🚀 Андрей Артищев

Ниже — две неочевидные, но системно связанные метрики, которые снова и снова стоят за бизнесами и стратегиями с результатом $10M+. Они редко фигурируют в учебниках и почти никогда не считаются напрямую — но именно их корреляция создаёт большие деньги. ⸻ 1. Время до доверия (Time to Trust) × 2. Стоимость переключения (Switching Cost) Почему именно они Большие деньги возникают не там, где «лучше продукт», а там, где: • доверие возникает быстрее, чем у конкурентов • уйти становится дороже, чем остаться Эти метрики усиливают друг друга. Быстрое доверие снижает CAC, высокая стоимость переключения увеличивает LTV. Вместе они создают асимметрию, которую сложно сломать. ⸻ Метрика 1. Время до доверия (Time to Trust) Что это на самом деле Это сколько реального времени проходит от первого контакта до момента, когда клиент начинает действовать без проверки и сомнений: • покупает без долгого ресёрча • рекомендует без просьбы • делится данными / деньгами / репутацией Это не бренд-метрика и не NPS. Это скорость психологического перехода. Почему она недооценена Большинство компаний оптимизируют: • цену • функциональность • маркетинг Но не оптимизируют путь доверия, хотя именно он: • определяет скорость роста • определяет масштаб • определяет, можно ли брать премию за риск Примеры • Stripe — доверие быстрее, чем у банков • OpenAI — доверие к качеству мышления, не к интерфейсу • Tesla — доверие к визии, не к текущему продукту Практические советы 1. Убери все шаги, где клиент “думает” Если человек сравнивает — доверие ещё не возникло. → Делай выбор бинарным: «да / нет», а не «сравнить». 2. Покажи мышление, а не результат Люди доверяют не ответу, а процессу рассуждения. → Публичные демо, разборы решений, прозрачность логики. 3. Сократи “первую победу” до минут, не дней Первый ощутимый результат должен быть почти мгновенным. ⸻ Метрика 2. Стоимость переключения (Switching Cost) Что это на самом деле Это реальная цена ухода, включая: • потерю данных • потерю привычек • потерю статуса • потерю когнитивного комфорта Не обязательно деньги. Почему она неочевидна Компании думают, что switching cost — это: • контракты • штрафы • lock-in На деле самые сильные switching cost — психологические и социальные. Примеры • Excel — люди знают, что есть лучше, но не уходят • iMessage — потеря статуса «синего пузыря» • SAP — уйти можно, но цена ошибки слишком высока Практические советы 1. Делай клиента “соавтором” системы Чем больше он вложил решений, тем дороже уйти. 2. Привязывай продукт к идентичности Если уход = «я больше не такой человек», это почти невозможно. 3. Создавай невоспроизводимые накопления История, репутация, контекст, персонализация — то, что нельзя экспортировать. ⸻ Почему связка даёт $10M+ (а не по отдельности) • Быстрое доверие → массовый вход • Высокая стоимость переключения → долгий LTV • Вместе → капитализация, а не просто выручка Большие деньги — это не «много клиентов». Это клиенты, которые пришли быстро и не могут уйти без боли. ⸻ Если кратко Если ты оптимизируешь только одну метрику — тебя обгонят. Если ты оптимизируешь их связку — ты строишь бизнес, который покупают, а не догоняют. Если хочешь, в следующем шаге могу: • разобрать конкретную нишу (AI, SaaS, финансы, медиа) • или показать, как измерять эти метрики на практике, даже без цифр.

Таинственный создатель Bitcoin Сатоши Накамото (Satoshi Nakamoto) «исчез» ровно 15 лет назад. 13 декабря 2010 года его учётная запись в последний раз была активна в Сети. Человек, изменивший мир, ушёл, оставив одно единственное сообщение. Я переключился на другие дела

