Ну что, я думаю все, кто реально здесь занимается разработкой, продуктами и реальными проектами, а не наводит инфо шума в интернете, чтобы продать курсы, уже подустали от упоминаний AI. Я тоже устал и меня даже подташнивает от слов вайбкодинт.
Но я хочу без магии, а на реальном кейсе без упоминаний проекта, показать как я запускал продукт для заказчика, с чем столкнулся, от чего кайфанул и как это метчится с классическим подходом к разработке.
Рынок услуг пытались оцифровать все
Юристы, адвокаты, репетиторы, дизайнеры, строители, оценщики — везде есть один и тот же базовый процесс: заказчик ищет исполнителя, объясняет задачу, сравнивает условия, ждёт результат и надеется, что его не подведут.
Поэтому рынок много лет строил маркетплейсы, классифайды и биржи услуг. Я предпочитаю более точное название — многопользовательские платформы. Их смысл не в каталоге исполнителей и не в красивой форме заказа. Администратор платформы проектирует процесс, в котором разные участники могут взаимодействовать предсказуемо, безопасно и с понятным результатом.
На широких рынках эта модель работает. В 2018 году через Profi.ru прошло 2,7 млн заказов общей стоимостью около 25 млрд рублей. YouDo в разные годы привлекал крупные инвестиционные раунды: $1 млн в 2013 году, $6,2 млн в 2016-м, а в 2018 году МТС вложила в компанию $12 млн.
Skyeng тоже строил не просто сайт с преподавателями. Компания вложила около $260 тысяч в собственную учебную платформу, а до этого привлекла сотни тысяч долларов от инвесторов.
У больших горизонтальных рынков сходится математика: много заказчиков, много исполнителей, повторные покупки, крупный потенциальный оборот. Поэтому там можно годами инвестировать в платформу, автоматизацию, маркетинг и операционные процессы.
А теперь попробуйте повторить это в оценке имущества, изготовлении наружной рекламы, подготовке специальных заключений или другой узкой профессиональной нише.
Можно полгода делать продукт, ещё полгода проверять гипотезы, несколько раз менять команду и в конце выяснить, что рынок слишком маленький для такой стоимости разработки. Можно выделять по 10% выручки в IT и несколько лет строить внутреннюю систему. Если есть компетенции, команда, нервы, опыт и немного везения — всё получится. Но на практике это часто превращается в пять лет бюджета, компромиссов и незаконченных кабинетов.
И вот здесь появляется AI.
Я ненавижу слово «вайбкодинг»
Сейчас сотни блогеров рассказывают, как собрали продукт за месяц, день, час или примерно за время приготовления кофе — и уже зарабатывают деньги.
Нет, не собрали. И, скорее всего, не зарабатывают.
Спросите любого адекватного разработчика, инвестора, дизайнера, бизнес-аналитика или продакта: был ли код единственной ценностью цифрового продукта? В лучшем случае вам вежливо скажут «Нет, не собрали. И, скорее всего, не зарабатывают.». В худшем — покрутят пальцем у виска.
Продукт — это не строчки кода. Excel — не финансы компании и точно не прибыль. Это инструмент, который помогает считать финансы быстрее и точнее.
Так же и код. Продукт — это люди, экспертиза, рынок, боль, гипотезы, дизайн, разработка, маркетинг, продажи, поддержка, аналитика и ещё сотня параметров.
Даже если считать разработку главным ограничением, возникает простой вопрос: почему IT-компании не выпускают по новому продукту каждую неделю? Они ведь уже умеют писать код, а AI якобы сделал его почти бесплатным.
Потому что бесплатный код не создаёт бесплатного понимания рынка. Не выбирает правильную гипотезу. Не строит дистрибуцию. Не несёт ответственность за результат.
Исследования тоже не подтверждают магию одной кнопки. В эксперименте с 96 инженерами Google AI сократил время выполнения сложной рабочей задачи примерно на 21%. Но в исследовании METR опытные разработчики, работавшие со знакомыми большими кодовыми базами, с AI выполняли задачи на 19% дольше из-за проверки и исправления предложений модели.
Поэтому «вайбкодинг» — плохое слово. Оно продаёт ощущение, что экспертиза больше не нужна. Я бы называл это разработкой с помощью AI. Или AI-assisted development. Здесь AI — сильный инструмент, а не автор продукта и не замена команде.
