры и инвесторы; — пивот продукта как точка роста; — как искали первых клиентов и осуществляли выход в США; — особенности развития международного бизнеса стартапа: что работает, а что нет; — что такое AI-native компания сегодня и как строить продукт на AI-агентах; — для кого работает Plurio и как продукт менялся под рынок. Для кого: - основатели стартапов на стадии привлечения инвестиций; - фаундеры, которые находятся в процессе пивота; - технологические предприниматели, планирующие выход на рынок США; - все, кто строит AI-продукты и хочет понять, как устроена AI-native компания изнутри. Спикер: Всеволод Устинов — Founder & CEO @ Plurio (ex-Elly). Привлёк $4.5M. 20 лет в paid media. Сейчас строит полностью AI-native компанию. Живёт и работает в Сан-Франциско (Калифорния, США). Вот его канал. Ведущий интервью: Денис Калышкин — инвестиционный директор американского венчурного фонда, 12+ лет опыта, основатель проекта «Спроси VC». Денис задаст вопросы, которые реально волнуют фаундеров — глазами инвестора и практика. Регистрация в боте.

Большая конференция "AI Skills" со спикерами из Miro, Avito, Yango, Nebius, TripleTen, HH, DoorDash Community Sprints собрал продактов, маркетологов, аналитиков, инженеров и фаундеров из топовых компаний, чтобы они рассказали самые свежие кейсы использования ai. Только то что реально внедрили у себя. Я тоже буду выступать. Расскажу как самые сильные перформанс-маркетинговые команды перестраивают работу вокруг ai: • Через Plurio проходит $500M+/год рекламного бюджета — мы видим вживую, как меняются перформанс-команды, когда часть рутины уходит агенту. • Как команды растят выручку в 2+ раза, одновременно снижая CAC на 20%+. • Но цифры это следствие; интереснее, что меняется в самой команде и в ролях. Ещё несколько интересных спикеров: • Рома Бунин — Head of Data @ Nebius Group. «Как измерить внедрение AI в большой компании: дашборды и метрики». • Костя Горский — Co-founder @ hirehire.me / hirehire.ai (ex-Intercom, ex-Yandex). «Что происходит с рекрутингом, когда везде AI». • Макс Епифанов — VP of Performance Marketing @ TripleTen. «Ключевые скиллы AI-native маркетолога». Конференция "AI Skills" пройдет 23-25 июня со стартом в 17:00 СET / 18:00 МСК Всё бесплатно и без необходимости регистрироваться на кучу TG-каналов. Сделано командой Community Sprints Просто клик и добавить инвайт из бота в календарь -> Регистрация на AI Skills конференцию от Community Sprints

