Channel
@mspodcast
On this record: Topic · Growth · Engagement · Reactions · Posts · Citations · Telegram's recommendations · Cite this entry
6,333subscribers
-15 since we began measuring on 6 August 2026
Risers and fallers across the register · movement among entries of 3,162–10,000.
| Telegram ID | -1001304350742 |
|---|---|
| Type | Channel |
| Username | @mspodcast |
| Created | 2 January 2020 — measured — cross-checked against a third-party dataset (ext.tg_channel) |
| First recorded | 6 August 2026 |
| Last confirmed live | 18 September 2026 |
| Measurements held | 15 |
| Confirmed unchanged | 1 time, most recently 18 September 2026 |
| On Telegram | t.me/mspodcast |
Technology — a classification, not a measurement. An on-box language model (Qwen3.6-35B-A3B-FP8, prompt version 1) read this channel’s own recent posts on 12 September 2026 and assigned it the closest of 31 fixed categories, at 63% confidence. This is a model’s judgement about what the channel is likely to be about, not a fact this register measured the way a subscriber count or a view count is measured — it can be revised on a later pass, and it carries no weight anywhere else on this page. How this classification works, and why it has no browse page of its own yet.
| Measured (UTC) | Subscribers | Change |
|---|---|---|
| 18 Sept 2026, 15:37 | 6,333 | -1 |
| 14 Sept 2026, 03:39 | 6,334 | +1 |
| 10 Sept 2026, 02:19 | 6,333 | +4 |
| 4 Sept 2026, 11:55 | 6,329 | +9 |
| 1 Sept 2026, 06:55 | 6,320 | -3 |
| 28 Aug 2026, 22:46 | 6,323 | -1 |
| 26 Aug 2026, 05:16 | 6,324 | -3 |
| 23 Aug 2026, 05:58 | 6,327 | -14 |
| 19 Aug 2026, 19:34 | 6,341 | +2 |
| 16 Aug 2026, 08:56 | 6,339 | -1 |
| 13 Aug 2026, 01:06 | 6,340 | -4 |
| 9 Aug 2026, 18:22 | 6,344 | -7 |
| 6 Aug 2026, 15:54 | 6,351 | +3 |
| 6 Aug 2026, 03:21 | 6,348 | no change |
| 6 Aug 2026, 02:37 | 6,348 | first reading |
21 posts held, back to 2 April 2026 — the reader has not yet reached the start of this channel’s public history, so older posts may sit further back, unread. Read across 9 pages of Telegram’s post history, 20 posts per page.
Nothing published in the last 30 days. ERR and ER are rolling 30-day measures, so there is nothing to compute — we hold 21 posts for this entry, the most recent from 6 August 2026. An engagement rate over an empty window would be a number about nothing.
187 reactions across 20 posts, in 4 distinct kinds. The most used accounts for 47.1% of them.
| Reaction | Count | Share | Share, drawn |
|---|---|---|---|
| ❤ | 88 | 47.1% | |
| 🔥 | 55 | 29.4% | |
| 👍 | 31 | 16.6% | |
| 🦄 | 13 | 6.95% |
No sentiment is inferred, and none should be read in. This table is ordered by count and by nothing else. Emoji do not carry stable meaning across languages or communities — 🙏 is thanks in one channel and mourning in another — so we publish which ones were pressed and how often, and pass no judgement on what an audience meant by them.
Precision. Telegram publishes reaction counts per emoji and short-forms each one — 4.34K, 1.2M — so any single kind at or above 1,000 reaches us at three significant figures, and only counts below 1,000 are exact. The shares above are ratios of those figures and carry the same error. This is also why the total here can differ slightly from a reaction total printed elsewhere on the page: both are sums of the same rounded parts, taken over samples with different edges.
Coverage. Reactions were read on 21 of the 21 sampled posts in this sample. Summed by Telegram’s own count on each post — not by adding up the per-emoji breakdown above — those same posts carry 196 reactions in total: the kind of figure the paragraph above means by “a reaction total printed elsewhere on the page”.