Почему старая модель не сходилась
Проект — платформа, которая организует подготовку профессиональных документов и заключений по адекватной цене. Документы помогут оперативно принять решение, обосновать позицию и защитить интересы. Платформа принимает заявку, подбирает проверенного специалиста, фиксирует условия, показывает статус работы и передаёт результат через личный кабинет. Сейчас на сайте описаны три формата работы — от цифровой подготовки шаблонных задач до экспертного анализа без AI, а сама платформа берёт на себя подбор, контроль сроков и проверку качества.
По архитектуре это классическая многопользовательская платформа. Есть заказчик, исполнитель, администратор и модератор. Есть заявки, объекты, документы, статусы, сообщения, правила назначения, контроль качества и десятки пограничных сценариев.
Публичные оценки подрядчиков хорошо показывают порядок цифр. В 2026 году агентства оценивают MVP маркетплейса примерно в 1–2,5 млн рублей и 3–4 месяца, а более сложные решения — в 2–6 млн рублей и 4–6 месяцев. В некоторых оценках полный путь от исследования до первых транзакций занимает 6–11 месяцев.
Это не единый прайс-лист рынка и не попытка сравнить несравнимые проекты. Но порядок понятен: многоролевая платформа — не лендинг и не CRUD на пять экранов.
Вот как могла бы выглядеть даже очень скромная производственная модель продукта без AI:
Даже при очень скромной средней ставке $25 в час получается $30 500. Без полноценного маркетинга, поддержки, юридической работы и нескольких циклов переделок.
Наше ограничение было другим: $10 000, около 400 человеко-часов и один календарный месяц. По трудозатратам это примерно два с половиной полных рабочих месяца одного специалиста, но работа шла параллельно.
Команда тоже была нетипичной:
Заказчик - это владелец реальной экспертизы в такого рода документах, а именно рецензиях, заключениях, оценке, справке итп.
Я — продукт, менеджер, аналитик, UX/UI-дизайнер, разработчик, тестировщик, продавец и маркетолог в одном лице.
AI — слой масштабирования между опытом, документацией и производством.
Вопрос был не в том, может ли нейросеть написать форму регистрации. Вопрос был в другом: как такой командой спроектировать бесшовный продукт со сложной логикой и цепочкой взаимодействия четырёх ролей?
Что мы действительно загрузили в AI
За десять лет у меня накопилась документация по десяткам продуктов: шаблоны исследований, конкурентные карты, структуры требований, user flow, чек-листы интерфейсов, правила приёмки, тест-кейсы, подходы к аналитике и запуску.
Это и стало главным активом проекта.
Мы не начинали каждый диалог с фразы «сделай хороший маркетплейс». Мы давали AI контекст, ограничения, примеры качественного результата и критерии приёмки. После этого просили адаптировать накопленную методологию под конкретную нишу.
По этапам процесс выглядел так:
Сформулировать проблему и проверяемую гипотезу.
Собрать и структурировать конкурентное поле.
Описать сегменты пользователей, их задачи и риски.
Подготовить сценарии интервью и синтезировать реальные результаты кастдевов.
Сформулировать PMF-гипотезу и ограничения экономики.
Разделить продукт на MVP, MLP и MMP.
Построить объектную модель, роли, права и статусы.
Спроектировать UX и проверить сценарии на прототипе.
Собрать UI и тексты.
Реализовать frontend, backend и административную часть.
Сгенерировать и пройти тест-кейсы.
Проверить воронку, сторителлинг, аналитику и готовность к пользовательскому тесту.
Здесь важно не обманывать себя. AI не может «провести кастдев» вместо разговора с рынком. Он может подготовить вопросы, сыграть роль неудобного респондента, найти противоречия в транскриптах и ускорить синтез. Но синтетическая персона — это гипотеза, а не доказательство спроса.
То же самое с конкурентным анализом. AI быстро собирает структуру, но цифры, цены, юридические требования и продуктовые возможности нужно перепроверять по первичным источникам.
Где на самом деле живёт опыт
Со стороны кажется, что всё просто: попросили AI сделать UX, затем UI, затем код — и продукт готов.
Но чтобы что-то попросить, нужно знать что именно просить, в какой последовательности, какой результат считать нормальным и где модель уверенно галлюцинирует.
Возьмём обычный вход в систему. Неопытный человек пишет: «Сделай страницу авторизации». Опытный продукт сразу держит в голове:
Вход и регистрацию.
Восстановление пароля.
Подтверждение почты или телефона.
