Предприниматель и опытный операционный лидер объяснил, как молодым продакт менеджерам повысить свой профессиональный уровень, зачем изучать программирование с помощью LLM и возможен ли миллиардный бизнес с командой в одного человека.
— У вас научный бекграунд, вы работали над системами управления большими научными экспериментами в CERN и не только. Как этот опыт повлиял на ваш подход к построению бизнеса?
— Работа с мегасайенс-проектами, такими как Atlas и BlueBrain, научила меня управлять распределенными высоконагруженными системами с пользователями по всему миру. В таких средах масштаб сам по себе превращает любую ошибку в критическую. Поэтому важно не только построить рабочий процесс, но и оптимизировать его так, чтобы ошибки минимизировались при росте системы, а не компенсировались дополнительными ресурсами.
Этот принцип однозначно переносится в бизнес операционку. В быстрорастущих компаниях хаос на ранних этапах неизбежен, и даже полезен, но при масштабировании он становится угрозой. Нельзя просто «нанять больше людей» или «добавить больше ресурсов». Поэтому я всегда строю процессы с учетом будущего роста: автоматизирую ключевые процессы заранее, устраняю узкие места до того, как они станут проблемой, и создаю систему, где компания сама адаптируется и развивается, как хорошо продуманный алгоритм.
— Вы разрабатывали AI-агентов в ChatFirst задолго до появления ChatGPT. Какие подходы использовались при их создании, и что изменилось с появлением больших языковых моделей LLM?
— Когда мы создавали ChatFirst, мощных языковых моделей, как сейчас, не было. Однако генеративная логика существовала и тогда, просто ее приходилось глубоко прятать внутрь продукта. Это позволяло мне строить надежные решения для топовых телеком и ритейл компаний. Большинство продуктов строилось на правилах, интентах и жестко заданных сценариях, что позволяло выдавать точные ответы, но делало систему негибкой — любое изменение требовало ручной настройки.
Генеративные модели последних лет изменили подход: теперь AI-агенты могут анализировать контекст, понимать смысл и адаптироваться. Но ключевая проблема не исчезла — если раньше нечеткость скрывалась в коде, то теперь она заложена в саму архитектуру больших моделей. Генеративный AI отвечает естественно, но его нельзя слепо доверять: модели могут галлюцинировать, придумывать данные или искажать смысл, если у них нет четко заданных рамок.
Поэтому в современных AI-решениях мы используем гибридный подход: базовая модель обеспечивает гибкость и адаптивность, а специализированные алгоритмы и проверенные данные повышают точность. Разница между AI тогда и сейчас в том, что раньше AI работал по сценариям, то теперь он может строить их на лету. Но и тогда, и сейчас главный вызов — это управляемость и достоверность.
— В своей карьере вы создавали и помогали масштабировать несколько технологических бизнесов. Как отличается подход к операционной работе в быстрорастущей компании на международном рынке?
— Самое сложное в масштабировании компаний — это человеческий фактор. Особенно если речь о стартапе, который вчера был уютной командой в 10 человек, а сегодня в нем уже сотни сотрудников. Люди привыкли работать определенным образом, но быстрый рост требует гибкости — если не отслеживать узкие места и продолжать делать процессы вручную, компания неизбежно замедляется.
Например, в 360dialog, европейском лидере решений Whatsapp для бизнеса, где я был руководителем операционного отдела и отвечал за масштабируемость компании, благодаря стандартизации и проработке внутреннего хаоса удалось сократить время активации клиентов в 2,5 раза и добиться 5-кратного роста активаций за 9 месяцев, а также выйти в точку самоокупаемости.
— Сейчас вы работаете в TraceAir, лидера на рынке решений визуального анализа стройки на американском рынке. Какие стратегии изменились с приходом AI-автоматизации?
— В быстрорастущем стартапе главная сложность — сохранить баланс между скоростью изменений и стабильностью системы. В TraceAir эта задача усложняется двумя факторами: распределенная команда в разных часовых поясах и специфика сервисного бизнеса, где автоматизация не заменяет людей, а дополняет их. В TraceAir я, как продакт менеджер всех внутренних продуктов, выстраиваю операционные процессы, которые обеспечивают рост и повышение маржинальности в сервисной модели. В отличие от SaaS, сервисная компонента бизнеса требует не только автоматизации, но и эффективного управления командой. Мы внедрили стратегию стандартизации процессов и динамичного подхода к HR.
