שלום. אני מומחה לבלוקצ'יין. לא "יועץ השקעות" אלא קריפטוגרף עם דוקטורט בתחום. אני קורא לתומכים כאן בתגובות לנסות להסביר לי איך הם חושבים שהרעיון של נתניהו יכול/אמור לעבוד, ואני אסביר לכם למה אתם טועים.

New PFP 👀

90% of product teams can’t answer “what’s your P0?" anymore, and most of them have five agents running while they can’t answer it. Don’t just take my word for it, ask Thariq Shihipar from the Claude Code team, who said that if you’re juggling a bunch of agents at once, you should slow down, because “most of the stuff you’re doing won't really matter." He’s right. Five agents in five tabs feels like a team of ten, and most weeks it’s a team of ten building P3s really, really fast. The agents will build whatever, they don’t care if it’s stupid, so the hard part of the job moved upstream to picking what’s worth building and being able to say why, and that’s exactly where most PMs suck right now. Here’s what most PMs do with their agents vs what top PMs do, in the 5 moments that decide your week: 1. Picking the P0 Most PMs pick whoever pinged last, the sales escalation or the CEO’s message at 11pm on Sunday, and call it prioritization. Top PMs pick from evidence: how many accounts hit the problem, in which segment, and what fixing it does to the metric the company runs on, whether that’s ARR, NPS, activation or some custom formula. If you can’t say the evidence in one sentence, what you’ve got is a loud customer. 2. Starting the agents Spinning up an agent per idea feels free. It isn’t, not even close. Every run lands on your review queue, and review is the one part of the job you can’t run in parallel no matter how many tabs you open, so ten agents just means ten things sitting on your desk by Friday. Top PMs put ONE agent on the P0 and actually watch it, and the spare tabs go to research on the P1. Cap your parallel builds at what you’ll really review this week, and be honest with yourself about that number. 3. Feeding the agent Most PMs plug in every MCP, every transcript and the whole ticket backlog, type “figure it out" and go get coffee. You’re toast. The agent burns tokens chewing on noise and builds the average of everything it read. Top PMs give it the decision: what we’re building, for which customers, why, and the exact customer words behind it. When we modeled this, 12.3M tokens of raw feedback came down to 904K tokens of validated decisions, so the agent reads less than a tenth of the stuff and all of it matters. One page per P0 with the problem, the accounts, the quotes and the metric, and nothing else gets in. 4. Saying no Most PMs say “not now" and let the request rot in the backlog, where it comes back to haunt them every planning cycle. Top PMs tell the customer and the AE straight up what’s not happening and show them why. Slow down here, because a clear no with the evidence attached ends the conversation, and the AE stops bugging you about it every Monday. 5. After it ships The day the last P0 ships, most PMs are already sprinting at the next one and never look back. Top PMs check 30 to 60 days later whether the customers who asked got what they needed, and that’s how they learn which evidence to trust next time. The replies to Thariq are split. On one side you’ve got the maximalists, who want ten agents running because throughput wins, and on the other side the skeptics, who want everyone back to doing it by hand. Both wrong. Neither camp is talking about what the agents are pointed at, and that’s the whole game, so run as many agents as you can actually review and point every single one at something you can defend with evidence. So pick one thing, know why it’s the one, give it your full attention and let the rest wait, including the CEO’s Sunday night aha moment. BTW, this is the whole reason we built Bagel AI. When you’re scaling fast or sitting on hundreds of enterprise accounts, the evidence for your P0 is spread across sales calls, support tickets, chats and threads that no one has time to read. Bagel AI reads all of it, ties it to the metric you run on, and gives you and your agents the validated decision with the evidence attached, then checks 30-60-90 days after it ships whether it worked. bagel.ai/platform-overview/

“Where’s the ROI on all this AI spend?" is going to be the biggest f*ckup moment in 2027 product and engineering budget reviews. Accenture just capped Claude at $29 an employee, and every finance team is about to ask the same thing. Most product and engineering leaders will walk in saying “we ship twice as fast now," which is telling the CFO the factory ran all night without checking if anyone bought what came off the line. Five answers are going to get people in trouble with the CFO: 1. “We ship twice as fast now." Nice! But the CFO doesn’t pay for speed. Speed is a cost line until something on the business side moves, and a PR count can’t tell anyone what moved. Before the next build starts, product and eng write one line together naming the metric it should move. No line, no build. 2. “We finally cleaned up our tech debt." Engineers love (!!!) that sentence. Your CFO just checked their phone. A cleaner codebase is invisible from finance. Name the feature that shipped because of the cleanup, and what it did for the customers who asked for it. 3. “The team saves 10 hours a week." Great. Where did the 10 hours go? If they went into more features nobody asked for, you bought a faster way to fill the roadmap with guesses. Show which customer problems got solved this year that sat in the backlog last year, with the sales calls and support tickets that asked for them attached. 4. “Usage of the new features is up." Up compared to what? Every launch gets a bump, and your own team clicking around counts too. This is the one that hurts most, and we see it all the time in the feedback that runs through Bagel AI. A team ships a request, closes the ticket, and nobody checks whether the accounts that asked for it ever touched it. Three months later those accounts ask for the same thing in different words. Go back 60 to 90 days after launch. Check the metric your business runs on for that segment (retention, NPS, expansion or active users), then check whether the customers who asked are the ones using it. If they aren’t, better you find out than the CFO. 5. “Let’s cap the spend until we figure it out." Yeah. Good luck with that. A cap shrinks the bill and the output of your best builders with it. Pull your top 10 spenders across product and eng, list what each one shipped last quarter and what it moved, and keep funding the ones with an answer. Budget season rewards whoever walks in with evidence and results. You still have a quarter to collect and prove it. So this is the time to ask yourself: which launch or AI rollout from this year would you least want your CFO to ask about?

