AI Strategy Frameworks. Part 2.

 

How can teams bridge strategic ambitions with the practical steps to deploy, scale, and govern AI effectively? Our AI Strategy Frameworks (Part 2) presentation provides the toolkit to turn opportunity into organized execution. It brings together strategy models that define direction, value creation approaches that pinpoint impact, execution blueprints that drive delivery, scaling frameworks that sustain adoption, and governance systems that ensure accountability. Each framework sharpens decision quality, accelerates alignment across business and technical teams, and reduces wasted experimentation.

Grounded in current industry practices, these frameworks help teams achieve faster innovation cycles, stronger collaboration, and higher returns from AI investments. Strategic consistency replaces fragmented experimentation, while governance discipline mitigates risk and builds trust. As these effects compound over time, early AI projects progress into scalable engines of performance, resilience, and long-term competitive differentiation.

Strategy

To realize true value and achieve sustained advantage with new technology, AI shouldn’t be positioned just as a capability, but as a long-term source of competitive advantage.

The Pioneer–Migrator–Settler Map frames AI strategy as a dynamic trajectory rather than a static state. It articulates whether the current portfolio emphasizes value imitation, value improvement, or value innovation, and whether that posture is intentional or accidental. As progress movements visualize over time, the map drives more honest conversations about aspiration versus reality. It also provides a shared language to discuss competitive positioning, making it easier to align investment decisions with where the organization actually wants to lead rather than where it happens to operate today.

While ambition sets direction, execution constraints often determine outcomes. The BCG’s 10–20–70 Model reframes AI challenges away from a narrow focus on algorithms and platforms. This lens is especially useful when AI initiatives stall despite strong technical foundations. By diagnosing friction in skills, incentives, governance, and prioritization, the model helps teams redirect effort toward the real bottlenecks that limit scale and impact.

Strategic intent must also pass a reality check. The AI Feasibility Assessment evaluates where value originates, who depends on the system, and what capabilities are required to deliver results. It balances numerical ROI with non-financial gains such as decision quality and operational speed, so that feasibility discussions reflect the full value equation rather than short-term cost logic alone.

Value Creation

Value creation shifts the conversation from strategic intent to economic substance. Its purpose is to make AI value explicit, comparable, and defensible, especially in environments where enthusiasm can outpace financial discipline.

Value Engineering decomposes AI value into tangible and intangible drivers and clarifies where returns actually come from and how they accumulate over time. By separating revenue growth, cost efficiency, and productivity gains from softer outcomes such as trust, ethics, and risk reduction, it avoids the common trap of overstating ROI through narrow metrics. As more AI initiatives compete for capital, this approach allows leaders to compare use cases on a consistent economic logic rather than narrative appeal.

Cost discipline becomes more nuanced when scale enters the picture. Initial implementation costs, whether driven by custom development or off-the-shelf solutions, rarely tell the full story. The Total Cost of Ownership (TCO) view and the Cost vs. Value Realization curve break down how AI economics evolve across time horizons. These tools highlight how integration complexity, usage growth, infrastructure demands, and organizational change introduce second-order costs that surface well after launch. At the same time, they show that value often compounds nonlinearly once systems stabilize and adoption deepens.

Execution

Many AI strategies falter at the point of transition from approved ideas to durable systems that operate in real environments. CPMAI’s AI Project Go/No-Go Decision Model introduces a disciplined gate before resources fully commit. By testing business, data, and implementation feasibility in parallel, the model prevents technically impressive but operationally fragile initiatives from advancing.

For product-centric organizations, execution clarity also depends on choosing the right AI interaction pattern. The AI Product Experience Archetype distinguishes between chat, tool, copilot, and agent-based experiences. Rather than defaulting to autonomous agents because they appear more advanced, teams can align product design with user trust, task structure, and risk tolerance.

Delivery speed and consistency hinge on how development work flows across teams. Development Lifecycle Optimization highlights how AI-enabled delivery compresses traditional stages without sacrificing validation. By collapsing discovery, experimentation, and build cycles, it reduces frictions created by siloed ownership and fragmented data.

Finally, execution maturity depends on knowing where machines add leverage and where human judgment remains essential. The Human-Machine Task Distribution Map visualizes that boundary across task complexity and decision criticality. This framework prevents role confusion, builds trust in AI outputs, and supports responsible scaling.