AI marketing engineers — это новые джедаи Не так давно я думал что на ai marketing engineer подойдёт просто хороший middle/senior marketer с интересом к вайбкодингу. Как же сильно я ошибался! Человек, который автоматизирует медиабаинг, должен быть минимум director-level (это тот что после senior и team lead), с соответствующим опытом и компенсацией. Почему? Потому что он принимает финальные решения, какие ответы llm принять, а какие развернуть и идти отлаживать дальше. И то как он решит и будет считаться хорошим поведением всей системы. Соответственно, уровень доверия к нему должен быть практически как к топ-менеджеру. А если я не могу доверить этому человеку принимать финальные решения → значит мне надо самому погружаться в эти решения → и быстрее это сделать с агентами, а человек-посредник только помешает → и "сделать самому" это тупик. Чтобы так доверять, человек должен закрывать много галочек. Список конечен, но реально сложный! 1. Глубокая экспертиза в marketing / media buying Не “знаю Meta Ads”, а понимаю все нюансы необходимые для получения от Меты хороших результатов. Например: — какая структура и тактики самые эффективные после последних изменений алгоритма, — как рассчитать оптимальные ставки/бюджеты на каждый ad set от конечной цели, — какие ранние метрики есть и какие из них полезны чтобы делать actions раньше с минимальными потерями, — как скейлить ad sets максимально быстро, не тригеря learning phase — какие метрики в кабинете врут Люди, которые не закопали 10.000 часов в попытки разобраться в оптимальных подходах к Мете, просто не чувствуют где llm'ки несут чушь. 2. Сильный business judgment Нужно понимать не только CPA, CAC, ROAS, а какое место перформанс занимает в бизнесе в целом: — где канал создаёт новый спрос — где просто доедает существующий — где можно терпеть высокий CAC — где важнее volume — где важнее quality — как всё это влияет на P&L и когда пора менять всё дерево целей Опыта управления рекламными кабинетами недостаточно, надо нескольких лет реальной ответственности за кусок p&l, и правильных выводов из этого опыта. 3. Системное и процессное мышление Внезапно даже люди которые неплохо управляли рекламой руками и чувствуют что влияет на p&l, не могут разложить это знание на цепочку процессов со своими definition of done и граничными условиями так, чтобы вместе они закрывали всё пространство кейсов и со временем количество неожиданных ситуаций действительно уменьшалось. Иначе получается что мы просто добавили ещё один уровень абстракции и сложности, не сократив время и не увеличив эффективность. Как в анекдоте: "В результат выполнения проекта по автоматизации, удалось убить сразу двух зайцев: эффективность и качество". 4. Data fluency Маркетинговые данные почти всегда грязные. UTM съехали. Pixel недополучил события. Organic забрал часть результата. Influencer создал спрос, но конверсия пришла через direct. Кабинет показывает одно, backend другое. Автоматизация начинается не с AI, а с вопроса: “Каким данным мы вообще верим?” 5. AI / automation fluency И уже поверх этого нужны агенты, скилы, харнес, workflows, rules, ml, интеграции и вся остальная механика. Но это последний слой, а не первый. Поэтому настоящие AI marketing engineers — это не обычные маркетологи с вайбкодингом. Это сильные marketing operators, которые умеют мыслить как руководители, проектировать процессы как системные архитекторы и использовать AI как способ масштабировать собственный judgment. И таких людей очень-очень мало. Если это вы, посмотрите вакансию. Для вас есть супер амбициозная задача и вкусные условия. Если вы таких знаете, покажите им этот или этот пост. Если вам такой нужен, посмотрите https://plurio.ai/. Из сайта это может быть не очевидно, но мы буквально отлаживаем агентов, workflows и rules под ваш кейс.

Апдейт по Plurio.ai + мега вакансия Head of Performance Marketing (Meta) В начале марта мы вышли из беты, сделали ребрендинг и анонсировали раунд. С тех пор: - Подключили клиентов с совокупным ad spend 500 миллионов долларов в год 🚀 - Выросли по ARR в 4 раза за 12 недель ⭐️ - Наняли ещё трёх ai marketing engineers 🤖 Что даёт Plurio уже сегодня: 1. Раньше надо было самому часами разглядывать дэшборды → теперь Plurio делает глубокий анализ за минуты 2. Раньше надо было в эксельках рассчитывать оптимальное распределение бюджетов → теперь Plurio даёт оптимальный сплит по каналам, кампаниям и эд сетам 3. Раньше надо было вручную отсматривать все запущенные креативы в дэшбордах и корректировать ставки в кабинетах → теперь Plurio отстреливает/масштабирует/перезапускает креативы прямо в кабинетах автоматически 4. Раньше все решения по оптимизации Google/Meta/Tiktok принимались на интуиции → теперь Plurio анализирует исторические данные с помощью ml моделек и предлагает как сделать автоматические правила оптимизации ещё эффективнее. Сейчас есть 20 отлаженных workflows и rules, и каждую неделю релизим новые. Результат: - Один клиент увеличил количество новых платящих клиентов в два раза при той же стоимости - Другой сократил стоимость привлечения на 57% при том же объёме - И это не считая экономии 40% времени и ощущения super powers Теперь пора переходить на следующий уровень. От автоматизации отдельных регулярных действий → к полной автоматизации медиа баинга → и дальше к автоматизации всего цикла user acquisition. По сути строим user acquistion factory, которая работает в 10 раз лучше всего что люди могут делать сами с клодкодом. Начинаем с Меты. Для этого ищу Head of Performance Marketing со специализацией на Meta Ads Профиль: • Управлял бюджетом в $1m/m+ на Мету • Управлял вручную и строил команду медиа баеров, аналитиков и креативных продюсеров • Внедрял автоматизацию Меты инхаус или через внешние сервисы • Шарит за атрибуцию, web/app, mmp, отложенные конверсии, прогнозирование • Строил или помогал строить фабрику креативов Сейчас мы управляем $500m ad spend → долгосрочная цель $30b. Это "всего лишь" 10% от digital ad spend в нашей категории apps, subs & services. Условия: • ~$15k/m зарплата+бонусы на старте • Участие в leadership team и управление командой ai marketing engineers • Ремоут по времени США (Европа норм, Азия нет) Подробности и отклик по ссылке. Кто из ваших знакомых круче всех шарит в Мете? Перешлите ему, плз. Это очень важно.

