У новій великій лекції про «loop engineering» засновник та оператор AI‑продуктів Остін Марчезе показує, як перетворити Claude з просто «розумного чату» на реальний робочий двигун бізнесу. Стартова точка цієї системи — три фундаментальні лупи: інжест даних, зовнішній та внутрішній alpha farming. Саме вони створюють той самий «moat» — захисний рів, який важко скопіювати, бо базується не на промптах, а на власних даних і унікальних патернах.
Дані як moat: чому інжест — перший луп, без якого все ламається
Остін ставить жорстку планку: з AI у підсумку «ваші дані — це ваш moat». Якщо потрібен відрив від конкурентів і відчутно кращі відповіді моделей, до агрегації та інжесту даних доводиться ставитися максимально серйозно. У його системі це й є loop №1 — data ingestion loop.
Концептуально «луп» визначається як процес, який запускається безперервно або за розкладом, доки не виконає завдання. Інжест‑луп — це регулярний, ритмічний збір інформації з тих місць, де насправді живе робота: месенджери, пошта, дзвінки. Не випадкові файли чи «спеціальний датасет», а робочий шум, з якого потрібно видобути суть.
Для себе Марчезе обрав три ключові джерела: Slack, Gmail і сервіс Granola, що знімає транскрипти дзвінків. Усі ці конектори під’єднуються через десктоп‑додаток Claude: натисканням «плюс», вибором «connectors» і далі — конкретних ресурсів.
Однак підʼєднатися — лише половина справи. Критичний момент — не перетворити Claude на «чорну діру» для сміття. Тому поверх конекторів він створює спеціальний скіл, який:
- Агрегує дані зі всіх джерел.
- Відсікає те, що є лише контекстуальним шумом.
- Інжестує в систему лише цінну інформацію.
Суть цього скіла — сформувати з «минулої доби життя» стислений, але насичений шар знань. Луп ходить у Slack по повідомлення, у Gmail по листи, у Granola по транскрипти дзвінків, читає останні 24 години й «знімає вершки», прибираючи весь «флаф».
Так замість того, щоб кожного разу розповідати моделі, «чим ми тут займаємось», ви отримуєте живу, постійно оновлювану базу актуального контексту, з якою Claude може працювати одразу.
Skill-driven loop creation: чому лупи не можна запускати «в лоб»
Окрема лінія в підході Марчезе — дисципліна створення лупів. Кожен із них починається не з «автоматизації заради автоматизації», а зі скіла, який запускають вручну.
Він називає це skill‑driven loop creation: кожен луп спершу існує як скіл, який можна викликати, подивитися результат, переконатися, що він працює правильно, тільки потім обгортати його в автоматизований цикл.
Такий підхід вирішує кілька проблем одночасно. По‑перше, зменшує ризик «автоматизувати помилку» й потім тижнями не розуміти, чому в базу заливається некорисний контент. По‑друге, дозволяє поступово вдосконалювати промпт скіла й лише після цього закріпити його як частину постійної інфраструктури.
Коли скіл перевірено, настає час зробити його лупом. Тут Марчезе використовує local routines у Claude Desktop: створює нову рутину, в поле інструкцій вставляє текст уже готового скіла й задає розклад. Наприклад, для data ingestion loop — щопонеділка о 8:00. За тією ж схемою можна автоматизувати будь‑який іншій луп, якщо є сенс запускати його регулярно у фоні.
Фактично skill‑driven loop creation — це вбудований контроль якості: спочатку скіл, ручна перевірка, лише потім — циклічний запуск.
Зовнішній alpha farming: як відібрати справді цінну експертизу з інтернету
Другий базовий елемент системи — external alpha farming. Це вже не про збір внутрішніх даних, а про «полювання на альфу» назовні: луп, який шукає корисну інформацію, забирає її в систему й таким чином структурує зовнішню експертизу.
Марчезе розбиває зовнішній alpha farming на три частини.
Перше — чітко визначити, яку саме «альфу» ви шукаєте. Тут важлива конкретика. Якщо йдеться про контент, це можуть бути патерни сторітелінгу чи нові теми. Для продуктових команд — бенчмарки воронок конверсії та тактики оптимізації. Для продажів — патерни опрацювання заперечень у схожих клієнтів. Без такого фокусу луп перетвориться на ще один агрегатор «цікавих посилань», що не додає системній роботі жодної потужності.
Друге — ідентифікація джерел альфи. На цьому етапі AI може допомогти скласти стартовий список, але вирішальним залишається людський смак. Питання, яке радить ставити Марчезе: хто онлайн створює по‑справжньому цінні інсайти в темах, над якими ви працюєте? Це можуть бути YouTube‑канали, автори ньюзлетерів, гілки на Reddit — будь‑який стабільний потік актуальної, практичної інформації.
Третє — фільтрація за рівнем глибини аналізу. Критичний момент, який «майже всі пропускають», — перевірити, що джерело дає саме level two analysis.
