AI є ядром, а не обгорткою

Наша презентація не про те, що «ми використовуємо AI». Половина світу використовує AI. Наша презентація про те, що в кожному місці, де AI з'являється в нашому stack, AI є тим, що змушує функцію працювати, витягніть AI, і функція зруйнується, а не просто погіршиться. Це інша категорія, ніж chatbot-on-top-of-product, і її важко скопіювати.

Де AI є ядром (а не допоміжним елементом)

Designer Studio

• 14 atomic tools від 5 зовнішніх AI providers (Anthropic, OpenAI, recraft, replicate, quiver) під одним оркестратором.
• Claude Sonnet запускає багатоетапний pipeline: analyze → extract → vectorize → recurse → compose.
• Multimodal: the agent БАЧИТЬ проміжні результати та вирішує, чи продовжувати recurse, чи повернутися до альтернативних шляхів, чи запитати користувача.
• Прийняття рішень на рівні agent: «чи достатньо чистий цей trace?» → recurse / edit_image fallback / human prompt.
• Це не «AI генерує зображення», AI оркеструє 14-tool brand-identity pipeline.

Market Research AI

• Claude Sonnet 4 з GPT-4o fallback.
• Tool-use над live PostgreSQL database зі 121 production tables та PostHog event-stream з 60+ events.
• Agent генерує SQL на льоту, запускає його, перевіряє результати, синтезує насичені блоки відповідей.
• Streaming SSE з насиченими блоками відповідей, що рендеряться per-surface (web → повні блоки; Telegram → TG-friendly через другий parser-prompt).
• «Ніколи не фабрикувати цифри» забезпечується в system prompt.
• Це не chat-with-our-docs. Це agent, який виконує live data work на реальній production schema.

Social Tracker

• 3-tier cost-aware pipeline: 1. Claude Haiku, caption screen (cheap) 2. Claude Haiku-vision, thumbnail check (cheap-ish) 3. Claude Sonnet + Whisper, deep video and audio analysis (expensive, gated)
• Приблизно 10× cost reduction порівняно з прогоном всього через найважчий tier.
• Custom product-context system для кожного app, той самий pipeline працює по-різному для fitness app та dating app.

Builder API

• AsyncAnthropic, 5 analyzer endpoints.
• Читає GitHub repos creators → витягує SDK events / funnel / push / referral hooks.
• Parallel-gather для multi-repo analysis.
• Це шар, який робить cross-ecosystem porting можливим, той самий repo, кілька ecosystems.

Де AI є допоміжним елементом (а не ядром)

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

Це корисні AI applications. Вони не є тим, що ми маємо на увазі, коли говоримо «AI moat».

Повний AI stack

Провайдер	Моделі, які ми використовуємо	Використовується
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

Чому це moat

1. Compositional moat. Окремі providers доступні кожному. Наша оркестрація всіх їх під єдиним Telegram-creator-flow, ні. Вартість координації дванадцяти можливостей навколо одного user-flow вимірюється місяцями, а не тижнями.

2. Data moat. Claude agents у Market Research читають нашу 121-table production database, накопичену за 2+ роки. Конкурент з тими ж models та tools не має data layer. Той самий SQL, різні відповіді.

3. Cost optimisation як engineering, а не configuration. 3-tier Social Tracker, recursion-stop heuristics у Designer Studio, prompt-caching у довготривалих agent sessions, це engineered details, а не flag flips. Гонку за $/operation виграють команди, які відточували це місяцями.

4. Fallback resilience. Claude → GPT-4o; recraft → Replicate. Ми не залежимо від uptime одного provider.

AI-driven UX patterns, які ми використовуємо

• Candidate model. AI генерує candidate-version; user натискає «Apply», щоб підтвердити. Ніколи «AI мовчки змінює речі».
• Multi-modal recursion. Agent спостерігає за результатом tool-call і вирішує, чи заглиблюватися далі.
• Style descriptor passing. Один tool повертає structured-string, готовий для наступного.
• Fallback ladder. Крок 1 → Крок 2 → Крок 3 (запитати user). Ніколи «AI мовчки створив щось відмінне від запитуваного».
• Single answer, per-surface renderer. Канонічна відповідь створюється один раз важкою model. Кожна UI surface (web, Telegram bot, майбутні Discord / LINE) перерендерить її за допомогою дешевого другого parser-prompt (Gemini-Flash / Haiku), адаптованого до обмежень цієї surface. Ось як cross-ecosystem expansion залишається дешевим, та сама відповідь, новий renderer для кожної surface.

Цифри та цитовані твердження

• Інтегровано 6 AI / ML providers.
• 14 atomic tools у Designer Studio, 10 max iterations в agent loop.
• 3-tier pipeline у Social Tracker = ~10× cost reduction порівняно з наївним heavy-model-everywhere.
• 121 production tables + 60+ event types, доступних для запитів Market Research AI.

Відкриті питання

• Загальні щомісячні витрати на AI.
• Cost per user (Pro / Free / pay-as-you-go).
• Fallback hit-rate (Claude → GPT-4o).
• Average prompt-caching hit-rate.

Читайте далі

• Positioning, чому бути stack, а не tool, робить цю оркестрацію продуктом.
• Business model, як Market Research AI як hero use-case формує pricing.
• Two-sided marketplace, чому та сама agent infrastructure розкриває різну цінність на кожній стороні loop.

Щодо загальних витрат, cost per user та cost-optimisation roadmap, пишіть на email mark@engagelabs.org.