Типова ситуація: у вас є ідея, яка на словах звучить просто. Модель читає скановані рахунки й витягує поля. Або готує чернетки відповідей клієнтам. Або пише текст у стилі конкретної людини. Хтось уже показав демо на п'яти гарних прикладах, а керівництво питає, скільки це коштуватиме і чи можна на це покластися. Відповіді поки немає ні в кого.
PoC для ШІ (proof of concept для ШІ, доказ концепції) дає цю відповідь цифрами. Це короткий проєкт, який перевіряє, чи конкретний підхід на основі ШІ робить конкретну роботу на ваших реальних даних достатньо точно й достатньо дешево, щоб будувати його як слід. Демо на вибраних вручну прикладах цього не доводить. Виміряний результат на наборі реальних вхідних даних доводить.
Найчастіше це PoC для LLM: витягування даних, чернетки, пошук по документах. Буває й PoC генеративного ШІ, коли модель має писати чи відтворювати стиль. Розробка PoC для ШІ в обох випадках однакова за логікою: спершу вимірюємо, потім будуємо.
Що ми робимо
-
Набір для оцінювання
30-100 ваших реальних прикладів з очікуваними результатами і скрипт, що оцінює будь-яку майбутню версію.
-
Порівняння моделей
Дві-три моделі на тих самих даних: OpenAI, Anthropic Claude або відкриті, вибір за виміряними цифрами.
-
Робочий прототип
Код у вашому репозиторії, написаний так, щоб ядро перейшло в продакшн-розробку.
-
Вартість на цифрах
Кожен виклик журналюється з токенами, тож щомісячна оцінка витрат спирається на вимірювання.
-
Пілот для команди
Простий інтерфейс або API з лімітами витрат, який ваша команда пробує на реальних задачах.
-
Рішення запускати чи ні
Письмовий звіт, нотатка про архітектуру і, якщо запускати, фіксована ціна наступного етапу.
Чим закінчується PoC
Цифрами, а не враженнями. Наприкінці ви знаєте:
- точність на наборі для оцінювання з ваших реальних випадків, порівняно з результатами, які ви погодили як правильні;
- які вхідні дані ламають систему і чому: скановані документи, відсутні поля, неоднозначні запити;
- затримку, тобто скільки чекатиме користувач або процес;
- вартість запиту й щомісячні витрати за очікуваного вами обсягу;
- рекомендацію, запускати чи ні, а якщо запускати, що включатиме повна розробка і скільки вона орієнтовно коштуватиме.
Звідси і різниця між прототипом ШІ та PoC. Прототип показує, як функція могла б виглядати. PoC каже, чи вона працюватиме.
Коли PoC потрібен, а коли ні
PoC має сенс, коли ідея зрозуміла, а результат ні. Найчастіше це видно з кількох ознак.
Дані безладні або незвичні: скановані PDF, рукописні форми, змішані мови, галузевий жаргон, роки неузгоджених записів. Помилка коштує грошей, довіри чи відповідності вимогам, тож перед рішенням потрібен виміряний рівень помилок. Керівництво чи інвестори хочуть бачити точність і вартість роботи на папері, перш ніж погодити більший бюджет. Можливі кілька підходів (промптинг, пошук за даними, тобто RAG, донавчання, агент з інструментами), і ставити на неправильний не хочеться. Або підхід новий для команди: агент, що діє у ваших системах, чи модель, що відтворює певний стиль.
Якщо ж завдання добре зрозуміле й малоризиковане, наприклад підсумовування листування з підтримкою чи тексти зі структурованих даних, PoC вам, швидше за все, не потрібен. Починайте одразу з інтеграції ШІ. Коли ідей кілька і явного першого кандидата немає, почніть із консалтингу з ШІ. А якщо питання в тому, де ШІ доречний у наявному продукті, з ШІ-аудиту.
Тиждень за тижнем
Кожен PoC ми робимо як ШІ-спринт з фіксованим обсягом: одне запитання, одна команда, до 4 тижнів, одна ціна. Коли запитання вузьке, відповідь «запускати чи ні» зазвичай готова приблизно за 2 тижні. Решту часу ми перетворюємо прототип на пілот, який може спробувати ваша команда.
| Коли | Що ми робимо | Що ви отримуєте |
|---|---|---|
| До старту | 30-хвилинна розмова, потім письмовий обсяг: завдання, поріг успіху, дані | Односторінковий бриф PoC |
| Тиждень 1 | Доступ до даних, 30-100 реальних прикладів, зібраних у набір для оцінювання, тестування двох-трьох моделей | Перші виміряні результати для кожної моделі |
| Тиждень 2 | Налаштування промптів, пошуку чи конвеєра за набором для оцінювання; аналіз збоїв | Точність, затримка й вартість запиту; попереднє рішення, запускати чи ні |
| Тижні 3-4 | Пілот, яким можна користуватися: простий інтерфейс або API, журналювання, ліміти витрат, випробування з реальними користувачами | Пілот, яким може користуватися ваша команда, і фінальний звіт |
Поріг успіху погоджуємо до старту. Наприклад, «щонайменше 90 відсотків витягнутих полів правильні на наборі для оцінювання» або «керівник підтримки приймає 8 з 10 підготовлених відповідей без правок». Коли число записане наперед, результат чесний для обох сторін.