🦤Как AI спасает птиц от лопастей ветряных генераторов В коллекцию не самых очевидных способов использования AI. Норвежский стартап Spoor на днях анонсировал раунд на 8 млн евро. Они делают сервис, который защищает птиц от ветряных генераторов. Наверняка вы видели здоровенные ветряные генераторы с огромными лопастями. И у них, оказывается, есть проблема с птицами. Точнее у птиц с ними. Птица может не заметить лопасть или не успеть облететь и погибнет. Проблема особенно актуальна, если ветрогенераторы стоят на маршруте миграции, когда летят стаи птиц. Чуваки из Spoor в 2020-м озаботились проблемой. И стали делать сервис, который с помощью AI и системы компьютерного зрения не только распознает птицу, но и предугадывает маршрут ее полета. Сейчас они вроде как могут распознать птицу с расстояния в 2 км. И если AI понимает, что птица или стая птиц летит прямо на ветрогенератор, то может либо замедлить вращение лопастей, либо вовсе их остановить. А насколько вообще масштабна эта проблема? Я нашел статью MIT, где они ссылаются на исследования 2013 и 2014 годов. Тогда количество погибших птиц оценивали в цифру от 140 000 до 679 000 только в США. За десять лет количество ветряных генератор, вероятно, выросло, как и число умирающих птиц. В общем, неожиданно было узнать о такой проблеме, а еще и о стартапе, который поднимает инвестиции на ее решение. P.S. На днях я вам рассказывал о голубях-биороботах от компании Neiry. Получается, что Neiry может заставлять стаю таких голубей подлетать вплотную к ветряным генераторам и тем самым блокировать их работу? Будет сильно, если такой сценарий воплотится в жизнь. @TheEdinorogBlog — тот самый канал про стартапы🦄

Хочу поделиться бизнес-кейсом, который мне очень понравился. Познакомился с предпринимателем на встрече ребят из PEF (Post Exit Founders). Товарищ делает компанию по прокату спортивного инвентаря (https://www.youtube.com/shorts/OC2dsvCJ4kc) в парках и на спортивных площадках (условно как аренда самоката, только спортинвентарь). Прокат бесплатный на 2 часа, платят рекламодатели. Изначально в Швеции бизнес построил и продал. Переехал в Лондон. Пробовал договориться с властями - шло туго. В итоге использовал партизанский метод - за одну ночь поставили 40 устройств. На них тут же обрушились рассерженные местные власти, угрожали полицию вызвать. Несколько дней выдерживали давление - и в муниципалитеты стали приходить благодарности за эти устройства - "спасибо, теперь есть чем играть". И уже вроде убрать нельзя. В итоге-попросили еще в 40 парков поставить. Утверждает, что воровство минимальное. Предложил ему в Бразилии такое сделать=)

В этой статье рассматриваются эти две модели с технической и эмпирической точки зрения: архитектуры, контекст и механизмы рассуждений, эталонная производительность, агентическое поведение на практике, экосистема и инструменты, экономика и безопасность. Цель состоит не в том, чтобы увенчать одного победителя, а в том, чтобы прояснить, где каждая модель является измеримо сильной, где возникают компромиссы и как эти различия соотражаются с конкретными рабочими нагрузками по разработке программного обеспечения. https://medium.com/@leucopsis/gpt-5-1-codex-max-vs-claude-opus-4-5-ad995359231b

по моему опыту (не то что бы миллионы LOC) рейтинги похожи на логарифмический график, вроде бы дешевая модель всего на 5% меньше, но в работе это в 3 раза хуже. дипсик, квен, glm. Из последних пробовал cerebras glm4.6 думал сейчас буду из пулемета генерировать гениальный китайский код, из пулемета получилось, но китайское 💩. Из дельного научился работать вроде бы с haiku. Если сильно постараться, то выдает годное. +30% токенов по стравнению с сонетом (типа тупее), но в целом более менее. Мой кейс генерация веб страниц на реакте. Тестирую разные модели и подходы на одних входных данных, так что разница видна сильно.