Scaling

As AI initiatives mature, scaling becomes more about managed progression where technical ambition and organizational trust advance in parallel.

The Data-to-Strategy Impact framework clarifies how analytics capabilities evolve as AI systems absorb more data and influence higher-stakes decisions. It shows that moving from operational intelligence to predictive and prescriptive analytics is not merely a tooling upgrade, but a shift in how organizations compete. Each step along the curve demands greater rigor in data foundations, governance, and deployment maturity, while also delivering disproportionate gains in business impact.

Once systems operate at scale, performance scrutiny intensifies. The Model Performance and Confusion Matrix, paired with Interpretability-Performance Trade-off, brings that scrutiny into focus. Performance metrics across training, validation, and real-world testing reveal how models behave under varied conditions, exposing stability, drift, and edge-case risk. In parallel, the interpretability curve forces explicit trade-offs between accuracy and explainability, a tension that grows sharper as models influence customer outcomes, pricing, or compliance-sensitive decisions.

Governance

AI risk is no longer hypothetical, and governance can no longer be informal. The Gen AI Risk Assessment decision tree establishes a clear way to reason about exposure before systems are deployed. Risks are categorized into input risk, system risk, and output risk, which prevents teams from collapsing all AI risk into a single judgment. This structure helps organizations distinguish between acceptable experimentation and activities that require stronger safeguards or should be avoided altogether.

Once risks are identified, the Risk Treatment Cost-Benefit model frames risk reduction as an investment choice. By comparing expected loss, probability of occurrence, and mitigation cost, leaders can justify security and compliance spending in business terms. 

Ethical considerations require a different kind of rigor. The Triadic AI Ethics Assessment operationalizes ethics across system design, data stewardship, and deployment lifecycle. By mapping ethical principles such as fairness, accountability, explainability, and privacy across information, cognitive, and physical domains, it avoids the treatment of ethics as a one-time checklist. Instead, it reinforces that ethical performance evolves as systems scale, interact with users, and influence real-world outcomes.

Conclusion

What ultimately differentiates successful AI programs is not model sophistication, but coherence across decisions. [Name] provides the connective tissue that links ambition to economics, execution to scale, and innovation to responsibility. Apply these frameworks to move beyond isolated wins toward AI systems that compound value, earn trust, and remain durable as technologies, markets, and expectations evolve.

https://tinyurl.com/3m9msphv

Як обрати позиціонування IT-агенції

 

9 із 10 IT-агенцій, з якими я спілкуюсь

Не мають позиціонування.

Вони взагалі не думають, що це важливо.

«Ваш технологічний партнер»
«Якісна розробка для стартапів, SMBs та ентерпрайзів»

Це не позиціонування.

Справжнє позиціонування відповідає на одне питання,
яке клієнт вже задає сам собі.

І від того, як саме він його формулює, залежить, який тип позиціонування у вас спрацює.

Для IT-агенцій працюють лише 3 типи позиціонування.
(або кути позиціонування)

Ось як визначити ваш тип позиціонування

Тип 1. Клієнти гуглять конкретний тип агенції?
Порівнюють на Clutch чи GoodFirms?

Якщо так, у вас зріла категорія.

Позиціонування по категорії: «Ми, React-агенція для SaaS-стартапів».

(для невеликих агенцій не рекомендується)

Тип 2. Клієнти описують задачу, але не знають, який тип агенції це вирішує?

«Запустити перший продукт за 3 місяці.»
«Швидко масштабувати розробку.»
«Зробити iOS-застосунок до сезону свят.»

Позиціонування по юзкейсу: «Ми допомагаємо запустити перший продукт за 90 днів».

Тип 3. Більшість клієнтів робить це руками?

Ось що ви чуєте на діскавері:
«Інхаус команда не має цієї експертизи»
«Фрилансери не надійні»
«CTO плюс 1 розробник, не справляємося.»

Позиціонування по активності:

«Ми робимо швидку розробку для брендів, у яких немає інженерної команди»

Якщо ніщо з цього вам не підходить, переоцініть,
що ви знаєте про свій ринок.

А якщо ще не знаєте, з чого починати, ось підказка за вашою стадією:

Стадія 0-1 (до $500K ARR, експерименти): по активності.

Потрібна простота і конкретика, поки ви ще шукаєте, чий біль вирішуєте найкраще.

