Демо ИИ-продукта собирается за несколько дней. Вы показываете его знакомым, они говорят «вау», и кажется, что до запуска осталось немного. Потом реальные пользователи приносят данные, которых в демо не было, часть ответов выходит странной, а счет за модель на одного активного пользователя превышает то, что вы собирались брать за подписку.
Эта страница о продуктах, у которых ИИ и есть причина существования: уберите модель, и продавать будет нечего. Разработка ИИ-продукта ведет такой продукт от идеи до того, которым пользуются и за который платят: исследование, данные, выбор модели, оценка качества, приложение вокруг модели, запуск и работа после запуска. Главное отличие от обычной разработки в том, что самая важная часть продукта, качество ответов модели, не полностью под вашим контролем и меняется вместе с моделью, данными и пользователями.
Если вам нужна одна ИИ-функция в существующем приложении, более короткий путь ведет через интеграцию ИИ.
Что мы делаем
-
Исследование
У кого есть проблема, какая главная задача продукта и как выглядит хороший ответ для этих людей.
-
Готовность данных
Перечень входных данных, план доступа и приватности и первый тестовый набор из реальных примеров.
-
Прототип с оценкой
Два-три кандидата на одном тестовом наборе: точность, задержка и стоимость запроса, измеренные до MVP.
-
MVP вокруг модели
Аккаунты, интерфейс, оплата при необходимости, логирование и модель за абстракцией над провайдером.
-
Запуск и мониторинг
Качество, задержка, ошибки и стоимость на пользователя под наблюдением с первого дня трафика.
-
Масштабирование
Маршрутизация между моделями, новые источники данных и оптимизация стоимости, чтобы маржа держалась с ростом.
Шесть этапов, каждый заканчивается доказательствами
Такого процесса разработки ИИ-продукта мы придерживаемся с клиентами и на собственных продуктах. Каждый этап должен дать доказательства, которые оправдывают следующий, а не просто готовый артефакт.
| Этап | Типичная длительность | На какой вопрос должен ответить этап | Результат |
|---|---|---|---|
| 1. Исследование | 1-2 недели | У кого есть эта проблема и как для них будет выглядеть хороший результат? | Роли пользователей, главная задача, определение качества, объем |
| 2. Готовность данных | 1-3 недели | Есть ли у нас входные данные, документы или примеры, нужные продукту? | Перечень данных, план доступа и приватности, первый тестовый набор |
| 3. Прототип и оценка | 2-4 недели | Могут ли современные модели достичь целевого качества при приемлемой стоимости? | Прототип конвейера, измеренная точность, стоимость запроса |
| 4. Разработка MVP | 6-10 недель | Пройдут ли реальные пользователи основной сценарий и вернутся ли? | Рабочий продукт с аккаунтами, интерфейсом, оплатой при необходимости, логированием |
| 5. Запуск и мониторинг | 2-4 недели | Держится ли качество на реальном трафике и что ломается? | Мониторинг, обратная связь, исправления по реальным ошибкам |
| 6. Масштабирование | Постоянно | Удержатся ли качество, задержка и маржа с ростом использования? | Оптимизация стоимости, маршрутизация между моделями, новые источники данных, дорожная карта |
Этапы 2 и 3 часто идут параллельно. Для небольшого продукта путь от исследования до запуска укладывается в 8-14 недель. Общая механика MVP (сокращение объема, еженедельные демо, чеклист запуска) описана на странице разработка MVP. Здесь речь о том, что свойственно именно ИИ-продуктам.
Почему ИИ-продукты ломаются иначе, чем обычное ПО?
Большинство таких сбоев видно еще до запуска, если их искать. Мы закладываем в план пять.
Качество, которое казалось нормальным в демо. Выбранные вручную примеры прячут длинный хвост странных запросов. Поэтому тестовый набор из реальных входных данных появляется на этапе 2, а не после запуска.
Юнит-экономика, которая не сходится. Продукт, в котором одна сессия стоит 0,40 USD на вызовы модели, не продашь активным пользователям за 5 USD в месяц. Стоимость на пользователя мы моделируем на этапе 3.
Тихие изменения поведения. Обновление модели или правка промпта ухудшает часть ответов, и ни одна ошибка об этом не сообщит. Ловят это версионированные промпты и прогон тестового набора перед каждым изменением.
Ожидание медленной части. Обучение, индексация или долгая генерация заставляют человека ждать. В хорошем продукте что-то полезное доступно сразу.
Доверие. Результатом, который приходится переделывать, перестают пользоваться. Удерживают ссылки на источники, возможность редактировать результат и честное «не уверен», когда модель не уверена.
Модель может сама распознать фото и проставить атрибуты. Она может ошибиться, а может сделать это очень круто: на разных каталогах доля ошибок у нас отличалась в разы. Поэтому сначала пробная партия, потом настройка, и человек все равно проверяет результат.
Антон Литвинов, основатель Lytvynov Production
Данные решают, какой продукт вообще возможен
Поэтому данные идут перед архитектурой. На этапе 2 мы составляем перечень всего, что продукт получает на вход: откуда это берется, в каком формате, кому принадлежит и есть ли там персональные данные. Ответы нередко меняют сам продукт. Если функция зависит от файлов, которые загружают пользователи, онбординг приходится строить вокруг этой загрузки.