Друзья, вы меня часто спрашиваете, как я отношусь к «ИИ слопу» — контенту, бездумно созданному с помощью ИИ. Вот мой текущий фреймворк для ответа на этот сложный, многогранный вопрос. @buzko_hub

AI-персона из транскриптов звонков помогает увидеть, где ломается маркетинговая воронка. До того, как ты потратил бюджет 🔥 #кейc Насти Рябовой, AI Strategy & Enablement Lead @ TripleTen 1. Почему нельзя просто попросить GPT представить, что он твой клиент? Обычно синтетические персоны ломаются в тот момент, когда ты просишь их оценить креатив или лендинг в лоб Модель подстраивается под контекст вопроса, включает sycophancy (склонность поддакивать и быть приятным собеседником) и уверяет, что продукт классный, а она бы его обязательно купила Вдобавок к этому вылезают еще две фундаментальные проблемы: • LLM-ки сильно усредняют разные сегменты между собой (mode collapse) • LLM-ки могут тащить культурные стереотипы из своей обучающей выборки (stereotype leakage). В итоге вместо честного фидбека получается удобный собеседник, который во всем с тобой согласен. 2. Как можно собрать синтетическую AI-персону учитывая эти особенности? Мы в TripleTen собираем этот слой, используя реальные данные о пользователях Выгружаем из CRM весь путь лида от клика на баннер до реакции на письма, подтягиваем логи онбординга и транскрипты звонков со всей цепочки продаж Заземляют модель (grounding) именно реальные цитаты и транскрипты • персона опирается на конкретные слова клиентов, это помогает минимизировать пространство для галлюцинаций • поверх материала мы задаём призму: фокусируемся не только на дословных репликах, но и на том, как именно лид принимает решения, где сомневается и как выбирает альтернативы В итоге из сырых цитат собирается decision pattern человека. Для нас это инструмент логического ревью: способ быстро прогнать контент через разные поведенческие сценарии до того, как на них включится трафик. 3. Почему мы собираем несколько AI-персон под один сегмент? Аудитория неоднородна, поэтому внутри одного сегмента мы намеренно смешиваем несколько архетипов с абсолютно разной логикой выбора — чтобы модель не усреднила их всех в одного: • Рисёрчер: медленно сравнивает альтернативы, долго изучает варианты и пока плохо понимает, чего хочет • Семейный лид: принимает решения строго вместе с партнёром или родителями, это третье лицо всегда незримо присутствует в воронке • Сомневающийся лид с культурным барьером: ищет практический апгрейд карьеры, но по умолчанию не доверяет крупным онлайн-покупкам Хороший пример из нашей практики - Лейла. Её паттерн такой: забронировать созвон, проверить нас, уйти думать, вернуться и закрыться на триал Такой прогон отлично подсвечивает косяки контента под разными углами, и помогает менеджерам посмотреть на воронки с другой стороны 4. Как проверить, что система работает? Мы регулярно проводим слепые тесты на воронках, которые провалились в тестах. Модель об этом, естественно, не знает Если AI-персоны начинают хвалить провальную воронку - значит, система плохо откалибрована, ей не хватает контекста или цитат. Если же они с порога находят ровно те баги, которые потом выявила продуктовая аналитика, слой готов к работе над новыми гипотезами При этом важно помнить: даже глубоко заземленные персоны дают меньшую вариативность, чем живые люди, и могут пропускать редкие аномальные реакции. Реальные тесты на живых людях никуда не исчезают 👀 5. Где еще про это почитать? • Bain в свежих отчетах (Synthetic Customers Earn Their Stripes) прямо заявляет: синтетику нужно строить только на собственных first-party данных, и она должна дополнять, а не заменять реальный рисёрч. По их оценкам, такая pre-test надстройка дает сопоставимый инсайт вдвое быстрее и втрое дешевле • А исследователи из Stanford HAI, которые симулировали поведение людей на базе 1000 генеративных агентов, подтверждают: ИИ-персоны точны только тогда, когда они "загрунтованы" на реальных интервью и транскриптах • И в этом исследовании LLMs Reproduce Human Purchase Intent via Semantic Similarity Elicitation of Likert Ratings Всем больших успехов с AI adoption в вашей работе и компаниях ❤️ Настя Канал Community Sprints про AI, growth и продукт 👀

Клёвый кейс