Этот канал ждут много постов про AI в ближайшее время 😂 Ведь мы:
- провели обучение и стратсессию в одном банке про внедрение ИИ в управление рисками вместе с Ярославом Шуваевым по концепции self-driving banking
https://corevc.com/perspective/the-6-levels-of-autonomous-finance/
- делаем исследование для продукта с ИИ в стадии problem-solution fit
- провели за последний месяц 3 воркшопа по проектированию автоматизации и внедрения ИИ
- работаем над концепцией self-driving business, планируем большой воркшоп для собственников в ноябре 🎮
Мы мало пишем сюда, потому что РАБОТАЕМ, но профессиональная рефлексия тоже часть деятельности. Сегодня — про AI решения, которые реально предлагали нашим заказчикам и партнерам, но они не пришлись ко двору. Я тоже фаундер, мне больно от таких историй, но давайте выделим принципы неудач, принципы удач и будем всегда успешны, чинчин-аминь.
Хочу ввести два термина:
- Lego-based продукты — решения из готовых моделей, алгоритмов, процессов и данных.
- Systems Engineering-based продукты — решения, основанные на глубоком понимании текущей инфраструктуры и взаимосвязей, с тщательным сбором, разметкой и управлением набором данных, алгоритмов и процессов.
Сегодня про lego-based продукты, которые не зашли:
1️⃣ AI-сервис для отслеживания активности разработчиков
Идея: оценивать «эффективное» рабочее время, качество кода и чем заняты сотрудники.
Реальность: количество часов в рабочих программах ≠ эффективность. Инструмент легко обходится, а бизнесу непонятно, кто должен анализировать данные и какие решения принимать. Если кадровые решения — непонятно, где очередь высокоэффективных разработчиков, чтобы заменить менее эффективных. Тимлиды задали фаундеру кучу вопросов — пересечение решения и процессов компании минимальное. Инструмент не куплен, бизнес не видит экономической выгоды, существующих методов управления разработкой достаточно.
💡 Вывод: классная идея, учитывающая только один аспект процессов, оказалась непригодной.
2️⃣ Генерация строительных смет по промту
Идея: по описанию формируется планировка и смета дома.
Реальность: стройка и ремонт — отрасль с низкой цифровизацией. Простые строители требуют точного ТЗ, всегда что-то идёт не по плану. Ответственность лежит на архитекторе и прорабе, а не на AI. Решение полезно разве что как драфт для общения с прорабом, но для реальной стройки — нет.
💡 Вывод: инструмент удобен для подготовки к диалогу с архитектором, но не заменяет реальную работу и ответственность на стройке. У бизнеса уже были решения, решающие эту задачу в другом форм-факторе, поэтому новое решение не купили.
Потом отдельным постом расскажу про генеративное проектирование с примерами, как делаются решения, которые дают профит, но только для бизнеса уровня Энтерпрайз из-за больших вложений.
3️⃣ Подбор аналогов с помощью AI
Идея: Презентовали кейс ускорить работу с нормативами и стандартами, находя аналоги материалов, деталей автоматически.
Реальность: успешность полностью зависела от объёма структурированных данных. ГОСТы и нормативы в цифровой форме оказались непригодными, чтобы модель выдавала корректные результаты. Без этих данных AI не работал, а точность решения была низкая.
💡 Вывод: простые Lego-based идеи могут выглядеть круто, но без достаточного объема данных и точного алгоритмического подхода реального эффекта не дают.
Принципы неуспеха Lego-based продуктов:
- Фокус только на одной стороне процесса.
- Недостаток качественных данных.
- Игнорирование ответственности и бизнес-логики.
- Фантазии о стоимости и ценности для бизнеса.
Как же работать в таких условиях и строить Systems Engineering-based продукты:
- Проводить исследования рынка и интервью с потенциальными клиентами, глубоко вникать в инфраструктуру и процессы.
- Готовность к сбору и разметке данных.
- Интеграция с бизнес-логикой и ответственностью — ясно, кто за что отвечает, как результаты AI влияют на решения и как меняются процессы после внедрения.
- Явная экономическая ценность. Не буду писать тут слово метрики, вы все правильно поняли, речь именно про деньги.
Продолжаем выживать в волнах AI-хайпа!