Measured over the 21 most recent posts we hold, published 2 April 2026 to 6 August 2026, using the newest reading held for each. Telegram Stars are excluded: they are a payment, not a reaction, and they have their own section.
425-й выпуск make sense: об иллюзии роста производительности, способах контроля ИИ, разнице личного и системного эффекта «К концу 2025 года 97% опрошенных менеджеров продуктов уже использовали ИИ в работе, но 77% не видели изменений в продуктовых метриках. Встроить ИИ в процессы с конкретными целевыми показателями успели только около 10% участников». «Можно научить каждого станочника быстрее управлять новым двигате…
🔥6❤1🦄1
ProductSense'26 совсем скоро — пора за билетами Мы давно не писали про конференцию в этом канале, а она уже на подходе. Собрали здесь всё, что нужно знать, чтобы принять решение. 📌 10–11 сентября, Конгресс-центр ЦМТ в Москве + онлайн. Тема 2026 года — «Фундамент и эволюция: как меняется продуктовая работа» Что в продуктовой работе остаётся неизменным, а что уже требует новых подходов? Разберем через реальные кейсы…
🔥3❤1
424-й выпуск make sense: об аналитическом подхалимстве ИИ, принятии решений и убедительной предвзятости «Сказать руководителям „относитесь к советам критически" примерно так же полезно, как сказать людям „не поддавайтесь когнитивным искажениям"». «Самый опасный не тот аналитик, который ничего не понимает, — его ошибки обычно заметны. Гораздо опаснее система, которая достаточно хорошо понимает задачу, данные и самог…
👍4🦄3❤1
423-й выпуск make sense: о скрытом обучении, вытеснении новичков из работы и двух результатах любой работы «У процесса всегда было два результата. Первый — сама выполненная работа. Второй — человек, который стал чуть лучше способен выполнять эту работу самостоятельно» «Одни и те же модели будут доступны огромному количеству компаний и специалистов. Дефицитом станет среда, в которой люди продолжают приобретать опыт,…
❤5
422-й выпуск make sense: О дешёвых прототипах, роли суждения и почему LLM ускоряют и плохой процесс «Прототип может ускориться в 10 раз, а весь путь продукта — только на 10%. Эта цифра не обесценивает ускорение, а помогает понять, где именно оно произошло.» «LLM способны ускорить не только хороший, но и плохой продуктовый процесс: плохая команда быстрее превратит своё предположение в красивый прототип и убедит себя…
❤7🔥1
421-й выпуск make sense: о том что такое агент, уровнях автономности и проектировании рабочей среды «Модель не становится агентом просто потому, что мы её так назвали. Она может хорошо рассуждать, писать сильные тексты, код, планы. Но пока вокруг неё нет рабочего контура — это всё ещё не агент.» «Одна и та же модель в плохой обвязке будет выглядеть как болтливый стажёр: много текста, много уверенности и мало ответс…
🔥4❤2
420-й выпуск make sense: о задачах и артефактах, декомпозиции и работе с агентами «То, что мы называем задачей, часто есть название артефакта, и это совсем не равно задаче. Лендинг — это форма результата, стратегия — жанр документа. Задача появляется только тогда, когда понятно, какую работу этот артефакт должен выполнить.» «Плохой результат легко отбросить, а вот средний нас затягивает. И как раз в этом и заключае…
🔥6
419-й выпуск make sense: о том, как работать за границами своей компетентности, сигналах доверия и способах проверки ответов «Компетентность — это не просто объём знаний, это способность видеть ситуацию иначе: замечать несостыковки, видеть фальшь, узнавать паттерны, быстро понимать, где ответ нормальный, а где в нём что-то не так.» «Доверие — это механизм снижения социальной сложности. Без доверия невозможно жить, …
🦄5❤3🔥3
418-й выпуск make sense: о продуктовом мышлении, роли артефактов в эпоху LLM и изменении критериев оценки результатов «Продуктовое мышление — это способность превращать неопределённость в проверяемые продуктовые решения, удерживая одновременно пользователя, бизнес, систему и команду.» «Вкус — это способность чувствовать последствия решения до того, как они действительно развернулись.» «Можно много чего делегироват…
👍4
417-й выпуск make sense: об устройстве контекстного окна моделей, неоднородности интеллекта и правилах контекст-инжиниринга «То, что вчера требовало от эксперта знаний — сделать сайт, написать описание, разметить данные — сегодня модель делает почти что из коробки.» «Модель на самом деле не ошибается — просто у неё нет понимания, как решать именно эти задачи.» «Когда вы ловите себя на том, что повторяете модели од…
