Податок на FOMO: чому стежити за кожним AI-релізом дорожче, ніж здається
З увагою керівників зараз відбувається дивна річ, і проблемою її майже ніхто не вважає. Ззовні це схоже на сумлінність. Ранок починається зі стрічки: що вийшло за ніч, що запустили, що цього тижня тестують у робочих чатах. В збережених повідомленнях лежать посилання, які ніхто не відкриває, тріал нового сервісу живе дві години, а розсилки перераховують інструменти, про які минулого четверга ще ніхто не чув.
Фаундери називають це «тримати руку на пульсі» і вважають професійним обов'язком. Я теж це так називав. І робив довше потрібного.
Система, яка мала нічого не пропустити
Calma займається перформанс-лідогенерацією на ринку США. Маржа невелика, конкуренція жорстка, і добрий місяць від поганого часто відділяють кілька доларів у вартості ліда. Коли AI став реальним способом здешевити роботу і робити меншою командою те, на що раніше потрібно було значно більше людей, ми не стали чекати.
До Calma я багато років був інвестором і бачив, як фаундери проходять через різні ринки й обставини. Цей досвід допоміг менше, ніж я розраховував. Технологія мінялася так швидко, що старі уроки переставали працювати, а власні помилки не було з чим порівняти.
Ставки були відчутні, тому логіка здавалася залізною: пропускати нічого не можна. Якщо в конкурента кращий AI-стек, ми побачимо це в цифрах раніше, ніж зрозуміємо причину. Щотижня виходили сервіси, які обіцяли перевернути економіку лідогенерації: точніший таргетинг, швидші запуски, дешевша автоматизація. Частина з них справді працювала, решта була шумом, і без тесту відрізнити одне від іншого ми не вміли. Тож вирішили тестувати все.
Так у нас з'явилася ціла інформаційна система. Телеграм-канали, гілки на Reddit, стрічки у Twitter, окремі чати про AI-релізи. Якщо щось змінює правила гри, ми маємо дізнатися про це раніше за конкурентів. Нам здавалося, що саме в цьому наша перевага.
Насправді ми збудували дуже продуману машину для тривоги.
Підписуйтеся на наші соцмережі
Податок, який ми платили добровільно
Найшвидше зникали саме ті продукти, які ми тестували найзавзятіше. Сервісами, навколо яких на старті було найбільше галасу, через три місяці зазвичай не користувався ніхто з тих, хто працює всерйоз. Про «релізи, що змінюють усе», заради яких ми кидали поточні справи, здебільшого забували навіть ті, хто найголосніше їх анонсував.
А інструменти, які справді змінили нашу роботу, прийшли звідкись інакше. Я про те, чим користується команда у щоденних процесах, що вже дає результат у цифрах. Майже жоден із них ми не знайшли через моніторинг. Про них розповідали люди, які вже якійсь час з ними працювали. Іноді ми просто помічали, що інструмент пережив хайп, або брали на тест те, що тихо використовували практики, яким результат цікавіший за анонси.
Зрозуміли ми це в одній із внутрішніх розмов, коли перестаєш підбирати правильні слова і кажеш як є. А було так: ми фізично не встигаємо відстежувати й тестувати кожен новий продукт, і цей FOMO обходиться нам дорого. Те, що ми вважали конкурентною пильністю, виявилося податком, і платили ми його самі, з власної волі. Так і з'явилася назва: податок на FOMO.
Найбільше він забирає не годинами на тести. Він забирає голову. Це постійний тиск від спроби встигнути за галуззю, яка змінюється швидше, ніж будь-яка компанія здатна це перетравити. Це втома від рішень про інструменти, які ще рано було оцінювати. І це увага керівника, а слідом і команди, яка йде на шум замість сигналу.
Конкурентної переваги з цього не виникає. Підступність у тому, що в галузі, де все швидко рухається, моніторинг схожий на дію. Здається, що ти рухаєшся вперед, хоча нічого не будуєш і нічим не ризикуєш.
Рахувати замість стежити
Відмовитися від AI зовсім було б іншою помилкою. Вихід у тому, щоб перестати стежити і почати рахувати. Для цього достатньо трьох кроків.
-
1
Подивіться, що насправді вбудовано в роботу. Не те, що лежить у закладках чи було протестоване один раз, а те, чим команда користується регулярно і без чого вже не обходиться. Часто виявляється, що з трьох сервісів для генерації текстів реально працює один.
-
2
Зведіть витрати й результат до однієї одиниці. Скільки інструмент коштує на місяць і що він замінює: у грошах або в годинах команди, які звільнилися. Поки ці дві цифри в різних одиницях, порівнювати їх марно.
-
3
Дотягніть лінію до P&L. Тут зупиняється більшість компаній. Зекономлені години самі по собі нічого не доводять, поки не видно, яку цифру вони зрушили: виручку, CAC чи конверсію.
Звідси просте правило. Якщо інструмент працює три місяці, а вимірюваного результату не приніс, то це витрата, а не інвестиція.
Є й другий ефект, про який майже не говорять. Коли перед очима карта того, що у вас уже є, FOMO слабшає. Відчуття, що ви відстаєте, минає, бо видно реальну картину. І гнатися за черговим релізом хочеться менше, коли бачиш, що навіть наявний стек використовуєш не повністю.
Попереду зараз ті, хто обрав менше інструментів, розібрався в них глибше і вибудував навколо них процеси. Вони не так багато читають про AI, як працюють із ним і рахують, що він дає. Добрий інструмент нікуди не подінеться, поки минає хайп. А час, витрачений на стеження за хайпом, уже не повернеться.
Вправа на пів години
Перевірити, скільки цей податок коштує саме вам, можна цього тижня. Відкрийте таблицю і випишіть усі AI-сервіси, за які компанія платила минулого місяця. Найпростіше знайти їх у виписці по корпоративній картці.
Поруч зробіть чотири колонки. Перша: чи користується цим команда щотижня без нагадувань. Друга: скільки інструмент коштує на місяць. Третя: що він замінює, у годинах або грошах. Четверта: яку цифру в P&L він зрушив чи на який інший KPI повпливав.
Те, що не пройшло першу колонку, майже напевно можна відключити. Те, що працює понад три місяці з порожньою четвертою колонкою, першим йде на скорочення або на чесну розмову з командою про те, навіщо воно потрібне. І ще одне правило на майбутнє: новий сервіс додаємо тільки тоді, коли четверта колонка для наявних заповнена.
Якщо таблиця вийшла короткою, а четверта колонка повною, у вас усе гаразд, і стрічку з релізами можна гортати спокійно.
Це вільний переклад авторської статті Руслана Дроздова, опублікованої в AI Horizon Journal (AIEI), випуск 4, липень 2026.