Крайний пример в нашей практике: AI Grief Companion для американского стартапа. Весь продукт держится на переписке, которую люди приносят из других приложений. Мы написали парсеры для десяти форматов экспорта чатов, сделали Electron-приложение для резервных копий iPhone, потому что iMessage с телефона не экспортируешь, и расширение Chrome для Discord. Каждое сообщение шифруется уже при приеме.
Дальше конвейер работает поэтапно: профиль личности, факты, обучение LoRA, поиск. Чат берет тот этап, который уже готов. Так что говорить с компаньоном можно примерно через двадцать минут после загрузки, а не после завершения полного обучения. Именно так мы понимаем «что-то полезное сразу».
Модель выбираем измерением, а не симпатией
На этапе 3 тот же тестовый набор прогоняем на двух-трех моделях-кандидатах и подходах. Выбор определяют точность, задержка и стоимость запроса. Типичные кандидаты: модели OpenAI и Anthropic Claude через API, а также открытые модели, когда данные должны оставаться на ваших серверах или когда дообученная меньшая модель на узкой задаче превосходит большую универсальную.
Архитектура каждый раз складывается из одних и тех же блоков: промпты с шаблонами, поиск по вашим данным (подробнее на странице разработка RAG), дообучение и агенты, которые вызывают инструменты или API. Большинство продуктов сочетают два из них. Модель мы с первого прототипа прячем за абстракцией над провайдером: та, с которой вы запускаетесь, через год уже не будет основной. Если главная ценность продукта в сгенерированном контенте, конвейер подробнее описан на странице разработка генеративного ИИ.
Что мы сами провели от идеи до продакшена
Полный жизненный цикл ИИ-продукта мы проходим для клиентов и на собственных продуктах, так что с последствиями своих решений живем сами.
AI Resume Master, наш ИИ-конструктор резюме, мы сделали примерно за три месяца. Большие языковые модели генерируют, переписывают и улучшают текст резюме и сопроводительных писем, есть импорт из LinkedIn и экспорт в PDF, на десктопе и мобильных. Продукт дошел до 50 000 активных пользователей в месяц и зарабатывает на подписке и рекламе.
AI Grief Companion: веб-приложение и мобильные приложения, прием истории чатов, обучение персоны LoRA на Qwen2.5-7B и память на поиске. Промпты хранятся в базе данных с историей версий, так что тон настраивается без релиза.
Прототип автономного роя дронов, наша собственная R&D-разработка. Он превращает спутниковые данные Sentinel-2 в диагнозы по зонам и задачи, которые флот подхватывает без диспетчера. Связь с летательными аппаратами симулирована, спутниковые и погодные данные реальные. Мы сознательно так сделали на этапе прототипа: сначала доказать цикл принятия решений, а уже потом платить за интеграцию с железом.
Кейсы
Сколько стоит разработка ИИ-продукта?
Больше всего на цену влияют этап, на котором вы сейчас, количество источников данных, облачные модели или собственные серверы и то, сколько приложения нужно построить вокруг ИИ. Дообучение, собственный хостинг моделей и нативные мобильные приложения добавляют больше всего усилий. Работа после запуска (модели, хостинг, мониторинг) считается отдельно: обычно от десятков до нескольких тысяч долларов в месяц в зависимости от использования.
Фиксированную цену на каждый этап даем после короткого разговора. К полной разработке вы не обязуетесь, пока прототип не показал, что целевое качество достижимо. Для ориентира: MVP у нас обычно стоит 10 000-20 000 USD, сложный ИИ-продукт с дообучением и памятью на RAG 60 000-150 000 USD. Затраты на разработку и работу подробно разобраны в руководстве о стоимости разработки ИИ-приложения.
Как начать
Если вы хотите создать ИИ-продукт, первый шаг простой: 30-минутный разговор о продукте, пользователях и данных, которые у вас есть. Если по осуществимости еще есть вопросы, начинаем с исследования и прототипа с оценкой качества, и решение о MVP вы принимаете с измеренными результатами на руках. Если направление уже понятно, план перед разработкой может подтвердить более короткая оценка в рамках ИИ-консалтинга.
Каждый этап ведут senior-инженеры. ИИ-агентов для написания кода мы используем, чтобы двигаться быстрее, а код, промпты, тестовые наборы и аккаунты моделей оформлены на вас. Это и есть разработка ИИ-продуктов на заказ в нашем понимании: вы получаете продукт, а не зависимость от подрядчика. Запишитесь на разговор об ИИ-продукте.
Как мы работаем
-
30-минутный разговор
О продукте, пользователях и данных, которые у вас уже есть.
-
Исследование и прототип
Если осуществимость под вопросом, сначала измеряем качество на тестовом наборе.
-
Фиксированная цена этапа
У каждого этапа своя цена. До полного MVP вы не обязуетесь заранее.
-
MVP и запуск
Senior-инженеры ведут разработку, ИИ-агенты берут рутину, демо регулярно.
-
Все оформлено на вас
Код, промпты, тестовые наборы и аккаунты моделей остаются вашими.
Два способа работать с нами
Проект с фиксированной ценой
Четкий объем, фиксированная цена, согласованная до старта и демо каждую неделю. Подходит для нового продукта или понятной части работы.
Оценить проектВыделенная команда
Senior-инженеры, которые месяц за месяцем работают только над вашим продуктом, по вашим приоритетам и в ваших репозиториях.
О выделенной команде