Типичная ситуация: у вас есть идея, которая на словах звучит просто. Модель читает сканы счетов и извлекает поля. Или готовит черновики ответов клиентам. Или пишет текст в стиле конкретного человека. Кто-то уже показал демо на пяти хороших примерах, а руководство спрашивает, сколько это будет стоить и можно ли на это положиться. Ответа пока нет ни у кого.
PoC для ИИ (proof of concept для ИИ, доказательство концепции) дает этот ответ цифрами. Это короткий проект, который проверяет, делает ли конкретный подход на основе ИИ конкретную работу на ваших реальных данных достаточно точно и достаточно дешево, чтобы строить его как следует. Демо на отобранных вручную примерах этого не доказывает. Измеренный результат на наборе реальных входных данных доказывает.
Чаще всего это PoC для LLM: извлечение данных, черновики, поиск по документам. Бывает и PoC генеративного ИИ, когда модель должна писать или воспроизводить стиль. Разработка PoC для ИИ в обоих случаях одинакова по логике: сначала измеряем, потом строим.
Что мы делаем
-
Набор для оценки
30-100 ваших реальных примеров с ожидаемыми результатами и скрипт, который оценивает любую будущую версию.
-
Сравнение моделей
Две-три модели на одних и тех же данных: OpenAI, Anthropic Claude или открытые, выбор по измеренным цифрам.
-
Рабочий прототип
Код в вашем репозитории, написанный так, чтобы ядро перешло в продакшн-разработку.
-
Стоимость в цифрах
Каждый вызов логируется с токенами, поэтому ежемесячная оценка расходов опирается на замеры.
-
Пилот для команды
Простой интерфейс или API с лимитами расходов, который ваша команда пробует на реальных задачах.
-
Решение запускать или нет
Письменный отчет, заметка об архитектуре и, если запускать, фиксированная цена следующего этапа.
Чем заканчивается PoC
Цифрами, а не впечатлениями. В конце вы знаете:
- точность на наборе для оценки из ваших реальных случаев, по сравнению с результатами, которые вы согласовали как правильные;
- какие входные данные ломают систему и почему: сканированные документы, отсутствующие поля, неоднозначные запросы;
- задержку, то есть сколько будет ждать пользователь или процесс;
- стоимость запроса и ежемесячные расходы при ожидаемом вами объеме;
- рекомендацию, запускать или нет, а если запускать, что будет включать полная разработка и сколько она ориентировочно будет стоить.
Отсюда и разница между прототипом ИИ и PoC. Прототип показывает, как функция могла бы выглядеть. PoC говорит, будет ли она работать.
Когда PoC нужен, а когда нет
PoC имеет смысл, когда идея понятна, а результат нет. Чаще всего это видно по нескольким признакам.
Данные беспорядочные или необычные: сканированные PDF, рукописные формы, смешанные языки, отраслевой жаргон, годы несогласованных записей. Ошибка стоит денег, доверия или соответствия требованиям, поэтому перед решением нужен измеренный уровень ошибок. Руководство или инвесторы хотят видеть точность и стоимость работы на бумаге, прежде чем согласовать больший бюджет. Возможны несколько подходов (промптинг, поиск по данным, то есть RAG, дообучение, агент с инструментами), и ставить на неправильный не хочется. Или подход новый для команды: агент, который действует в ваших системах, или модель, которая воспроизводит определенный стиль.
Если же задача хорошо понятна и малорискованна, например выжимки переписки с поддержкой или тексты из структурированных данных, PoC вам, скорее всего, не нужен. Начинайте сразу с интеграции ИИ. Когда идей несколько и явного первого кандидата нет, начните с консалтинга по ИИ. А если вопрос в том, где ИИ уместен в существующем продукте, с ИИ-аудита.
Неделя за неделей
Каждый PoC мы делаем как ИИ-спринт с фиксированным объемом: один вопрос, одна команда, до 4 недель, одна цена. Когда вопрос узкий, ответ «запускать или нет» обычно готов примерно за 2 недели. Оставшееся время мы превращаем прототип в пилот, который может попробовать ваша команда.
| Когда | Что мы делаем | Что вы получаете |
|---|---|---|
| До старта | 30-минутный разговор, потом письменный объем: задача, порог успеха, данные | Одностраничный бриф PoC |
| Неделя 1 | Доступ к данным, 30-100 реальных примеров, собранных в набор для оценки, тестирование двух-трех моделей | Первые измеренные результаты для каждой модели |
| Неделя 2 | Настройка промптов, поиска или конвейера по набору для оценки; анализ сбоев | Точность, задержка и стоимость запроса; предварительное решение, запускать или нет |
| Недели 3-4 | Пилот, которым можно пользоваться: простой интерфейс или API, логирование, лимиты расходов, испытание с реальными пользователями | Пилот, которым может пользоваться ваша команда, и финальный отчет |
Порог успеха согласовываем до старта. Например, «не менее 90 процентов извлеченных полей правильные на наборе для оценки» или «руководитель поддержки принимает 8 из 10 подготовленных ответов без правок». Когда число записано заранее, результат честный для обеих сторон.