Часто в комментариях обсуждают, что вот попробовали какую-то модель (часто — китайскую, GLM/Kimi/DeepSeek) для программирования, и она в целом даже не так плоха, может быть чуть похуже фронтир-моделей, зато стоит копейки и они будут её пробовать. В профессиональном контексте, если речь идёт про использование в работе или личных необразовательных проектах, мне всегда это казалось странным. Зачем использовать модель на 3-4-5% хуже 🤔это же выливается в моё время, которое на горизонте месяца уж точно покрывает стоимость подписки. Понятно, что есть те программисты, у которых $200 — существенная часть ЗП, и они не могут себе позволить (например, стажёры). Иногда хочется просто попробовать, и это важно, чтобы понимать возможности моделей. В контексте этих размышлений вспомнил момент из лекции Gabe Newell, ко-фаундера Valve, разработчика и издателя игр. Valve — непубличная компания, где разработчики получали бешенные деньги (хотя по меркам AI бума это уже крохи, кек). Перевод речи из ролика: — Мы пришли к убеждению, что все движутся в неправильном направлении. Существовала своего рода тенденция к аутсорсингу. Аутсорсинг — это, по сути, вопрос: где бы нам найти в мире англоговорящего работника с самыми низкими запросами? Мы дадим ему работу, и он выполнит ее так же хорошо, но за гораздо меньшие деньги. — Нам это казалось полной противоположностью того, что следовало бы делать. И мы решили, что будем нанимать самых дорогих специалистов, которые только есть в мире. [Мы решили], что возможность заключалась в том, что... именно эти люди были оценены рынком наиболее некорректно.

Бесплатный курс Claude Code для начинающих Курс от Антропиков, простой, быстрый, 15 лекций, каждая по 1 часу. Если давно хотели начать пользоваться Claude Code, но не знали как к нему подступиться, ваш шанс! К концу этого курса вы сможете (как заявлено в курсе): • Использовать основные инструменты Claude Code для работы с файлами, выполнения команд и анализа кода • Эффективно управлять контекстом с помощью /init, файлов Claude.md и упоминаний через @ • Контролировать ход диалога с помощью различных горячих клавиш и команд • Включать Plan Mode и Thinking Mode для решения сложных задач, требующих глубокого анализа • Создавать собственные команды для автоматизации повторяющихся этапов разработки • Расширять возможности Claude Code с помощью MCP-серверов, включая автоматизацию браузера и другие функции • Настраивать интеграцию с GitHub для автоматических PR-ревью и обработки задач • Писать хуки, чтобы добавлять дополнительное поведение в Claude Code https://anthropic.skilljar.com/claude-code-in-action

Вспомнилась тут полемика Казаковцева с Бабайкиным в моем чате какое-то время назад. Вот не сейчас, со Спириным, а тогда и с Бабайкиным. Поразительно, но стержневая мысль обоих ровно одна и та же. И она же, кстати, базовая в моей книге. Деньги в этой жизни лежат там, где ваша компетенция превосходит среднюю. И доход на капитал, если он есть, это всегда доход не на сам капитал, но на капитал, смешанный с вашей компетенцией… И, соответственно, размещать большую долю капитала имеет смысл туда, где ваша компетенция. Поэтому для большинства бизнесменов, например, продавать свой бизнес — неправильно. И нет никакой практичности считать «среднюю доходность на капитал всех трейдеров», равно как и нет «доходности на капитал, вложенный в бизнес типа кофейня». Я как-то беседовал с владельцем пары кофеен. Там такие тонкости и нюансы, что ух. Вплоть до того, какая сторона улицы лучше в этом квартале, и т.д. Вопрос «стоит ли инвестировать в кофейню» сам по себе - дурацкий. Тут важно, любишь ли ты кофейный бизнес — раз, и понимаешь ли в нем — два. У моего собеседника там десятки годовых, а у меня бы все, видимо, прогорело. То же самое касательно вопросов «стоит ли инвестировать в акции», «стоит ли заниматься трейдингом» и т.д. Первый вопрос: понимаешь ли ты в этом, и сколько стоит твое понимание? Второй вопрос — а если не понимаешь, готов ли положить время и силы, чтобы начать понимать? Возвращаясь к Казаковцеву и Бабайкину, у них сильная разная компетенция. Один видимо супертрейдер, другой супермаркетолог и суперблогер. А весь глупый спор двух явно умных людей — из-за разночтений о терминах. Например, можно ли считать прибыль в бизнесе — прибылью от инвестиций? Что круче — доход на капитал в процентах или в абсолютных числах? Но это все споры не о том, как устроен мир. А о том, какой мы взяли словарь и какие у нас личные вкусы в плане «крутизны». О таком не спорят. О таком договариваются. Или можно просто обменяться мнениями, и все.

Когда многие решили, что видео с T800 - это CGI, CEO EngineAI Чжао Тонъян вышел на ринг и лично принял удар ногой от робота🦶 Никакой графики, всё настоящее. 📷 @ai_machinelearning_big_data #ai#robots