Авторизацию через внешние сервисы.
Сценарий, когда внешняя авторизация прошла, а обязательных данных профиля нет.
Переход с регистрации на вход и обратно.
Ошибки, повторные попытки и заблокированные аккаунты.
Разные точки входа для заказчика, исполнителя и администратора.
AI ускоряет реализацию этой карты. Но сама карта появляется из опыта.
Ещё сложнее модерация и верификация исполнителей. Нужно не пропустить случайного человека, но и не уничтожить конверсию длинной анкетой. Не перегрузить модераторов, но и не отдать критическое решение алгоритму. Оставить исполнителю свободу, но сохранить единый стандарт результата.
Это уже не задача «нарисовать кабинет». Это баланс интерфейса, бизнес-логики, автоматизации и ручного контроля. Здесь нужны объектно-ориентированное мышление, OOUX, понимание операций и опыт десятков продуктов.
AI усиливает такую экспертизу. Отсутствие экспертизы он тоже усиливает — только на выходе получается не продукт, а очень быстро собранная ошибка.
Почему мы автоматизировали меньше
Первая версия бизнес-модели выглядела логично:
Жёсткий каталог услуг.
Фиксированные цены.
Максимальная автоматизация.
Минимум ручного участия.
На презентации это красиво. Пользователь выбирает услугу, загружает документы, система сама считает цену, назначает специалиста и ведёт заказ по конвейеру.
После первых тестов мы поняли, что рынок хочет другое:
Быстро оставить заявку без изучения сложного каталога.
Получить предварительную оценку от человека.
Понять, какой именно документ нужен в конкретной ситуации.
Видеть персональную ответственность, а не только автоматические статусы.
Поэтому новая модель стала такой:
Быстрая заявка.
Оперативная ручная квалификация.
Меньше автоматизации на входе.
Больше персонального сопровождения.
Автоматизация там, где процесс уже понятен и повторяем.
Это не косметическая правка кнопки. На уровне продукта пришлось менять backend, frontend, бизнес-логику, путь заказчика, работу исполнителя, администратора и модератора.
В классической разработке такой поворот после запуска легко превращается в отдельный бюджет и несколько месяцев. В плохо собранном «вайбкодингом» проекте изменение одной сущности ломает пять экранов и три интеграции, потому что система росла без модели данных, архитектуры и правил.
Мы смогли быстро перестроиться не потому, что AI сам догадался, чего хочет рынок. А потому, что с самого начала проектировали продукт как систему: роли, объекты, состояния, права, события и связи. AI ускорил изменение каждого слоя, но решение изменить модель приняли люди после реального контакта с пользователями.
Где AI дал максимальный эффект
Главный выигрыш оказался не в скорости написания кода. AI уменьшил стоимость итерации.
Из этого следует неприятный для продавцов магии вывод: AI не убирает этапы создания продукта.
Он позволяет одному сильному специалисту пройти больше этапов самостоятельно. Позволяет быстрее выпускать артефакты. Позволяет параллельно проверить больше вариантов. Но если вы выкинули исследование, архитектуру, QA и аналитику, AI не сделал процесс быстрее. Вы просто перенесли стоимость ошибки на момент после запуска.
Почему большинство быстрых приложений не станет бизнесом
Допустим, кто-то собрал B2C-приложение с подпиской $10 в месяц и хочет получать хотя бы $2 000 ежемесячной выручки.
Для этого нужно 200 платящих пользователей. При конверсии в оплату 1% потребуется около 20 000 привлечённых пользователей. Даже если условно покупать пользователя по $0,5, один такой объём трафика обойдётся в $10 000. И это только одна итерация — без учёта возвратов, повторных тестов, поддержки, комиссий и оттока.
Дальше придётся разбираться в unit-экономике, UX, UI, продуктовой аналитике, воронке, сторителлинге, SEO, retention, upsell, cross-sell и ещё десятке дисциплин.
Магии в этом рынке нет. AI удешевил производство, но не отменил стоимость дистрибуции и не создал спрос.
Поэтому для узких B2B- и service-платформ сейчас открывается более интересная возможность, чем выпуск очередного массового приложения. У офлайн-компании уже могут быть клиенты, экспертиза, сотрудники, репутация и канал продаж. Ей не нужно сначала покупать 20 000 пользователей. Она может начать с цифрового продукта для существующих клиентов, проверить процесс на своей базе, а затем открыть его рынку.
