Демо ШІ-продукту збирається за кілька днів. Ви показуєте його знайомим, вони кажуть «вау», і здається, що до запуску лишилось трохи. Потім реальні користувачі приносять дані, яких у демо не було, частина відповідей виходить дивною, а рахунок за модель на одного активного користувача перевищує те, що ви збиралися брати за підписку.
Ця сторінка про продукти, у яких ШІ і є причиною існування: приберіть модель, і продавати буде нічого. Розробка ШІ-продукту веде такий продукт від ідеї до того, яким користуються і за який платять: дослідження, дані, вибір моделі, оцінювання якості, застосунок навколо моделі, запуск і робота після запуску. Головна відмінність від звичайної розробки в тому, що найважливіша частина продукту, якість відповідей моделі, не повністю під вашим контролем і змінюється разом із моделлю, даними й користувачами.
Якщо вам потрібна одна ШІ-функція в наявному застосунку, коротший шлях веде через інтеграцію ШІ.
Що ми робимо
-
Дослідження
Хто має проблему, яке головне завдання продукту і як виглядає хороша відповідь для цих людей.
-
Готовність даних
Перелік вхідних даних, план доступу й приватності і перший тестовий набір із реальних прикладів.
-
Прототип з оцінюванням
Два-три кандидати на одному тестовому наборі: точність, затримка й вартість запиту, виміряні до MVP.
-
MVP навколо моделі
Акаунти, інтерфейс, оплата за потреби, логування і модель за абстракцією над провайдером.
-
Запуск і моніторинг
Якість, затримка, помилки й вартість на користувача під наглядом з першого дня трафіку.
-
Масштабування
Маршрутизація між моделями, нові джерела даних і оптимізація вартості, щоб маржа трималася зі зростанням.
Шість етапів, кожен закінчується доказами
Такого процесу розробки ШІ-продукту ми дотримуємося з клієнтами й на власних продуктах. Кожен етап має дати докази, які виправдовують наступний, а не просто готовий артефакт.
| Етап | Типова тривалість | На яке запитання має відповісти етап | Результат |
|---|---|---|---|
| 1. Дослідження | 1-2 тижні | Хто має цю проблему і як для них виглядатиме хороший результат? | Ролі користувачів, головне завдання, визначення якості, обсяг |
| 2. Готовність даних | 1-3 тижні | Чи є в нас вхідні дані, документи чи приклади, потрібні продукту? | Перелік даних, план доступу й приватності, перший тестовий набір |
| 3. Прототип і оцінювання | 2-4 тижні | Чи можуть сучасні моделі досягти цільової якості за прийнятної вартості? | Прототип конвеєра, виміряна точність, вартість запиту |
| 4. Розробка MVP | 6-10 тижнів | Чи пройдуть реальні користувачі основний сценарій і чи повернуться? | Робочий продукт з акаунтами, інтерфейсом, оплатою за потреби, логуванням |
| 5. Запуск і моніторинг | 2-4 тижні | Чи тримається якість на реальному трафіку і що ламається? | Моніторинг, зворотний зв'язок, виправлення за реальними помилками |
| 6. Масштабування | Постійно | Чи втримаються якість, затримка й маржа зі зростанням використання? | Оптимізація вартості, маршрутизація між моделями, нові джерела даних, дорожня карта |
Етапи 2 і 3 часто йдуть паралельно. Для невеликого продукту шлях від дослідження до запуску вкладається у 8-14 тижнів. Загальна механіка MVP (скорочення обсягу, щотижневі демо, чеклист запуску) описана на сторінці розробка MVP. Тут мова про те, що властиве саме ШІ-продуктам.
Чому ШІ-продукти ламаються інакше, ніж звичайне ПЗ?
Більшість таких збоїв видно ще до запуску, якщо їх шукати. Ми закладаємо в план п'ять.
Якість, що здавалася нормальною в демо. Вибрані вручну приклади ховають довгий хвіст дивних запитів. Тому тестовий набір із реальних вхідних даних з'являється на етапі 2, а не після запуску.
Юніт-економіка, що не сходиться. Продукт, у якому одна сесія коштує 0,40 USD на виклики моделі, не продаси активним користувачам за 5 USD на місяць. Вартість на користувача ми моделюємо на етапі 3.
Тихі зміни поведінки. Оновлення моделі чи правка промпту погіршує частину відповідей, і жодна помилка про це не повідомить. Ловлять це версіоновані промпти й прогін тестового набору перед кожною зміною.
Очікування повільної частини. Навчання, індексація чи довга генерація змушують людину чекати. У хорошому продукті щось корисне доступне одразу.
Довіра. Результатом, який доводиться переробляти, перестають користуватися. Утримують посилання на джерела, можливість редагувати результат і чесне «не впевнений», коли модель не впевнена.
Модель може сама розпізнати фото й проставити атрибути. Вона може помилитися, а може зробити це дуже круто: на різних каталогах частка помилок у нас відрізнялася в рази. Тому спершу пробна партія, потім налаштування, і людина все одно перевіряє результат.
Антон Литвинов, засновник Lytvynov Production
Дані вирішують, який продукт узагалі можливий
Тому дані йдуть перед архітектурою. На етапі 2 ми складаємо перелік усього, що продукт отримує на вхід: звідки воно береться, в якому форматі, кому належить і чи є там персональні дані. Відповіді нерідко змінюють сам продукт. Якщо функція залежить від файлів, які завантажують користувачі, онбординг доводиться будувати навколо цього завантаження.
