Обзор
Кратко о кейсе
Как я превратила продуктовую логику Stavia Models в повторяемый процесс создания статей, визуалов и материалов для соцсетей.
- Продукт
- Stavia Models — продукт для финансового моделирования SaaS-, подписочных и AI-стартапов.
- Цель
- Выстроить процесс, в котором продуктовая логика превращается в статьи, визуальные объяснения и материалы для LinkedIn.
- Источник
- Продуктовая логика Stavia Models, реальные скриншоты, AI-исследование и мои экспертные комментарии.
- Процесс
- AI помогает пройти путь от выбора фокуса и извлечения логики до черновика, страницы, визуалов и переиспользования материала.
- Результат
- SEO-статьи, интерактивные объяснения внутри статей, посты в LinkedIn и PDF-карусели.
- Роль эксперта
- Я задаю направление, добавляю примеры, проверяю логику, правлю тон и принимаю финальное решение по материалу.
Продуктовая логика, на которой строится система
Stavia Models — продукт для финансового моделирования и принятия решений в SaaS-, подписочных и AI-стартапах. В одной модели основатель может связать ценообразование, привлечение клиентов, отток, расходы, фонд оплаты труда, runway, финансирование и юнит-экономику. Именно эта связанная структура стала основой контент-системы.
Мне не нужно каждый раз придумывать тему с чистого листа. В продукте уже есть сильная логика: какие решения принимает основатель, какие допущения он вводит, какие показатели меняются и где чаще всего возникают вопросы. Задача контента — сделать эту логику видимой и полезной ещё до того, как человек начнёт работать с продуктом.
AI в этом процессе не заменяет источник. Он помогает достать нужную часть логики, структурировать её, превратить в черновик, собрать страницу и затем переиспользовать материал. Но смысл статьи берётся из уже существующей работы: продукта, методологии моделирования и моего опыта работы с финансовыми моделями.
Контент-система связывает несколько элементов:
- логику Stavia Models;
- вопросы основателей;
- реальные скриншоты и примеры;
- AI-исследование и черновики;
- интерактивные блоки внутри статей;
- LinkedIn-посты;
- PDF-карусели, которые собираются через повторяемый процесс в Cursor.
В результате статья становится не разовой публикацией, а рабочим активом: её можно использовать для SEO, соцсетей, внутренних ссылок, будущих гайдов и образовательных материалов.
Стратегия
Стратегия контент-системы
План контента
План контента начинается с логики Stavia Models. Я смотрю, какие решения уже заложены в продукт: ценообразование, привлечение клиентов, AI/API-расходы, структура затрат, runway, финансирование, юнит-экономика.
Из этих решений появляются темы статей. Хорошая тема находится там, где пересекаются три вещи: что основателю нужно понять, что он реально ищет и что Stavia Models помогает смоделировать.
Опорная статья и процесс
Первая бенчмарк-статья требует больше времени, потому что в ней задаётся стандарт для всего процесса: как писать, как строить страницу, где использовать скриншоты, как добавлять интерактивные блоки, где ставить CTA и как передавать задачу в Cursor.
Для Stavia Models таким первым примером стала статья про SaaS-ценообразование до запуска. После неё у меня появился не только опубликованный материал, но и рабочий шаблон: структура статьи, визуальный ритм, логика внедрения и понятный процесс для следующих тем.
Распространение
Я сразу отношусь к статье как к материалу, который можно использовать дальше. После публикации она может стать LinkedIn-постом, PDF-каруселью, частью будущего гайда, внутренней ссылкой или объясняющим материалом для продукта.
Поэтому первая статья важна не только как публикация. Она помогает проверить весь цикл: от темы и черновика до страницы, соцсетей и PDF-формата. Когда этот цикл понятен, следующую тему можно запускать по тому же маршруту.
Процесс / 01
Я превращаю следующую тему в бриф статьи с помощью AI
Когда контент-стратегия уже задана, следующая статья начинается с конкретной темы из плана Stavia Models.