Стадія 2 ($500K-1.2M, нішування): по юзкейсу. (у мене таке)

Ви вже знаєте, які саме задачі вирішуєте найкраще, продавайте через результат.

Стадія 3 ($1.2M-5M, ріст): по категорії.

Є кейси і впізнаваність, час займати категорію.

Стадія 4 ($5M+, експансія): по категорії з підсиленням юзкейсами.

Категорія тримає бренд, юзкейси конвертують конкретні сегменти.

Чим раніше ви визначитесь, тим швидше ваш сейлз-пітч перестане звучати як у всіх.

https://tinyurl.com/nhccptaf

Як створити value proposition IT-агенції

 

Чому ваш лідген не працює, а у конкурентів працює?

Ваш ЛПР отримає сотні однакових листів на день і не пам'ятає жодного.

А ви докидаєте бюджет в аутбаунд,
тестуєте новий канал,
шукаєте правильного SDR.

А конверсій немає.

Проблема не в каналах.

Проблема в Value Prop, який не побудований як частина GTM стратегії.
А лише як слоган на сайті.

https://tinyurl.com/3xsypkb9

Як інтегрувати генеративний ШІ у вашу маркетингову стратегію?

 

Дхрув Ґревал (Dhruv Grewal), Синтія Саторніно (Cinthia B. Satornino), Томас Девенпорт (Thomas H. Davenport), Абхіджит Гуха (Abhijit Guha)

Джерело: HBR

Щоб упровадження генеративного штучного інтелекту (GenAI) у маркетингові процеси було ефективним, компаніям варто знаходити баланс між автоматизацією, персоналізацією та людським контролем. Насамперед слід визначити завдання: генерування контенту чи прогнозування на основі даних. Далі — чи вистачає стандартної моделі, чи потрібно використовувати власні дані для підвищення точності. І нарешті — який рівень людської участі необхідний з огляду на ризики. Створення чіткої структури для оцінювання цих компромісів допомагає зберігати ефективність, водночас зменшуючи ризики помилок, витоків даних та порушень вимог регуляторів.

Генеративний штучний інтелект спричинив технологічний прорив у всій ринковій екосистемі, особливо в маркетингу, змушуючи зацікавлені сторони усвідомлювати його наслідки, можливості та виклики. Оскільки GenAI створює різні форми контенту, маркетологи часто розглядають його як потужний інструмент для написання описів продуктів, блогів, відео- й вебреклами, персоналізованих пропозицій для клієнтів і проведення маркетингових досліджень (зокрема, для прогнозування реакцій потенційних і наявних клієнтів, а також інших учасників ринку).

Дев’яте видання звіту «State of Marketing» («Стан маркетингу») від Salesforce, що базується на опитуванні 5000 маркетологів з усього світу, виявило, що «впровадження або використання ШІ» стало їхнім пріоритетом номер один. І деякі компанії вже отримують помітні результати: зокрема, компанія Vanguard підвищила конверсію реклами в LinkedIn на 15% завдяки GenAI, а Unilever скоротила час відповіді клієнтам на 90%.

Попри гучні кейси — обережність зростає

Утім, той самий звіт засвідчує: попри високий рівень зацікавленості, повністю впровадили GenAI лише 32% опитаних. Для порівняння: 96% або вже мають його у своєму технологічному стеку, або планують впровадити протягом наступних 18 місяців. Така обережність небезпідставна. Навіть великі гравці припускаються помилок: приміром, Coca-Cola презентувала ремейк свого відомого святкового ролику 1995 року, створений за допомогою ШІ. Спочатку реклама сподобалась аудиторії, однак згодом її розкритикували за «холодність» — типовий недолік штучного зображення.

Отже, питання вже не в тому, чи впроваджувати GenAI, а як це зробити правильно. Без системного підходу інновація ризикує обернутися іміджевою кризою або втратою контролю над контентом.

Незважаючи на масштаб ризиків, багато директорів із даних та аналітики (CDAO) досі не мають чіткої стратегії щодо інтеграції GenAI у маркетинг. Часто інструменти обирають безсистемно — на рівні окремих працівників, без координації з топменеджментом. Після розмов із понад 20 керівниками автори дійшли висновку: найуспішніші трансформації ґрунтуються на трьох ключових рішеннях:

·       Коли використовувати саме генеративний, а коли — аналітичний ШІ?