Крайній приклад у нашій практиці: AI Grief Companion для американського стартапу. Весь продукт тримається на листуванні, яке люди приносять з інших застосунків. Ми написали парсери для десяти форматів експорту чатів, зробили Electron-застосунок для резервних копій iPhone, бо iMessage з телефона не експортуєш, і розширення Chrome для Discord. Кожне повідомлення шифрується вже під час приймання.
Далі конвеєр працює поетапно: профіль особистості, факти, навчання LoRA, пошук. Чат бере той етап, який уже готовий. Тож говорити з компаньйоном можна приблизно через двадцять хвилин після завантаження, а не після завершення повного навчання. Саме так ми розуміємо «щось корисне одразу».
Модель обираємо вимірюванням, а не симпатією
На етапі 3 той самий тестовий набір проганяємо на двох-трьох моделях-кандидатах і підходах. Вибір визначають точність, затримка й вартість запиту. Типові кандидати: моделі OpenAI та Anthropic Claude через API, а також відкриті моделі, коли дані мають лишатися на ваших серверах або коли донавчена менша модель на вузькому завданні перевершує велику універсальну.
Архітектура щоразу складається з тих самих блоків: промпти з шаблонами, пошук по ваших даних (детальніше на сторінці розробка RAG), донавчання й агенти, що викликають інструменти чи API. Більшість продуктів поєднують два з них. Модель ми з першого прототипу ховаємо за абстракцією над провайдером: та, з якою ви запускаєтеся, через рік уже не буде основною. Якщо головна цінність продукту в згенерованому контенті, конвеєр детальніше описано на сторінці розробка генеративного ШІ.
Що ми самі провели від ідеї до продакшену
Повний життєвий цикл ШІ-продукту ми проходимо для клієнтів і на власних продуктах, тож з наслідками власних рішень живемо самі.
AI Resume Master, наш ШІ-конструктор резюме, ми зробили приблизно за три місяці. Великі мовні моделі генерують, переписують і покращують текст резюме та супровідних листів, є імпорт із LinkedIn і експорт у PDF, на десктопі й мобільних. Продукт дійшов до 50 000 активних користувачів на місяць і заробляє на підписці та рекламі.
AI Grief Companion: вебзастосунок і мобільні застосунки, приймання історії чатів, навчання персони LoRA на Qwen2.5-7B і пам'ять на пошуку. Промпти зберігаються в базі даних з історією версій, тож тон налаштовується без релізу.
Прототип автономного рою дронів, наша власна R&D-розробка. Він перетворює супутникові дані Sentinel-2 на діагнози по зонах і задачі, які флот підхоплює без диспетчера. Зв'язок із літальними апаратами симульований, супутникові й погодні дані реальні. Ми свідомо так зробили на етапі прототипу: спершу довести цикл ухвалення рішень, а вже потім платити за інтеграцію із залізом.
Кейси
Скільки коштує розробка ШІ-продукту?
Найбільше на ціну впливають етап, на якому ви зараз, кількість джерел даних, хмарні моделі чи власні сервери і те, скільки застосунку треба побудувати навколо ШІ. Донавчання, власний хостинг моделей і нативні мобільні застосунки додають найбільше зусиль. Робота після запуску (моделі, хостинг, моніторинг) рахується окремо: зазвичай від десятків до кількох тисяч доларів на місяць залежно від використання.
Фіксовану ціну на кожен етап даємо після короткої розмови. До повної розробки ви не зобов'язуєтеся, поки прототип не показав, що цільова якість досяжна. Для орієнтиру: MVP у нас зазвичай коштує 10 000-20 000 USD, складний ШІ-продукт із донавчанням і пам'яттю на RAG 60 000-150 000 USD. Витрати на розробку й роботу детально розібрані в посібнику про вартість розробки ШІ-застосунку.
Як почати
Якщо ви хочете створити ШІ-продукт, перший крок простий: 30-хвилинна розмова про продукт, користувачів і дані, які у вас є. Якщо щодо здійсненності ще є питання, починаємо з дослідження й прототипу з оцінюванням якості, і рішення про MVP ви ухвалюєте з виміряними результатами на руках. Якщо напрям уже зрозумілий, план перед розробкою може підтвердити коротша оцінка в межах ШІ-консалтингу.
Кожен етап ведуть senior-інженери. ШІ-агентів для написання коду ми використовуємо, щоб рухатися швидше, а код, промпти, тестові набори й акаунти моделей оформлені на вас. Це і є розробка ШІ-продуктів на замовлення в нашому розумінні: ви отримуєте продукт, а не залежність від підрядника. Запишіться на розмову про ШІ-продукт.
Як ми працюємо
-
30-хвилинна розмова
Про продукт, користувачів і дані, які у вас уже є.
-
Дослідження й прототип
Якщо здійсненність під питанням, спершу вимірюємо якість на тестовому наборі.
-
Фіксована ціна етапу
Кожен етап має свою ціну. До повного MVP ви не зобов'язуєтеся заздалегідь.
-
MVP і запуск
Senior-інженери ведуть розробку, ШІ-агенти беруть рутину, демо регулярно.
-
Все оформлене на вас
Код, промпти, тестові набори й акаунти моделей лишаються вашими.
Два способи працювати з нами
Проєкт з фіксованою ціною
Чіткий обсяг, фіксована ціна, погоджена до старту і демо щотижня. Підходить для нового продукту або зрозумілої частини роботи.
Оцінити проєктВиділена команда
Senior-інженери, які місяць за місяцем працюють лише над вашим продуктом, за вашими пріоритетами і у ваших репозиторіях.
Про виділену команду