Я прошу AI собрать рабочий бриф: какое решение основателя мы объясняем, какую часть продукта используем как источник, какие скриншоты или примеры могут понадобиться и во что статья должна превратиться после публикации.
Для первой бенчмарк-статьи темой было SaaS-ценообразование до запуска. Здесь важно было связать цены, годовую и месячную оплату, отток, поступление денег, признанную выручку и юнит-экономику.
После первого ответа я корректирую направление. На этом этапе появляется моя экспертная часть: какие примеры реалистичнее, какой фокус сильнее, что лучше убрать и где нужна более явная связь с продуктом.
Что получается на выходе
- Решение основателя
- Что читатель должен понять или решить после прочтения?
- Продуктовая логика
- Какая часть Stavia Models объясняет это решение?
- Структура статьи
- Какие разделы должны быть в статье?
- Подтверждения
- Какие скриншоты, примеры или расчёты это поддержат?
- Дальнейшее использование
- Может ли статья позже стать текстовым постом в LinkedIn, каруселью, разделом гайда или внутренней ссылкой?
ЛОГИКА ЗАПРОСА
К этому моменту AI уже знает контекст проекта, контент-стратегию и общий процесс подготовки статьи.
Мне остаётся дать следующую тему и попросить начать первый этап:
Давай сделаем статью на тему [тема]. Начни с брифа статьи. Предложи фокус, структуру, ключевые разделы и идеи для визуалов.
После этого я проверяю бриф, уточняю фокус и добавляю примеры перед переходом к черновику.
Процесс
Я использую Cursor, чтобы извлечь продуктовую логику
Когда бриф готов, я не прошу AI писать статью из общих знаний. Сначала я иду в Cursor и прошу разобрать конкретную часть Stavia Models, которая стоит за темой.
Для бенчмарк-статьи про SaaS-ценообразование источником была вкладка с ценовыми параметрами. Cursor разобрал, какие данные вводит пользователь и как эти параметры дальше влияют на прогноз, P&L, денежный поток и юнит-экономику.
На выходе получается технически точное, но понятное для автора резюме: какие поля есть в продукте, что они означают, как связаны между собой и какие показатели меняют.
Это резюме становится мостом между продуктом и статьёй. ChatGPT получает не абстрактную тему, а реальную логику Stavia Models. А у меня появляется конкретный материал, который можно проверить перед черновиком.
Параметры ценообразования в Stavia Models: микс тарифов, месячные и годовые цены, отток и микс биллинга становятся исходной логикой для статьи.
Cursor превращает логику продукта и кодовой базы в понятное техническое резюме до написания черновика статьи.
ЛОГИКА ЗАПРОСА
На этом этапе я даю Cursor тему статьи и конкретный раздел продукта для анализа:
Проанализируй [раздел продукта] и связанные с ним расчёты. Объясни, какие параметры есть, что они означают, как влияют на прогноз и что важно понять перед написанием статьи.
Я проверяю извлечение на точность, прежде чем использовать его как исходный материал для статьи.
Процесс
Я собираю первый черновик из извлечённой логики
Когда есть бриф и извлечение из Cursor, можно переходить к первому полному черновику.
Бриф задаёт направление статьи. Извлечение из Cursor даёт фактическую основу: как работает нужная часть Stavia Models, какие параметры важны, как они влияют на прогноз и что должен понять читатель.
На этом этапе я прошу ChatGPT собрать первый текст. Параллельно добавляю свои комментарии: где нужен пример, где объяснение должно быть проще, какие бенчмарки стоит использовать и какие фразы не похожи на мой стиль.
Это ещё не финальная статья. Это рабочий черновик, который уже держится на правильной логике, следует выбранному фокусу и показывает, где нужны скриншоты, визуальные пояснения или интерактивные блоки.
После этого я проверяю черновик: логику, тон, примеры и недостающий контекст. Только потом текст можно передавать дальше для сборки страницы.