Марчезе пропонує таку градацію. Level one — це базовий рівень: загальні поради, стандартні фреймворки, «очевидні істини», які легко відтворює будь‑яка модель. Вони роблять відповідь пристойною, але не відрізняють вас від конкурентів. Level two — неочевидний аналіз, який тягне результат з «добре» до «відмінно»: нюанси, конкретні патерни, контекст, що з’являється лише з досвіду.
Суть зовнішнього alpha farming loop у тому, щоб курирувати джерела так, аби в систему заходила тільки level two‑інформація. Луп має не просто збирати все підряд, а оцінювати глибину, відсіювати поверхневе й інтегрувати лише те, що реально додає інтелектуальної «ваги» вашій системі.
У своїй реалізації Марчезе також використовує MCP‑плагін Firecrawl для кращого отримання даних з вебу, але принциповим він називає саме триступеневий фреймворк: визначити альфу, знайти джерела, відфільтрувати їх за рівнем аналізу.
Внутрішній alpha farming: як змусити систему побачити те, що люди пропускають
Якщо external alpha farming шукає альфу назовні, то loop №3 — internal alpha farming — полює за нею всередині вашої екосистеми. Це вже робота поверх даних, які зібрав data ingestion loop та інші канали.
Цей луп проходиться по всій внутрішній інформації й відповідає на кілька ключових запитань: які патерни повторюються, де в системі прогалини, і, головне, що з усім цим треба робити.
Перший крок знову ж таки — визначити, яку саме внутрішню альфу варто шукати. Для контент‑проєктів це можуть бути теми або формати, які «зайшли» найкраще. Для продуктових команд — фічі, які користувачі постійно запитують. Для продажів — повторювані питання й заперечення, які логічно вшити в продукт або процес.
Марчезе наголошує: це саме той тип патернів, який люди зазвичай пропускають, а от луп — ні. Людина легко ігнорує повторювані дрібниці або забуває розпорошені сигнали. Автоматичний аналіз поверх цілісного масиву даних, навпаки, допомагає зловити малопомітні, але системні закономірності.
Другий крок — правильно вибрати датасети. Internal alpha farming будується на тому, що було зроблено в loop №1: якщо інжест працює коректно, у вас уже є потрібні джерела. Якщо ж під час проєктування внутрішнього alpha‑лупа раптом виявляється, що якихось даних бракує, це не проблема системи, а діагностика: виявилися «дірки» в data‑pipeline, які треба закрити.
Третій — найважливіший — формат виходу. Internal alpha farming loop має повертати не черговий «аналітичний звіт», а список дій. У більшості внутрішніх дашбордів інформації достатньо, але вони не відповідають на питання «що робити далі». Марчезе формулює це як настанову своїй команді: не приносьте проблеми, приносьте рішення. Цей луп закладає ту саму логіку прямо в інструмент.
Результатом стає не просто перелік інсайтів, а повноцінний план впровадження. Причому він не залишається безконтрольним: перед тим як вважати план «прийнятим», його пропускають через спеціальний utility‑скіл plan verification.
Цей скіл спочатку потрібно окремо створити: він «інтерв’ює» користувача про те, якими інструментами система вже користується, що можна і що не можна імплементувати. Ключова ідея — будь‑який план, який AI пропонує, має бути реально здійсненним у ваших обмеженнях, а не абстрактною «ідеальною схемою».
Internal alpha farming loop використовує цей plan verification skill як загальний фільтр для будь‑яких імплементаційних пропозицій. Так система отримує здатність не лише вказувати на можливості для покращення, а й пропонувати конкретні, перевірені на життєздатність кроки.
Висновок: moat будується на трьох перших лупах, а не на черговому промпті
Усі вісім лупів Марчезе складаються в масштабну архітектуру, але саме перші три створюють фундаментальний відрив: інжест даних, зовнішній alpha farming і внутрішній alpha farming. Разом вони формують живу, постійно оновлювану базу знань, з якою Claude працює як із власною довготривалою пам’яттю, а не як із одноразовим контекстом.
Data ingestion loop перетворює щоденну операційну «какофонію» в структурований інформаційний шар. External alpha farming додає до нього ретельно відібрану зовнішню експертизу з level two‑аналізом. Internal alpha farming, нарешті, повертає дзеркало всередину: показує повторювані патерни, виявляє прогалини й пропонує конкретні, перевірені плани дій.
У центрі всього — ідея, що AI‑система відрізняється не кількістю запущених агентів, а якістю та структурою даних, з якими вона працює. Саме тому Марчезе говорить про дані як про moat і саме тому він так жорстко підходить до інжесту, курирування та конвертації інсайтів у дії. Для тих, хто прагне будувати навколо Claude не просто «помічника», а повноцінний робочий стек, саме ці три лупи стають точкою відліку.