Как построить ИИ-продукт: от стратегии до сборки по слоям ценности
Кейс АссистАгро
Спикер: Максим Гавриков
В классическом продуктовом цикле мы не знаем, какую проблему выбрать, какое решение сработает и как отреагирует рынок. Но после передачи задачи в разработку результат относительно предсказуем.
С ИИ неопределенность появляется и внутри шага «сделали»: можно правильно выбрать проблему и спроектировать решение, но заранее не знать, получится ли довести модель до нужного качества и будет ли она стабильно работать на реальных данных. Поэтому особенно важно не ошибиться в выборе того, что вообще стоит строить.
Пройдемся по важным моментам, которые стоит держать в голове, когда вы строите ИИ-продукт.
1. Не начинайте стратегию с ИИ
Есть три распространенные ловушки:
— Посмотреть, что делают конкуренты, и повторить.
— Спросить пользователей, чего им не хватает.
— Решить, что «у всех уже есть ИИ, значит, нам тоже нужен».
Во всех трех случаях легко прийти либо к продукту для сегодняшнего рынка, либо к поиску проблемы под готовую технологию.
Чтобы не попадать в эти ловушки, придерживайтесь следующей цепочки проработки задач:
Сначала смотрим, каким станет рынок через несколько лет. Затем декомпозируем процессы клиента, находим самые дорогие проблемы и определяем, какую ценность хотим создать. И только после этого спрашиваем: какая технология способна эту ценность дать?
В кейсе АссистАгро такой подход привел к важному выводу: рынку не нужна еще одна система, которая показывает данные о полях. Клиенту нужна рекомендация, что конкретно делать.
2. Ценность ИИ собирается по слоям
Само по себе распознавание или прогноз еще не продукт. Продуктом ИИ станет, когда пройдет через 4 слоя анализа и действий:
Команды часто останавливаются слишком рано: «мы научились распознавать, значит, ценность уже есть». Но ценность появляется, когда сигнал встроен в процесс принятия решения и приводит к результату.
3. Не все стоит автоматизировать
Задачи можно условно разделить на два типа:
— Intelligence. Есть понятный результат и качество можно измерить цифрами. Такие задачи ИИ автоматизирует хорошо.
— Judgement. Результат зависит от опыта, контекста, интуиции и экспертной оценки. Здесь объективной метрики качества часто нет, поэтому автоматизация сложнее и человек остается в контуре.
Простой фильтр: если качество можно измерить, это хороший кандидат на автоматизацию. Если нельзя — у вас должно быть четкое понимание цели и образа результата, а также критериев принятия решения, чтобы отдавать их ИИ.
4. Прототип не равен продукту
Прототип отвечает на один вопрос: может ли идея в принципе работать?
Между красивым демо и продуктом, который стабильно создает ценность на реальных данных, все еще остается пропасть: данные, интеграции, контроль качества, поддержка, стоимость и цена ошибки.
Чтобы экономика построения ИИ-продукта сходилась, важно рассчитывать эффект от внедрения и рассматривать весь контур: модель, данные, интеграции, контроль качества, поддержку и последствия ошибок.
Отдельный вопрос: строить свою модель или брать готовую. Своя имеет смысл, только если создает преимущество, которое сложно повторить: например, за счет уникальных данных, качества на специфической задаче или экономики масштаба.
5. ИИ-разработкой нельзя управлять только через план
Когда результат вероятностный, вместо «оценили сроки, разработали, выкатили» нужен другой цикл:
Сначала проверяем, достижим ли результат вообще. Затем создаем эталон и определяем, что считать хорошим результатом. После этого через evals (критерии оценки) ищем слабые места и дорабатываем контекст модели: правила, данные, примеры и инструменты.
Главный сдвиг здесь: от управления через план — к управлению через измерение качества.
В АссистАгро этот путь в итоге изменил не только продукт, но и бизнес-модель: раньше компания продавала контроль полей, теперь — конкретное повышение маржинальности на каждом поле.