Входы для черновика
ЛОГИКА ЗАПРОСА
Я прошу AI использовать утверждённый бриф и извлечение из Cursor как источник для первого черновика:
Используй бриф и извлечение из продукта как основу для первого черновика. Держи текст в логике Stavia Models, следуй согласованной структуре, предложи места для скриншотов и визуалов, а неясные моменты отмечай отдельно.
Затем я проверяю черновик на точность, примеры, тон и недостающий продуктовый контекст.
Процесс
Я превращаю черновик в задачу для Cursor и собираю страницу
Когда черновик готов, я не отправляю в Cursor просто большой текстовый документ. Сначала прошу ChatGPT превратить его в понятную задачу для реализации.
В этой задаче уже описано, какую страницу нужно собрать, какую структуру сохранить, где поставить скриншоты, какие визуальные блоки нужны, как должен работать CTA и что проверить после сборки.
После этого я перехожу в Cursor. В моём процессе Cursor собирает страницу статьи внутри сайта Stavia Models: создаёт маршрут, подключает метаданные, раскладывает блоки, добавляет визуальные секции и места для скриншотов.
На этом этапе я вношу окончательные правки в текст, комментирую визуальные блоки и даю скриншоты для вставки на статью. Cursor может делать скриншоты сам, но пока точнее и быстрее сделать их руками и кинуть в чат.
Результат этапа — страница статьи на сайте, которую уже можно открыть в браузере и проверить как готовый материал, а не как текст в документе.
Чеклист внедрения
- Маршрут страницы
- Метаданные
- Разделы статьи
- Скриншоты и файлы
- Визуальные блоки
- Призыв к действию
- Мобильная версия и SEO
ЛОГИКА ЗАПРОСА
Что я прошу ChatGPT перед работой в Cursor
Черновик утверждён.
Подготовь задачу для Cursor: маршрут, структура страницы, дизайн-референсы, скриншоты или временные заглушки, визуальные блоки, CTA, метаданные и чеклист проверки. Сохрани текст близко к утверждённому черновику и отдельно отметь всё, где ещё нужно моё решение.
Процесс
Я добавляю интерактивные блоки, когда логику нужно почувствовать
В статьях Stavia Models я добавляю интерактивные блоки там, где финансовую идею проще понять через действие.
В финансовом моделировании много связей: цена влияет на выручку, отток — на рост, CAC — на расходы, найм — на burn rate и runway. Можно описывать это абзацами, но иногда лучше дать читателю поменять несколько параметров и сразу увидеть результат.
Поэтому в некоторых статьях появляются небольшие интерактивные модули: про ценообразование, каналы привлечения, AI/API-расходы, структуру затрат, найм или runway.
Такие блоки требуют больше работы, но они делают статью понятнее. Читатель видит не только объяснение, а саму связь между допущением и результатом: выручкой, cash timing, CAC, маржой, burn rate или runway.
AI-помощь в коде делает такие блоки практичными. Упрощённую финансовую логику я беру из продукта, а AI помогает быстро собрать интерфейс. Главное — заранее объяснить модель: какие параметры меняет читатель, какие показатели реагируют и какую идею должен прояснить блок.
Модуль top-down показывает, как одна цель по выручке даёт разный валовой прирост, расходы на привлечение и операционные последствия после добавления оттока и CAC.
Другой модуль может фокусироваться на затратах, расходах на AI/API, сроках найма или сценариях runway — в зависимости от темы статьи.
ЛОГИКА ЗАПРОСА
Я даю AI coding assistant упрощённую модель:
какие параметры может менять читатель, какие показатели должны реагировать и какую финансовую связь нужно показать.
Затем проверяю, достаточно ли ясно работает взаимодействие и не перегружает ли оно статью.
Процесс
Статья становится контентом для соцсетей
После публикации я использую статью как источник для соцсетей.