Это позволило достичь сублинейного роста персонала и ускорить выполнение задач. Благодаря этому маржинальность выросла с 45% до 70%, приблизившись к показателям SaaS-компаний. Также удалось вывести компанию на точку самоокупаемости, что стало ключевым шагом для стабильного роста.
Следующий этап — замена внутренних операционных процессов AI-агентами. Это позволит автоматизировать еще больше задач, перераспределить ресурсы на разработку новых продуктов и повысить маржинальность компании еще выше.
— Вы строите Sowle — AI дата аналитика, фокусирующегося на ускорении внутренних процессов компании. Какова его роль в новой волне AI-продуктов, и чем он отличается от традиционного анализа данных?
— Sowle — это не просто инструмент для аналитики процессов, а пример вертикального AI-решения, которое использует современные технологии, чтобы улучшить маржинальность компании. Если раньше аналитика процессов работала по принципу сбор данных, потом их обработка, затем отчет через недели или месяцы, то AI делает это в реальном времени, обрабатывая данные на лету. Теперь не нужно ждать отчета от аналитиков, чтобы узнать, что в одном из департаментов назревает кризис — AI заранее увидит тревожные сигналы по поведению сотрудников, активности в рабочих системах или динамике увольнений.
Главное отличие Sowle в том, что он не просто показывает цифры, а объясняет их значение. Это то, чего не делает традиционный аналитический отдел, потому что вручную такой объем данных просто невозможно обработать. Теперь COO не реагирует постфактум, а действует на упреждение, предотвращая выгорание, текучесть и снижение эффективности. AI перестает быть просто инструментом — он становится настоящим аналитическим партнером для руководителей.
— Как меняется роль операционного лидера в эпоху AI?
— Операционный лидер больше не просто управляет процессами — он становится системным архитектором, который не только ставит задачи, но и сам решает узкие места с помощью AI-инструментов.
С появлением LLM решений границы между ролями размываются:
● Программировать могут не только разработчики, но и продакт-менеджеры, операционные лидеры и аналитики. Вместо передачи задачи в IT-департамент лидеры могут быстро генерировать решения самостоятельно, используя инструменты вроде Cursor, Replit, Windsurf и ChatGPT API.
● Роль операционного лидера смещается от «координации» к «проектированию решений». Раньше задача заключалась в постановке ТЗ для команды разработчиков, теперь — в поиске проблемы и её быстром решении через AI-автоматизацию.
● Возвращение продуктового мышления в операционные роли. Теперь продакт-менеджеры и операционные лидеры не ограничены ресурсами IT-команды — они могут тестировать гипотезы и строить рабочие прототипы без долгих циклов разработки.
Сейчас все больше ходит обсуждений по поводу возможности появления первой компании с оценкой в один миллиард долларов, которая будет состоять из одного человека. Я думаю, что это возможно, так как ИИ агенты, появляющиеся на рынке, позволяют в автономном режиме закрывать целые бизнес направления, например, продавать, осуществлять поддержку клиентов. Осталось дождаться, когда все необходимые инструменты будут доведены до рабочего состояния.
— Вы активно делитесь опытом: выступаете на конференциях, пишете статьи, поддерживаете стартап-ассоциацию Burning Heroes. Почему для вас важна эта деятельность и что она дает вам как профессионалу?
— Для меня обмен опытом — это способ не только делиться знаниями, но и быть в центре технологических трендов. В рамках Burning Heroes я регулярно сужу стартап-конкурсы, в том числе в Сан-Франциско, Лондоне и Африке. Это позволило мне увидеть, как компании по всему миру адаптируются к новой реальности AI-экономики.
При оценке проектов я фокусируюсь не просто на продукте и команде, но и на том, насколько органично и эффективно AI-инструменты встроены в бизнес-модель. Важно, как стартап использует автоматизацию и AI для ускорения процессов и масштабирования. Удвоенные темпы роста — сегодня это главный индикатор того, насколько грамотно команда интегрировала технологии и построила операционную модель.
Этот опыт помогает мне держать руку на пульсе и в своих проектах — видеть лучшие практики и сразу применять их при создании AI-нативных решений.
— Какой совет вы бы дали операционным лидерам и продакт менеджерам, которые хотят создать масштабируемую компанию в 2025 году?
— AI-нативные компании требуют не просто внедрения новых технологий, а пересмотра подхода к операционному управлению. Чтобы выстроить действительно масштабируемый AI-бизнес, операционным лидерам стоит сосредоточиться на трех ключевых направлениях:
.