❤7
416-й выпуск make sense: о децентрализованных финансах, новых классах уязвимостей, ИИ в трейдинге и смарт-контрактах «Безопасность за счёт скрытия алгоритма почти никогда не работает. Если ваш криптографический алгоритм — это black box, это не делает его безопаснее: как только данные о его работе утекут, он тут же перестанет быть безопасным.» «Голосование в смарт-контракте честнее настоящих мировых голосований: что…
❤6👍2
415-й выпуск make sense: о зрелости менеджеров, карьере за рубежом и ИИ-нативных агентствах «Зрелость — это производная того опыта, который ты прожил. А ты проживаешь опыт либо когда у тебя очень интенсивные события, либо когда тупо идёт время. И хотим мы этого или нет, самое главное здесь — это время» «Продакт-менеджмент с появлением ИИ и тулзов больше будет превращаться именно в ремесло. И для того, чтобы быть хо…
❤9👍3🔥3
Showing the 12 most recent of 21 posts we hold for @mspodcast. View and reaction counts are the latest single reading for each post, not a live figure, and a recent post is still accumulating both. A view count marked ≈ was rounded by Telegram before we ever saw it — t.me prints views in full below 1,000 and to three significant figures above, so ≈1,200,000 means somewhere between 1,150,000 and 1,249,999. Unmarked counts are exact. Text is reproduced from the public post preview and truncated for length.
Republished by
Channels on the register that have forwarded this channel's posts into their own feed.
Built only from forwarded posts we have actually read, on both sides. Coverage is early and deliberately incomplete: a missing link means we have not read the post that would prove it, never that the relationship does not exist. Counts are distinct forwarded posts observed, so they only ever go up as we read more.
Named by 9 registered channels — every channel on the register whose own posts have named this one, by its current username or any other username it currently holds, merged from two separately captured readings of the same fact so a namer caught by only one of them is not missed and a namer both caught is not counted twice. A username this channel has since dropped is not matched — that handle may belong to someone else now, and crediting today’s namer to yesterday’s owner would misattribute it.
Named by
Channels on the register whose posts name this channel's handle.
Names
Channels on the register whose handles appear in this channel's posts.
A mention is a weaker signal than a forward and is counted separately for that reason — naming a channel is not republishing it, and a handle in a post body is easy to place deliberately. The post counts beside each row below are distinct posts in which the handle appeared, from posts we have read on both sides — the “Named by N registered channels” figure above is a different count, of distinct NAMING CHANNELS rather than posts, and is not the sum of the rows under it.
The reverse of the list above, and a different kind of signal. This does not require this channel to have ever been asked about directly — each row below is a channel we DID ask Telegram about, whose Telegram-generated list happened to include this one. A channel can appear here with an empty list above it, because being named by someone else’s query is independent of having been queried itself.
This channel appears in 5 seed channels' Telegram-generated recommendation lists in total. Each is Telegram’s list for THAT channel, not this one — see how this is measured.
A live page changes as we take new readings, so a citation should name the measurement it is based on, not just the URL. The line below cites the subscriber count as measured 18 September 2026 — this entry's latest reading, not the date you are reading this.
“Подкаст make sense (Есть смысл)” (@mspodcast), 6,333 subscribers as measured 18 September 2026. Telegram Register, tgregister.com/channel/mspodcast.
Full measurement history, CC BY 4.0. Every reading this register holds for this entry, not just the latest one, as a dated, downloadable record: CSV · JSON. Free to use with attribution to tgregister.com. Each file carries its own generation timestamp, which is the figure to cite for exactly when the data was retrieved.