Для Stavia Models основная площадка — LinkedIn. Там есть нужная аудитория: основатели, SaaS-команды, консультанты, инвесторы и люди, которым интересны финансы стартапов.
Но та же статья может работать и в других каналах. Иногда я адаптирую материал для Telegram, а при необходимости эту же логику можно перенести на другие платформы — если изменить фокус, тон и формат.
Здесь важно не просить AI просто пересказать статью. Для соцсетей нужен отдельный угол: одна сильная идея, проблема основателя, ошибка в моделировании, практический вывод или пример, который работает сам по себе и ведёт к полному материалу.
Так статья переиспользуется, но не превращается в набор одинаковых пересказов.
ЛОГИКА ЗАПРОСА
Я даю AI статью и прошу найти один сильный угол для поста:
Возьми эту статью как источник и набросай пост в LinkedIn для основателей вокруг одной сильной идеи из неё. Держи тон практичным и близким к моему голосу, без пересказа всей статьи.
Затем проверяю пост, чтобы он звучал как мой голос и не терял логику исходной статьи.
Процесс
Я собрала кодовую систему для PDF-каруселей
После публикации статьи я иногда превращаю её в LinkedIn-карусель. Для этого я не стала уходить в отдельный инструмент для слайдов, а собрала повторяемую систему генерации внутри самого проекта.
Логика простая: у Stavia Models уже есть свой стиль продукта, компоненты сайта и визуальный язык. Значит, эти же цвета, сетки, шрифты и элементы можно использовать не только на сайте, но и в PDF-слайдах.
В Cursor я создала небольшой slide engine: шаблоны слайдов, рабочий файл, примеры-эталоны, превью и экспорт в PDF. Благодаря этому карусель выглядит как часть продукта, а не как отдельная презентация из случайного шаблона.
Процесс всё равно начинается со статьи, но карусель не должна быть её сокращённой копией. Сначала я выбираю отдельный фокус: одну практичную идею, схему или вопрос основателя, который хорошо раскладывается на короткую визуальную последовательность. ChatGPT помогает собрать логику слайдов, а Cursor превращает её в PDF внутри существующего генератора.
Этот подход работает не только для LinkedIn. На той же основе можно собирать презентации, one-pagers, схемы и другие визуальные материалы, если они опираются на продукт и его контент.
Опубликованная карусель Stavia в LinkedIn: статья превращается в отдельный визуальный формат с более узким фокусом и понятной последовательностью слайдов.
В Cursor у меня есть повторяемая система: шаблоны, эталонные деки, рабочий файл, превью и экспорт в PDF в визуальном стиле Stavia.
ЛОГИКА ЗАПРОСА
Возьми эту статью как источник и предложи фокус для LinkedIn-карусели.
Затем подготовь задачу для Cursor: собрать слайды в существующем генераторе, использовать стиль Stavia, сделать структуру короткой, визуальной и готовой к PDF-экспорту.
После этого я проверяю фокус, последовательность слайдов и визуальную ясность перед экспортом финального PDF.
Цикл переиспользования контента
Одна статья становится источником для нескольких форматов
- Статья в блоге
- Пост в соцсетях
- PDF-карусель
- Внутренние ссылки
- Будущий гайд
- Обучение по продукту
Логика остаётся той же, но глубина, подача и формат меняются в зависимости от площадки.
- Исходная статья
- Статья в блоге
- Пост в соцсетях
- PDF-карусель
- Внутренние ссылки
- Будущий гайд
- Обучение по продукту
Результат
Что даёт такая система
После первой серии статей процесс начинает работать заметно быстрее.
Больше всего времени занимает первая бенчмарк-статья. В ней я задаю стандарт текста, структуру страницы, визуальный ритм, логику скриншотов, роль интерактивных блоков и сам маршрут от идеи до публикации. Такая статья не делается быстро, зато потом становится точкой отсчёта для следующих материалов.