Именно такие проекты сейчас выглядят наиболее здраво: не «стартап из воздуха», а цифровой слой поверх работающей экспертизы.
Когда модель сработает
AI-assisted подход особенно полезен, если одновременно выполняются несколько условий:
У бизнеса есть реальная предметная экспертиза, а не только идея.
Есть доступ к первым пользователям без дорогой массовой рекламы.
Процесс уже существует офлайн, пусть даже в чатах, таблицах и голове собственника.
Можно выделить маленький, но законченный пользовательский сценарий.
Решения принимает человек, который понимает продукт и способен проверить результат AI.
Архитектура допускает изменение гипотезы, а не только красивую демонстрацию.
Команда готова оставить ручной труд там, где автоматизация пока не доказала ценность.
А вот если нет понимания рынка, нет канала продаж, нет владельца процесса и никто не умеет оценивать качество результата, AI просто поможет быстрее потратить деньги.
Практическая дорожная карта
Если бы нужно было повторить этот подход в оценке, юридических услугах, наружной рекламе или другой узкой нише, я бы шёл так.
Неделя 0. Собрать контекст
До разработки собрать реальные регламенты, шаблоны документов, переписки, причины отказов, частые ошибки, роли, статусы и ограничения. Чувствительные данные нужно обезличить, а рабочую среду выбирать с учётом требований к конфиденциальности.
Результат недели — не дизайн. Результат — словарь предметной области и карта процесса «как есть».
Неделя 1. Выбрать одну боль
Не строить маркетплейс целиком. Выбрать один законченный сценарий, за который пользователь уже готов платить: оставить заявку, получить квалификацию, передать документы, увидеть статус и забрать результат.
AI на этом этапе помогает разобрать конкурентов, подготовить интервью, найти противоречия в требованиях и оформить гипотезу. Решение о том, что входит в MVP, принимает продукт.
Неделя 2. Спроектировать систему
Описать роли, сущности, связи, состояния, права и исключения. Затем собрать кликабельный сценарий и проверить его на нескольких реальных пользователях.
Главный вопрос теста — не «красиво ли?», а «сможет ли человек без объяснений пройти путь и понимает ли он, что будет дальше?»
Неделя 3. Собрать рабочее ядро
Реализовать только критическую цепочку. Не автоматизировать редкие случаи. Не строить рекомендательную систему, если первые назначения может делать администратор. Не делать сложный калькулятор, если цена пока требует экспертной оценки.
AI ускоряет код, миграции, компоненты, документацию и тесты. Но каждое изменение проходит ревью относительно объектной модели и критериев приёмки.
Неделя 4. Запустить и наблюдать
Подключить аналитику, дать продукт первым пользователям, смотреть сессии, читать обращения, фиксировать места, где люди останавливаются или просят помощи.
И быть готовым выкинуть красивую автоматизацию, если рынок хочет сначала поговорить с человеком.
Рефакторинг
Когда мы подтвердим гипотезу - конечно же зайдет команда и будет все переписывать за ИИ, но через тот же ИИ - но уже сами разработчик
Что в итоге изменил AI
Мы не получили бизнес нажатием кнопки. Мы получили возможность сделать нишевой цифровой продукт экономически разумным.
Раньше стоимость первого серьёзного теста для такой платформы могла составлять десятки тысяч долларов и несколько месяцев работы команды. Теперь опытный продуктовый специалист с предметным экспертом может пройти тот же цикл существенно дешевле, быстрее показать решение рынку и сохранить бюджет на самое важное — итерации после первых пользователей.
В этом и есть настоящая революция.
AI катастрофически масштабирует экспертизу. Он помогает бизнесу не только оказывать услугу в офлайне, но и превращать накопленный процесс в продукт. Благодаря этому небольшие компании могут создавать цифровой сервис сначала для своих клиентов, затем для сотрудников, партнёров и всего рынка.
Но AI не превращает случайного человека в сильного продакта, разработчика или дизайнера.
Хорошая камера в телефоне не создала миллионы талантливых фотографов и режиссёров. Она просто дала сильным людям более доступный инструмент — а зрителю больше хорошего контента.
С продуктами будет так же.
Работа никуда не исчезнет. Исчезнет часть рутины. Экспертиза станет масштабируемой. А узкие рынки, для которых раньше цифровая платформа была слишком дорогой, наконец смогут позволить себе нормальные продукты.
И от этого конечный пользователь только выиграет.