·       Які вхідні дані потрібні: загальні чи кастомізовані?

·       Який рівень людського втручання потрібен для забезпечення якості та зниження ризиків?

 

Ключові питання для впровадження GenAI

Для прийняття таких рішень компаніям варто відповісти на низку запитань:

 

·       Які завдання ми хочемо реалізувати за допомогою GenAI (наприклад, створення контенту чи бізнес-прогнозування)?

·       Чи маємо ми структуровані або неструктуровані дані для конкретного сценарію?

·       Які в нас обмеження ресурсів?

·       Наскільки потрібно підвищити продуктивність?

·       Якою є допустима швидкість доставки результатів кінцевим користувачам?

·       Наскільки критичними є можливі помилки у вихідних даних GenAI?

·       Чи пов’язані точність, конфіденційність і зменшення ризиків із нашою репутацією?

·       Який рівень контролю ми хочемо зберегти над процесом і результатом?

·       Які юридичні та регуляторні ризики ми готові прийняти?

·       Наскільки гостро стоять питання конфіденційності для нас і наших користувачів?

 

Який ШІ потрібен — аналітичний чи генеративний?

Перший стратегічний крок — з’ясувати, чи потребує ситуація генеративного ШІ, чи достатньо аналітичного. На жаль, багато фахівців не завжди розуміють різницю. Аналітичний ШІ працює з наявними структурованими даними (наприклад, числовими таблицями), аналізує їх і допомагає прогнозувати або класифікувати нові дані. У маркетингу він широко використовується для прогнозування покупок, реакцій на знижки, натискання на рекламу тощо.

Такий підхід перевірений часом. Наприклад, ще близько десяти років тому Kia застосувала IBM Watson для пошуку лідерів думок, що відповідали цінностям бренду. Це допомогло зміцнити його позиції під час Супербоулу 2016 року.

Генеративний ШІ також ґрунтується на машинному навчанні, але має іншу мету — створення нового контенту на основі виявлених шаблонів. Він працює з неструктурованими даними (тексти, звуки, зображення) і генерує нові неструктуровані результати: рекламні тексти, зображення продуктів, повідомлення клієнтам, опис товарів, аналіз настроїв тощо.

Комбінація обох підходів дає максимальний ефект: аналітичний ШІ підбирає найкращу пропозицію, а генеративний — формує персоналізований текст. Це забезпечує не лише точність, а й релевантність у комунікації.

 

Чи потрібні кастомізовані чи універсальні дані?

Наступне питання — які вхідні дані потрібні. Вибір — між фундаментальними (універсальними) моделями, натренованими на публічних джерелах, і кастомізованими моделями, що навчаються на власних корпоративних даних. Можливі також гібридні підходи.

У загальних випадках GenAI працює на основі широких наборів даних (Вікіпедія, соціальні мережі тощо), що підходить для чатботів чи генерації загального контенту. Але для вузькоспеціалізованих задач, як-от створення продуктового контенту чи підтримка клієнтів, ефективнішими є моделі, адаптовані під власні дані.

Найпоширеніша маркетингова практика — використання універсальних моделей із доповненням власним контентом через промпт-інжиніринг (prompt engineering) або пошуково-доповненої генерації (retrieval-augmented generation, RAG). Це підвищує точність без потреби змінювати саму модель.

Працюючи з власними даними, компанії часто обирають відкриті моделі на власних серверах або приватні версії моделей від хмарних провайдерів — задля захисту інтелектуальної власності.

Баланс між універсальними й кастомними даними — це баланс між вартістю та ризиком.

 

Скільки людської участі потребує GenAI?

Останнє ключове рішення — ступінь людського втручання перед наданням результату користувачу.

У простих випадках (наприклад, узагальнення внутрішніх даних) — втручання не потрібне. Якщо ж контент має юридичну силу або серйозно впливає на репутацію — обов’язкова перевірка. Відомий приклад: чатбот Air Canada пообіцяв знижку, яку компанія не планувала надавати, але суд зобов’язав її це зробити.

Людська участь уповільнює процес, але знижує ризики помилок і неточностей.