Следующие статьи всё ещё требуют внимательной проверки. Я смотрю логику, уточняю фокус, переписываю фрагменты, которые звучат не как я, комментирую структуру страницы, правлю визуалы и объясняю, что нужно сделать иначе. Это не лишняя работа: именно так накапливаются правила для будущего процесса.
Через несколько итераций становится видно, какие правки повторяются. Их можно собрать, дать AI и попросить найти закономерности: как я обычно объясняю логику, что убираю, где добавляю примеры, какой тон мне ближе, какие визуальные решения работают лучше. После этого часть проверки можно перенести в инструкции для следующих статей.
Для Stavia Models это особенно важно, потому что продукт сам построен на связях. Ценообразование, привлечение, расходы, runway и юнит-экономика влияют друг на друга внутри модели, и статьи тоже начинают складываться в связанную систему. Один материал объясняет часть логики, затем становится основой для внутренних ссылок, LinkedIn-постов, PDF-каруселей и будущих разделов гайда.
На этом этапе мои запросы к AI становятся намного короче. Я могу взять следующую тему из контент-плана и попросить пройти по уже задокументированному workflow. Система знает бенчмарк-статью, структуру, типичные правки, логику проверки и ожидаемые форматы на выходе.
Главный результат в том, что работа становится повторяемой, но не превращается в шаблонный контент. Бенчмарк задаёт стандарт, первые итерации накапливают обратную связь, а следующие статьи идут быстрее, потому что процесс уже содержит мои прошлые решения, комментарии и правки.
Что накапливается со временем
Исходные материалы
Продуктовая логика, скриншоты и экспертные комментарии можно использовать снова, а не собирать заново для каждой статьи.
Система страниц
Бенчмарк-статья задаёт структуру, визуальный ритм и процесс для следующих материалов.
Распространение
Одна статья может стать постом, PDF-каруселью, разделом гайда и внутренней ссылкой.
Обучение по продукту
Кластер помогает объяснять не только функции продукта, но и способ мышления за ним.
Адаптация
Что могут забрать себе другие эксперты и бизнесы
Такой процесс подходит не только для SaaS-продуктов.
Похожую систему могут собрать эксперты, консультанты, преподаватели, агентства и бизнесы, у которых уже есть сильная экспертиза, но пока нет понятного процесса, как превращать её в публичный контент и reusable-материалы.
Источник может быть любым:
Главное — не начинать каждый раз с пустого чата. AI работает намного лучше, когда у него есть реальная база: документы, примеры, логика продукта, записи, прошлые материалы и понятные правила проверки.
Такой системе нужны пять элементов:
- База исходников Продуктовая логика, документы, примеры, кейсы, записи или внутренние знания, с которыми может работать AI.
- Контент-стратегия Карта тем, потребностей аудитории, поисковых запросов и бизнес-целей.
- Бенчмарк-формат Одна сильная первая статья или страница, которая задаёт структуру, визуальный ритм, планку качества и способ внедрения.
- Производственный workflow Последовательность шагов: бриф, извлечение из источника, черновик, сборка страницы, визуалы, проверка и переиспользование.
- Экспертная проверка Человек, который проверяет логику, примеры, тон, точность, визуалы и принимает финальное решение о публикации.
В такой системе AI становится полезен для реальной экспертной работы: он помогает извлекать, структурировать, писать, собирать и переиспользовать материалы. Но качество появляется там, где у него есть источник, контекст и понятные точки проверки.
Для бизнеса это может стать контент-системой. Для эксперта — способом превращать мышление в статьи, материалы, продукты и публичные активы. Для команды — общим процессом вместо разрозненных AI-экспериментов.
Адаптируемая система
Следующий шаг
Хотите собрать похожую AI-контент-систему?
Если у вас уже есть экспертиза, продукт, документы, материалы курсов или клиентская работа, это можно превратить в повторяемую AI-контент-систему. Здесь важен не один идеальный промпт, а весь процесс вокруг него: источники, роли, проверка, внедрение и логика распространения.