Наприкінці у вашому репозиторії лежить код робочого прототипу, написаний так, щоб ядро перейшло в продакшн-розробку. Поруч набір для оцінювання з вашими прикладами й очікуваними результатами та скрипт, який оцінює за ним будь-яку майбутню версію. Ви отримуєте звіт (точність, закономірності збоїв, затримка, вартість запиту, щомісячні витрати, порівняні моделі), нотатку про архітектуру продакшн-версії з потоком даних, запобіжниками, точками інтеграції й відкритими ризиками, і рекомендацію з фіксованою ціною наступного етапу, якщо запускати. Усе це ваше, навіть якщо далі ви підете не з нами.
Що ми вже перевіряли на практиці
Наш досвід походить із ШІ-систем, які ми будували для себе й для клієнтів, зокрема з робіт, де найважче питання звучало «чи це взагалі спрацює».
AI Grief Companion для американського стартапу: імпорт десяти форматів експорту чатів, донавчання LoRA на Qwen2.5-7B, щоб відтворити манеру однієї конкретної людини, пам'ять на RAG і граф фактів у Neo4j. Чат працює вже на базовій моделі з профілем особистості, але ближче до живої людини стає тільки після навчання LoRA. Саме таке питання (чи вистачить промптів, чи потрібне донавчання) PoC вирішує на ранньому етапі, до того як платити за все інше.
Прототип автономного рою дронів, наша власна R&D-розробка. Він перетворює супутникові дані Sentinel-2 на діагнози для окремих зон і завдання, які флот підхоплює без диспетчера.
AI Resume Master, наш власний ШІ-SaaS на API OpenAI. Ми зробили його приблизно за три місяці, і він дійшов до 50 000 активних користувачів на місяць.
Чому пілоти застрягають і що ми з цим робимо
Більшість ШІ-пілотів, які так і не доходять до продакшну, застрягають з передбачуваних причин: їх тестували на чистих прикладах, ніхто не домовився, що таке успіх, або вартість роботи з'ясувалася вже після запуску. Наш PoC побудований проти кожної з них.
Набір для оцінювання береться з ваших справжніх документів, тікетів чи записів, разом із найгіршими. PoC проходить або не проходить перевірку за числом, визначеним до першого рядка коду. Кожен виклик журналюється з кількістю токенів, тож щомісячна оцінка спирається на вимірювання, а не на здогадки. Виклики моделей ідуть із сервера через абстракцію провайдера, і перехід між OpenAI, Claude чи відкритою моделлю зводиться до зміни конфігурації. І на вашому боці є людина, яка знає, як виглядає правильна відповідь, і щотижня переглядає результати. Так ШІ-пілот у продакшн доходить, а не лишається вічним демо.
Як засновник бізнесу, я всі ризики виношу вперед. Те, що зрозуміло, як робити, зробить будь-яка агенція. А все складне й незрозуміле треба робити першим. Не вийшло, значить не вийшло, тоді шукаємо інші шляхи.
Антон Литвинов, засновник Lytvynov Production
Кейси
Скільки коштує PoC для ШІ?
Фіксовано 10 000 USD за строк до 4 тижнів, у форматі одного ШІ-спринту. Сюди входять оцінка обсягу, підготовка даних для набору оцінювання, розробка прототипу, порівняння моделей, пілот, звіт і дзвінок для передачі. Використання моделей і хостингу під час PoC ви оплачуєте напряму. Зазвичай це невеликі суми, і ми оцінюємо їх наперед.
Якщо результат «запускати», далі або додаткові спринти за тією самою фіксованою ціною, або фіксована ціна на повну розробку. Робочий ШІ-MVP після успішного PoC зазвичай займає 8-14 тижнів, детальніше на сторінці розробка ШІ-продуктів. Як ми тримаємо роботу з ШІ у фіксованому бюджеті, пояснює посібник про розробку ШІ за фіксованою ціною.
Хто робить ваш PoC
Ті самі сеньйорні інженери, що потім будуватимуть продакшн-версію. Презентаторів між вами й кодом немає. Ми не прив'язані до жодного провайдера: OpenAI, Anthropic Claude і відкриті моделі тестуємо на ваших даних і обираємо за виміряними результатами. Швидкість дають ШІ-агенти для написання коду, але оцінювання все одно йде на реальних даних. І чітке «не запускати» для нас повноцінний результат, ми так його й подаємо.
Lytvynov Production засновано у 2019 році в Дніпрі, Україна.
Наступний крок
Опишіть завдання й надішліть кілька реальних прикладів. За 30 хвилин ми скажемо, чи PoC тут правильний крок, яким має бути поріг успіху і які дані нам потрібні. Напишіть нам, щоб призначити розмову.
Як ми працюємо
-
До старту
30-хвилинна розмова і односторінковий бриф: завдання, поріг успіху, дані.
-
Тиждень 1
Збираємо набір для оцінювання і проганяємо дві-три моделі.
-
Тиждень 2
Налаштовуємо промпти, пошук чи конвеєр, розбираємо збої, даємо попереднє рішення.
-
Тижні 3-4
Пілот для вашої команди, випробування з реальними користувачами і фінальний звіт.
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