В конце в вашем репозитории лежит код рабочего прототипа, написанный так, чтобы ядро перешло в продакшн-разработку. Рядом набор для оценки с вашими примерами и ожидаемыми результатами и скрипт, который оценивает по нему любую будущую версию. Вы получаете отчет (точность, закономерности сбоев, задержка, стоимость запроса, ежемесячные расходы, сравненные модели), заметку об архитектуре продакшн-версии с потоком данных, предохранителями, точками интеграции и открытыми рисками, и рекомендацию с фиксированной ценой следующего этапа, если запускать. Все это ваше, даже если дальше вы пойдете не с нами.
Что мы уже проверяли на практике
Наш опыт идет из ИИ-систем, которые мы строили для себя и для клиентов, в том числе из работ, где самый трудный вопрос звучал «сработает ли это вообще».
AI Grief Companion для американского стартапа: импорт десяти форматов экспорта чатов, дообучение LoRA на Qwen2.5-7B, чтобы воспроизвести манеру одного конкретного человека, память на RAG и граф фактов в Neo4j. Чат работает уже на базовой модели с профилем личности, но ближе к живому человеку становится только после обучения LoRA. Именно такой вопрос (хватит ли промптов или нужно дообучение) PoC решает на раннем этапе, до того как платить за все остальное.
Прототип автономного роя дронов, наша собственная R&D-разработка. Он превращает спутниковые данные Sentinel-2 в диагнозы для отдельных зон и задачи, которые флот подхватывает без диспетчера.
AI Resume Master, наш собственный ИИ-SaaS на API OpenAI. Мы сделали его примерно за три месяца, и он дошел до 50 000 активных пользователей в месяц.
Почему пилоты застревают и что мы с этим делаем
Большинство ИИ-пилотов, которые так и не доходят до продакшна, застревают по предсказуемым причинам: их тестировали на чистых примерах, никто не договорился, что считать успехом, или стоимость работы выяснилась уже после запуска. Наш PoC построен против каждой из них.
Набор для оценки берется из ваших настоящих документов, тикетов или записей, вместе с самыми плохими. PoC проходит или не проходит проверку по числу, определенному до первой строки кода. Каждый вызов логируется с количеством токенов, поэтому ежемесячная оценка опирается на замеры, а не на догадки. Вызовы моделей идут с сервера через абстракцию провайдера, и переход между OpenAI, Claude или открытой моделью сводится к изменению конфигурации. И на вашей стороне есть человек, который знает, как выглядит правильный ответ, и каждую неделю просматривает результаты. Так ИИ-пилот доходит до продакшна, а не остается вечным демо.
Как основатель бизнеса, я все риски выношу вперед. То, что понятно, как делать, сделает любое агентство. А все сложное и непонятное нужно делать первым. Не получилось, значит не получилось, тогда ищем другие пути.
Антон Литвинов, основатель Lytvynov Production
Кейсы
Сколько стоит PoC для ИИ?
Фиксированно 10 000 USD за срок до 4 недель, в формате одного ИИ-спринта. Сюда входят оценка объема, подготовка данных для набора оценки, разработка прототипа, сравнение моделей, пилот, отчет и звонок для передачи. Использование моделей и хостинга во время PoC вы оплачиваете напрямую. Обычно это небольшие суммы, и мы оцениваем их заранее.
Если результат «запускать», дальше либо дополнительные спринты по той же фиксированной цене, либо фиксированная цена на полную разработку. Рабочий ИИ-MVP после успешного PoC обычно занимает 8-14 недель, подробнее на странице разработка ИИ-продуктов. Как мы держим работу с ИИ в фиксированном бюджете, объясняет гайд о разработке ИИ по фиксированной цене.
Кто делает ваш PoC
Те же senior-инженеры, которые потом будут строить продакшн-версию. Презентаторов между вами и кодом нет. Мы не привязаны ни к одному провайдеру: OpenAI, Anthropic Claude и открытые модели тестируем на ваших данных и выбираем по измеренным результатам. Скорость дают ИИ-агенты для написания кода, но оценка все равно идет на реальных данных. И четкое «не запускать» для нас полноценный результат, мы так его и подаем.
Lytvynov Production основана в 2019 году в Днепре, Украина.
Следующий шаг
Опишите задачу и пришлите несколько реальных примеров. За 30 минут мы скажем, правильный ли здесь шаг PoC, каким должен быть порог успеха и какие данные нам нужны. Напишите нам, чтобы назначить разговор.
Как мы работаем
-
До старта
30-минутный разговор и одностраничный бриф: задача, порог успеха, данные.
-
Неделя 1
Собираем набор для оценки и прогоняем две-три модели.
-
Неделя 2
Настраиваем промпты, поиск или конвейер, разбираем сбои, даем предварительное решение.
-
Недели 3-4
Пилот для вашей команды, испытание с реальными пользователями и финальный отчет.
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