@productsense
Кейс АссистАгро
Спикер: Максим Гавриков
В классическом продуктовом цикле мы не знаем, какую проблему выбрать, какое решение сработает и как отреагирует рынок. Но после передачи задачи в разработку результат относительно предсказуем.
С ИИ неопределенность появляется и внутри шага «сделали»: можно правильно выбрать проблему и спроектировать решение, но заранее не знать, получится ли довести модель до нужного качества и будет ли она стабильно работать на реальных данных. Поэтому особенно важно не ошибиться в выборе того, что вообще стоит строить.
Пройдемся по важным моментам, которые стоит держать в голове, когда вы строите ИИ-продукт.
1. Не начинайте стратегию с ИИ
Есть три распространенные ловушки:
— Посмотреть, что делают конкуренты, и повторить.
— Спросить пользователей, чего им не хватает.
— Решить, что «у всех уже есть ИИ, значит, нам тоже нужен».
Во всех трех случаях легко прийти либо к продукту для сегодняшнего рынка, либо к поиску проблемы под готовую технологию.
Чтобы не попадать в эти ловушки, придерживайтесь следующей цепочки проработки задач:
тренды → глубокий анализ → тип ценности → технология → имплементация
Сначала смотрим, каким станет рынок через несколько лет. Затем декомпозируем процессы клиента, находим самые дорогие проблемы и определяем, какую ценность хотим создать. И только после этого спрашиваем: какая технология способна эту ценность дать?
В кейсе АссистАгро такой подход привел к важному выводу: рынку не нужна еще одна система, которая показывает данные о полях. Клиенту нужна рекомендация, что конкретно делать.
2. Ценность ИИ собирается по слоям
Само по себе распознавание или прогноз еще не продукт. Продуктом ИИ станет, когда пройдет через 4 слоя анализа и действий:
сигнал → решение → суждение → действие
Команды часто останавливаются слишком рано: «мы научились распознавать, значит, ценность уже есть». Но ценность появляется, когда сигнал встроен в процесс принятия решения и приводит к результату.
3. Не все стоит автоматизировать
Задачи можно условно разделить на два типа:
— Intelligence. Есть понятный результат и качество можно измерить цифрами. Такие задачи ИИ автоматизирует хорошо.
— Judgement. Результат зависит от опыта, контекста, интуиции и экспертной оценки. Здесь объективной метрики качества часто нет, поэтому автоматизация сложнее и человек остается в контуре.
Простой фильтр: если качество можно измерить, это хороший кандидат на автоматизацию. Если нельзя — у вас должно быть четкое понимание цели и образа результата, а также критериев принятия решения, чтобы отдавать их ИИ.
4. Прототип не равен продукту
Прототип отвечает на один вопрос: может ли идея в принципе работать?
Между красивым демо и продуктом, который стабильно создает ценность на реальных данных, все еще остается пропасть: данные, интеграции, контроль качества, поддержка, стоимость и цена ошибки.
Чтобы экономика построения ИИ-продукта сходилась, важно рассчитывать эффект от внедрения и рассматривать весь контур: модель, данные, интеграции, контроль качества, поддержку и последствия ошибок.
Отдельный вопрос: строить свою модель или брать готовую. Своя имеет смысл, только если создает преимущество, которое сложно повторить: например, за счет уникальных данных, качества на специфической задаче или экономики масштаба.
5. ИИ-разработкой нельзя управлять только через план
Когда результат вероятностный, вместо «оценили сроки, разработали, выкатили» нужен другой цикл:
прототип → evals → контекст → новая проверка качества
Сначала проверяем, достижим ли результат вообще. Затем создаем эталон и определяем, что считать хорошим результатом. После этого через evals (критерии оценки) ищем слабые места и дорабатываем контекст модели: правила, данные, примеры и инструменты.
Главный сдвиг здесь: от управления через план — к управлению через измерение качества.
В АссистАгро этот путь в итоге изменил не только продукт, но и бизнес-модель: раньше компания продавала контроль полей, теперь — конкретное повышение маржинальности на каждом поле.
@productsense