Обновить

Почему мы не взялись за проект, казавшийся перспективным на цифрах?

Расскажу о проекте, который недавно тестировала команда нашей стартап-студии. С идеей к нам пришел молодой педагог, который увидел проблему в отсутствии инструмента, позволяющего фиксировать в цифровом пространстве свои достижения - сертификаты, дипломы, грамоты. Согласно гипотезе, инструмент должен был быть интересен и организациям, которые выдают дипломы: сейчас они по-прежнему отправляют документы через e-mail, где письма теряются и попадают в спам-фильтры.

По задумке сервис должен был интегрироваться в популярные соцсети, где люди могли бы делиться своими достижениями и показывать их, а встроенный AI-ассистент, анализируя достижения, помогал бы выстраивать карьерную траекторию и содействовал “встрече” соискателей с работодателями.

При первоначальном анализе было выявлено, что объем рынка для проекта достаточный, можно простроить понятную бизнес-модель, а критические риски отсутствуют. В целом, сама идея казалась довольно живой, и мы взяли ее на предварительное тестирование (о том, как мы понимаем “предтест” я подробнее писал здесь). Проект получил название “Portfolio AI”.

Мы провели количественное и качественное исследования, опрашивая респондентов, входящих в ЦА проекта. Аудитория была разделена на 3 условных сегмента: соискатели (физические лица), наниматели (компании, ищущие сотрудников) и компании-эмитенты дипломов (организации, проводящие курсы и обучения). Как выяснилось, выраженная “боль” (потребность в продукте) отсутствовала у всех сегментов.

Соискатели не видели необходимости в верификации своих навыков, т.к. этого в основном не требуют работодатели. Компании-работодатели ориентируются на личное общение, проверку навыков кандидата в деле, тогда как пройденные обучающие курсы, а точнее - сертификаты и дипломы - не столь важны при трудоустройстве. Организации - эмитенты дипломов отметили, что никаких проблем при выдаче документов у них не возникает, и для них существенной сложности нет.

Пользователи не видят ценности в идее, как следствие - не готовы платить за такой инструмент. Автору было рекомендовано сделать пивот, а мы решили отказаться от разработки по причине низкой инвестиционной привлекательности.

Задача была в работе 1 месяц. Так иногда случается: объем рынка есть, проект легко "простраивается" и кажется, что успешно выйти на рынок будет достаточно легко. Однако, если проверить идею детально, может оказаться, что "боль" автора не близка широкой аудитории, а значит - лучше всего придумать для идеи иной поворот или отказаться от ее реализации.

Теги:
Всего голосов 1: ↑1 и ↓0+3
Комментарии2

Локальный ИИ класса Opus 4.6 «задешево»: две Tesla P100, 28-поточный Xeon и тесты на реальных задачах

Я собрал домашний сервер с нейросетками, чтобы не зависеть от облака. Далее честный рассказ с цифрами, бенчмарком на 14 реальных задачах и выводами, которые я проверял на себе.

Если совсем коротко: киловатт питания, две серверные Tesla P100 (суммарно 32 ГБ видеопамяти), турбины, которые слегка шумят, но сервер пришлось выселить на кухню, и Xeon на 28 потоков. Всё это выдаёт от 10 до 50 токенов в секунду, в зависимости от модели. DeepSeek в облаке в три раза быстрее, зато это моё и всегда доступное круглые сутки.

Локальный ИИ класса Opus 4.6 «задешево»: две Tesla P100, 28-поточный Xeon и тесты на реальных задачах

Публикации