AI, это ядро, а не обертка

Наша презентация не о том, что «мы используем AI». Половина мира использует AI. Суть презентации в том, что везде, где AI появляется в нашем стеке, AI, это то, что заставляет функцию работать, уберите AI, и функция рухнет, а не просто ухудшится. Это другая категория по сравнению с chatbot-on-top-of-product, и ее трудно скопировать.

Где AI является ядром (а не вспомогательным элементом)

Designer Studio

• 14 атомарных инструментов от 5 внешних AI-провайдеров (Anthropic, OpenAI, recraft, replicate, quiver) под управлением одного оркестратора.
• Claude Sonnet управляет многоэтапным конвейером: analyze → extract → vectorize → recurse → compose.
• Мультимодальность: агент ВИДИТ промежуточные результаты и решает, продолжать ли рекурсию, возвращаться к альтернативным путям или запрашивать пользователя.
• Принятие решений на уровне агента: «достаточно ли чист этот trace?» → recurse / edit_image fallback / human prompt.
• Это не «AI генерирует изображение», AI оркестрирует конвейер из 14 инструментов для создания brand-identity.

Market Research AI

• Claude Sonnet 4 с GPT-4o fallback.
• Использование инструментов поверх действующей базы данных PostgreSQL со 121 production tables и event-stream PostHog с более чем 60 событиями.
• Агент генерирует SQL на лету, выполняет его, проверяет результаты, синтезирует информативные блоки ответов.
• Streaming SSE с информативными блоками ответов, отображаемыми для каждой surface (web → полные блоки; Telegram → TG-friendly через второй parser-prompt).
• «Никогда не фабриковать цифры» обеспечивается системным prompt.
• Это не chat-with-our-docs. Это агент, выполняющий live data work на реальной production schema.

Social Tracker

• Трехуровневый cost-aware pipeline: 1. Claude Haiku, caption screen (дешево) 2. Claude Haiku-vision, thumbnail check (относительно дешево) 3. Claude Sonnet + Whisper, глубокий анализ видео и аудио (дорого, gated)
• Примерно 10-кратное снижение затрат по сравнению с прогоном всего через самый тяжелый tier.
• Пользовательская система product-context для каждого app, тот же pipeline работает по-разному для fitness app и dating app.

Builder API

• AsyncAnthropic, 5 analyzer endpoints.
• Читает creators' GitHub repos → извлекает SDK events / funnel / push / referral hooks.
• Parallel-gather для multi-repo analysis.
• Это layer, который делает cross-ecosystem porting feasible, тот же repo, multiple ecosystems.

Где AI является вспомогательным элементом (а не ядром)

• Pro dashboard, content recommendations, AI-powered insights.
• Push management [планируется], auto-generated copy для drip campaigns.
• @appss search [планируется], semantic search.

Это полезные AI-приложения. Но это не то, что мы имеем в виду, говоря «AI moat».

Полный AI stack

Провайдер	Используемые модели	Используется в
Anthropic Claude	Sonnet 4, Haiku, Haiku-vision	Designer Studio, Market Research AI, Social Tracker, Builder API
OpenAI	GPT-4o (fallback), gpt-image-1 (edit), Whisper	Market Research, Designer Studio, Social Tracker
recraft.ai	Vectorizer	Designer Studio
Replicate	rembg, [planned] SAM2	Designer Studio
quiver.ai	Text-to-vector	Designer Studio

Почему это конкурентное преимущество

1. Композиционное конкурентное преимущество. Отдельные провайдеры доступны всем. Наша оркестрация всех этих провайдеров в рамках единого Telegram-creator-flow, нет. Стоимость координации двенадцати capabilities вокруг одного user-flow измеряется месяцами, а не неделями.

2. Конкурентное преимущество данных. Агенты Claude в Market Research читают нашу 121-table production database, накопленную за более чем 2 года. У конкурента с теми же models и tools нет такого data layer. Тот же SQL, разные ответы.

3. Оптимизация затрат как инженерия, а не конфигурация. Трехуровневый Social Tracker, recursion-stop heuristics в Designer Studio, prompt-caching в длительных agent sessions, это engineered details, а не flag flips. Гонку за $/operation выигрывают команды, которые оттачивали это месяцами.

4. Устойчивость к сбоям (Fallback resilience). Claude → GPT-4o; recraft → Replicate. Мы не зависим от uptime одного провайдера.

Используемые нами AI-driven UX patterns

• Candidate model. AI генерирует candidate-version; пользователь нажимает «Apply» для подтверждения. Никогда «AI silently changes things».
• Multi-modal recursion. Агент наблюдает за результатом tool-call и решает, стоит ли углубляться.
• Style descriptor passing. Один tool возвращает structured-string, готовый для следующего.
• Fallback ladder. Шаг 1 → Шаг 2 → Шаг 3 (спросить пользователя). Никогда «AI silently produced something different from what was requested».
• Single answer, per-surface renderer. Канонический ответ генерируется один раз тяжелой model. Каждая UI surface (web, Telegram bot, будущие Discord / LINE) перерисовывает его с помощью дешевого второго parser-prompt (Gemini-Flash / Haiku), адаптированного к ограничениям этой surface. Так cross-ecosystem expansion остается дешевым, тот же ответ, новый renderer per surface.

Цифры и цитируемые утверждения

• Интегрировано 6 AI / ML providers.
• 14 atomic tools в Designer Studio, 10 max iterations в agent loop.
• Трехуровневый pipeline в Social Tracker = ~10-кратное снижение затрат по сравнению с наивным heavy-model-everywhere.
• 121 production tables + 60+ event types, доступных для запросов Market Research AI.

Открытые вопросы

• Total monthly AI spend.
• Cost per user (Pro / Free / pay-as-you-go).
• Fallback hit-rate (Claude → GPT-4o).
• Average prompt-caching hit-rate.

Далее

• Позиционирование, почему быть stack, а не tool, делает эту оркестрацию продуктом.
• Бизнес-модель, как Market Research AI в качестве hero use-case формирует ценообразование.
• Двусторонний маркетплейс, почему та же agent infrastructure открывает различную value на каждой стороне loop.

По вопросам общих расходов, стоимости на пользователя и дорожной карты по оптимизации затрат, пишите на mark@engagelabs.org.