 

Фреймворк для ефективного використання GenAI в маркетингу

Поданий авторами фреймворк допомагає керівникам системно оцінювати компроміси між різними підходами — аби максимально використати потенціал генеративного ШІ, обрати відповідні інструменти згідно зі стратегічними й тактичними цілями компанії, а також збалансовано управляти ризиками та вигодами.

Чотири квадранти моделі відображають конкретні поєднання вигод і витрат залежно від:

·       витрат на створення та доступ до вхідних даних (для навчання моделей),

·       потреби в перевірці вихідних результатів перед їх передаванням кінцевому користувачеві.

 

Деякі маркетингові завдання не потребують спеціалізованих вхідних даних і пов’язані з низьким ризиком помилок або неточностей (наприклад, узагальнення відгуків про продукт). У таких випадках доцільне використання GenAI із мінімальною або взагалі без участі людини на виході.

Ці малозатратні та прості в реалізації процеси забезпечують високу швидкість і низьку собівартість. Ризики конфіденційності чи неточностей визнаються прийнятними, з огляду на швидкість і економічну доцільність.

Типові приклади:

·       підсумки внутрішніх маркетингових досліджень;

·       резюме клієнтських розмов;

·       конспекти внутрішніх зустрічей;

·       інший контент, що не призначений для зовнішнього використання й не має юридичної сили.

Для компаній, які використовують загальнодоступні моделі, але прагнуть точності, підходить підхід, коли модель генерує контент, а людина — перевіряє і редагує його перед публікацією.

Це збільшує витрати на людські ресурси та знижує швидкість доставки, але суттєво зменшує ризики помилок і неточностей.

Типові приклади:

·       блогові публікації;

·       епізоди подкастів, створені ШІ;

·       рекламні описи добре відомих товарів.

У цьому варіанті компанії використовують власні закриті дані для створення контенту, проте не передбачають участі людини в перевірці результатів. Це потребує значних інвестицій у створення та підтримку приватних баз знань, але дозволяє генерувати більш релевантний контент і мінімізувати ризики витоку конфіденційної інформації.

Утім, відсутність модерації може призводити до неточностей, які компанія визнає допустимими в контексті конкретного застосування.

Типові приклади:

·       рекомендації щодо розміщення товарів у магазині;

·       чатботи служби підтримки, які мають доступ до закритої внутрішньої інформації;

·       системи внутрішнього управління знаннями в межах маркетингових підрозділів.

Найдорожчий, але й найбезпечніший підхід. Використання власних даних у поєднанні з ретельною людською перевіркою забезпечує високу точність, релевантність і мінімізацію ризиків.

Такі реалізації потребують:

·       витрат на створення й підтримку кастомних наборів даних;

·       часу та ресурсів на перевірку й редагування результатів.

Цей підхід виправданий у випадках, коли контент є чутливим, юридично значущим або безпомилкова точність критично важлива.

Типові приклади:

·       юридично зобов’язуючі пропозиції для клієнтів;

·       описи медичних препаратів або засобів, що регулюються законодавством.

***

Генеративний і аналітичний ШІ — не взаємовиключні, а взаємодоповнювальні технології. Компанії, які прагнуть масштабної трансформації, мають враховувати всі можливі сценарії та збалансовувати ризики з вигодами. Хоч технології надалі розвиватимуться, впровадження GenAI вже сьогодні потребує стратегічного мислення, інвестицій та управління.

Джерело:  https://tinyurl.com/2999ht48

3 archetypes: how companies approach AI adoption

 

Laura Stevens

As organizations navigate the AI revolution, we see three distinct AI adoption archetypes emerging. Each represents a different approach to leveraging AI, whether as a growth engine, an enterprise-wide transformation enabler, or a deep functional enhancement.

1. Outward AI: AI as a revenue generator (AI as a product/service)

These companies place AI front & center in their business or operating model, using it as a core differentiator/growth driver. AI isn’t just a supporting tool, it’s a core product or a revenue enabler.

Characteristics

• AI-powered products, services, or business models.
• AI as a monetizable asset—from AI-powered subscriptions to new data-driven services.
• Heavy investment in proprietary AI capabilities and R&D.

Examples of AI as a revenue generator

Spotify

AI-driven personalized playlists and audio discovery models directly impact engagement and subscription revenue.

Tesla

AI-powered autonomous driving as a central value proposition.

OpenAI

AI-based GPT models offered as a core product.

Netflix

AI-powered content recommendation drives customer retention and revenue.