יש המון התנגדות ליצירה של מוזיקה ב-AI ואני יכול להבין את זה, אבל מסתבר שישנן דעות חדשות. אנשים חוששים מאובדן האנושיות שבמוזיקה, וקשה להם להאמין ש-AI יכול ליצור מוזיקה מעניינת או מקורית במיוחד. נכון לעכשיו, התוצאות של מנועי יצירת מוזיקה כמו סונו, הן באיכות מאוד גבוהה מבחינה טכנית, ומבחינת ההפקה, הסאונד והעיבוד, אבל בדרך כלל השירים נשמעים גנריים ובנאליים מבחינת המלודיות והטקסטים. כמובן ששליטה באומנות הפרומפט יכולה להשפיע פלאים על איכות התוצאה. השבוע יצא לי לפגוש שתי דעות חדשות ושונות לחלוטין מהדעה המוכרת לי לגבי מוזיקה ב-AI. הראשונה הייתה כשנכנסתי למונית. הנהג הקשיב לשיר בלוז אמריקאי בביצוע של זמר בלוז ותיק, שמנגן בגיטרה בלוז אקוסטית. על המסך של הנהג אני רואה תמונה של מוזיקאי בלוז שחור, אבל משהו קצת משונה. לשאלתי מי המוזיקאי, הוא עונה: ״אה, זה AI״. הופתעתי! הנהג ממשיך: ״כן, תשמע, אני מאוד מאוד אוהב בלוז, אני תמיד שומע בלוז״. התחלתי להסתקרן: “תגיד, לא חסרה לך האנושיות בביצוע הזה?” והוא עונה: ״לא, דע לך שאני אפילו מעדיף מוזיקת AI. יש במוזיקת AI משהו נקי יותר, בלי זיופים, בלי החריקות. אני מעדיף מוזיקת AI״. הסיפור השני ששמעתי השבוע מסופר בווידאו שאני מציג כאן בפניכם, סרטון מאחד מערוצי הצילום הפופולריים יותר ביוטיוב, עם מעל למיליון מנויים, fsstoppers. היוצר מספר את הסיפור שלו בכל מה שקשור למוזיקה בסרטונים שלו. הוא מספר שבתחילת עידן יוטיוב באמת היה כאוס מוחלט ואנשים השתמשו במוזיקה באופן לא חוקי. מהרגע שעוצבו חוקי זכויות היוצרים ברשת, הוא התחיל לקנות מוזיקה באופן חוקי באתרי ספריות של מוזיקה, ולהשתמש בסרטונים שלו אך ורק במוזיקה שהוא קנה באופן חוקי. אבל עם השנים, הוא התחיל לקבל תביעות על הפרת זכויות יוצרים ממוזיקה שהוא קנה באופן חוקי. כנראה שאנשים שמכרו את המוזיקה לאתרים האלה התחרטו, או שקרו דברים אחרים והוא נאלץ לשלם עשרות אלפי דולרים, בתביעות שהפסיד בהם. באחת מהן הוא ניצח אבל נאלץ לשלם הרבה מאוד כסף לעורכי הדין שלו. וכך זה המשיך עד שהגיע ה-AI, ומאז הצרות שלו הסתיימו. הוא מייצר בסונו מוזיקה לסרטונים שלו שמתאימה בדיוק לתוכן שהוא יוצר. הדבר המעניין ביותר שהוא מספר זה שלאורך השנים אנשים כמעט ולא התייחסו למוזיקה בסרטונים שלו, אבל מאז שהוא התחיל להשתמש במוזיקת AI שהוא יצר באופן אישי לכל אחד מהסרטונים, הוא התחיל לקבל יותר ויותר תגובות של אנשים ששואלים אותו מה זו המוזיקה הזאת, שהם כל כך אוהבים את המוזיקה הזאת, ודווקא מוזיקה שנוצרה ב- AI. אז מה אתם חושבים על זה? האם אנחנו מתחילים להיכנס לתקופה שמוזיקת AI מתחילה בעצם לקבל לגיטימציה, ויש אפילו אנשים שמעדיפים אותה? מה דעתכם? youtu.be/gWHvr4-LW18?si=59vQ…