2. Holistic AI: AI as an enterprise-wide transformation engine

Organizations in this category view AI as a cross-functional enabler, embedding it across all business units and operations to drive efficiency, resilience, and decision-making.

Characteristics

• AI-driven automation and efficiency across multiple domains.
• Focus on real-time data, predictive analytics, and proactive decision-making.
• AI used to enhance resilience, adapting dynamically to changing business conditions.

Examples of AI as an enterprise-wide transformation engine

Walmart

AI-driven supply chain optimization, inventory management, and dynamic pricing.

Amazon

AI integrated across logistics, personalization, fraud detection, fulfillment centers.

Shell

AI-powered predictive maintenance, drilling optimizations, energy efficiency initiatives.

Unilever

AI adoption across marketing, R&D, and sustainable sourcing.

3. Deep AI: AI embedded in a specific domain

Rather than applying AI broadly, these companies go deep, embedding AI into one key function or business area where it can drive maximum impact.

Characteristics

• AI is highly specialized within a key operational area.
• Strong integration with industry-specific workflows or customer touchpoints.
• AI-driven transformation focused on single domain vs enterprise-wide implementation.

Examples of AI embedded in a specific domain

Klarna

AI-powered customer service automation, using AI chatbots and predictive insights to enhance user experience.

John Deere

AI-driven precision agriculture, optimizing crop yields with machine learning.

Starbucks

AI-powered loyalty program personalization and real-time menu adjustments.

Lufthansa

AI in customer support and flight disruption management.

Why archetypes matters (and the relevance of different AI approaches)

As AI adoption accelerates, organizations face a critical choice: How will AI shape their future business model and operations? The three AI archetypes – Outward, Holistic, and Deep – provide a strategic lens to help companies clarify their AI ambitions, align investments, and make informed decisions about where and how AI should drive value.

1. Strategic clarity: Matching AI ambition to business goals

Understanding these AI archetypes helps companies answer key strategic questions:

• Is AI a core revenue driver (Outward AI)?
• Should AI be embedded across all functions to enhance decision-making and resilience (Holistic AI)?
• Is the best approach to specialize AI in a specific domain for maximum impact (Deep AI)?

By defining an AI archetype early, organizations can ensure that AI adoption is purpose-driven, not just exploratory.

2. Investment & prioritization: Where to focus resources

• Outward AI companies should prioritize AI R&D, build proprietary models, and monetize AI services.
• Holistic AI companies need to invest in AI infrastructure, cross-functional data sharing, and real-time decision systems.
• Deep AI adopters must optimize AI in a focused domain, ensuring deep integration with business processes.

Without a clear AI strategy, companies risk spreading resources too thin or investing in AI without clear ROI expectations.

3. Operating model alignment: Structuring AI for impact

Each archetype requires different organizational capabilities, governance structures, and AI talent strategies:

• Outward AI needs strong AI innovation teams, product managers, and scalable AI infrastructure.
• Holistic AI requires a company-wide AI governance framework and cross-functional collaboration.
• Deep AI demands deep expertise in one domain, ensuring seamless AI integration into workflows.

Without a structured AI operating model, even the best AI strategies may fail to scale.

4. Competitive differentiation: AI as a market advantage

AI is becoming a key differentiator in nearly every industry.

• Outward AI companies gain a competitive edge by launching AI-powered products/services before competitors.
• Holistic AI adopters win through faster, data-driven decision-making and operational resilience.
• Deep AI organizations create best-in-class AI-driven experiences in their focus area (e.g., Klarna in customer service).

A misaligned AI strategy could mean falling behind industry leaders who use AI more effectively.

5. AI scalability & long-term success

Some companies start with Deep AI and later evolve into a Holistic AI approach.
Others start with Outward AI innovation, then expand AI across internal functions.

Having a clear AI archetype helps organizations plan for future AI expansion, ensuring that today’s investments align with long-term AI maturity.

Key takeaways

• AI is not a one-size-fits-all journey. The three AI archetypes help companies structure AI adoption strategically.
• Clarity in AI ambition prevents wasted investments and accelerates ROI.
• Aligning AI with business strategy ensures scalability and long-term competitive advantage.
• Companies should evolve their AI roadmap based on their chosen archetype – Outward, Holistic, or Deep.

https://tinyurl.com/nzfuaka6