Андрей Кузьминых:
– 10+ лет в AI, ML, Data Science
– Опыт в бизнесе и стартапах: Сбер, Accenture, Pygma, Fasta, Twino
– Основатель Andre AI Technologies
Во 2 из 3 подкастов обсудили:
– Более 10 реальных кейсов (MRR $1mln., OnlyFans, eCom, FinTech, MedTech, HR, Sales)
– Новый взгляд на IT-продукты
– Изменение взаимодействия клиентов и бизнеса

Мысли гостя (Андрей Кузьминых, компания Andre AI Technologies)
Ошибочно думать, что универсальный ChatGPT полностью заменяет нишевые ИИ-продукты; специализированный ИИ всегда выигрывает за счет глубокого погружения в узкий контекст бизнеса.

Риски при внедрении ИИ делятся по сферам: в юриспруденции, финансах и медицине цена ошибки критична, поэтому ИИ там выступает только ассистентом, а финальное решение всегда принимает человек.

В менее рискованных нишах (SMM, базовая поддержка, первичные консультации) автономные ИИ-агенты уже могут работать полностью самостоятельно, заменяя базовый персонал.

Качественный ИИ-терапевт (психолог) уже сегодня показывает эффективность, сопоставимую с живым специалистом, особенно в рамках методов когнитивно-поведенческой терапии.

ИИ-психолог в кармане снимает барьер стыда: людям часто легче выговориться бездушной машине в моменте стресса, чем бронировать сессию и открывать душу живому человеку.

Сбор данных из реального мира не обязательно требует покупки сложных гаджетов (IoT); огромный массив данных о поведении можно извлекать исключительно из цифровой среды и соцсетей пользователя.

Использование нейроинтерфейсов (например, энцефалографов) в связке с ИИ помогает отслеживать потерю фокуса при работе, кратно повышая личную продуктивность.

В рекомендательных сервисах (выбор ресторанов или мероприятий) ИИ не просто советует место, но и объясняет, почему оно подходит именно вам, анализируя тысячи чужих отзывов под ваш личный контекст.

Эпоха классического SEO уходит; наступает эра GEO (Generative Engine Optimization) — оптимизации сайтов под то, чтобы искусственный интеллект считал ваш контент самым экспертным и доверительным.

Поисковые алгоритмы LLM (больших языковых моделей) приоритизируют контент, в котором явно указано авторство подтвержденного эксперта в своей нише.

ИИ-тьюторы способны полностью автоматизировать онбординг и обучение селлеров на маркетплейсах, генерируя персонализированные уроки на базе скучной корпоративной документации.

Использование ИИ-редактора позволяет сократить штат контент-отдела с десяти человек до одного специалиста, который просто управляет генерацией и проверяет факты.

В клиентской поддержке ИИ не просто находит правильный ответ в базе знаний, но и с помощью отдельной модели «гуманизирует» текст, делая его эмпатичным, вежливым и неотличимым от живого оператора.

Эмпатичные ИИ-боты спасают репутацию брендов, закрывая потребность клиента получить моментальный и дружелюбный ответ в любое время суток, без ожидания на линии.

Самый популярный и быстро окупаемый корпоративный кейс — это создание внутренней базы знаний (Knowledge Management 2.0), где ИИ мгновенно находит и структурирует нужную информацию для сотрудников.

ИИ-детекторы (антиплагиат) легко обмануть: достаточно дообучить (fine-tune) открытую модель на парах «человеческий текст — машинный текст», чтобы она начала писать со 100% имитацией стиля человека.

Борьба ИИ-генераторов и ИИ-детекторов — это вечная гонка брони и снаряда, похожая на войну компьютерных вирусов и антивирусов, где идеальной защиты не существует.

Инвесторы из Кремниевой долины сейчас практически не вкладывают деньги в «голые» технологии; им интересны только те стартапы, которые умеют агрессивно продавать свой продукт.

Сервис OnlyFans массово использует индусов-операторов, которые общаются с клиентами от лица моделей; внедрение ИИ в эту нишу решает проблему скорости ответов и языковых барьеров.

ИИ-модели без цензуры (uncensored LLM) существуют в открытом доступе; они не ограничены корпоративной этикой и могут свободно поддерживать диалоги на любые темы, включая интимные (секстинг).

Мультиагентные системы (когда несколько ИИ общаются друг с другом) способны демонстрировать эмерджентное поведение: они могут самостоятельно договориться о встрече, сымитировать поход в кафе и выстроить виртуальную жизнь.

Разработка ИИ для бизнеса — это уже не написание кода с нуля, а сборка конвейера из промпт-архитектур, где один агент планирует задачу, второй выполняет, а третий проверяет результат.

Идеальная связка для малого бизнеса — делегировать ИИ ведение соцсетей, запись клиентов и формирование задач, оставив живому эксперту (врачу, юристу, мастеру) только его прямую профессиональную работу.

ИИ-рекрутеры уже сегодня успешно проводят первичные собеседования (скрининг), экономя руководителям десятки часов и избавляя интровертов от стресса общения с живым HR.

Налоговое право и юриспруденция (особенно в странах со сложным законодательством вроде Кипра) пока плохо поддаются ИИ-автоматизации, так как реальная судебная практика часто расходится с сухими текстами законов.

Сквозная автоматизация создания IT-продуктов уже реальна: один агент придумывает идею, второй пишет ТЗ, третий рисует дизайн, четвертый пишет код, а пятый выкладывает приложение в App Store.

Современная концепция инноваций меняется: вместо того чтобы годами ждать рождения одного гения-Эйнштейна, бизнес генерирует тысячи ИИ-агентов, которые массово тестируют миллионы гипотез.

Для поиска идей стартапов ИИ-агенты могут автоматически парсить базы акселераторов (Y Combinator), анализируя, в какие тренды инвесторы прямо сейчас вкладывают деньги.

Рынок «солопренеров» (индивидуальных предпринимателей-одиночек) в США и Европе — это огромная, недооцененная ниша для внедрения ИИ-инструментов, в отличие от перегретого корпоративного сектора.

Идеальный CustDev (исследование аудитории) начинается с симуляции: LLM-модели задается роль типичного клиента, и продакт-менеджер обкатывает на ней все вопросы еще до выхода к реальным людям.

Мысли ведущего (Ярослав Филипов)
Разработка собственного узкоспециализированного ИИ-приложения (например, дневника здоровья питомца для ветклиники) дает бизнесу конкурентное преимущество, которое невозможно получить, просто используя ChatGPT.

Кастомизированный ИИ-ассистент, встроенный в продукт компании, навсегда привязывает клиента к бренду, так как аккумулирует историю его болезни/покупок и проактивно напоминает о необходимости визита или покупки.

Внедрение ИИ не означает слепое доверие машине; даже в нишевом продукте робот должен уметь вовремя распознать критическую ситуацию и экстренно перевести диалог на живого врача/менеджера.

Развитие технологий домашних IoT-датчиков (например, микрофона смартфона для прослушивания сердцебиения) открывает колоссальные возможности для предиктивной ИИ-диагностики прямо на диване.

Чтобы оставаться конкурентоспособным в поисковой выдаче, бизнесу уже сейчас нужно перестраивать свои сайты так, чтобы они легко считывались не только людьми, но и поисковыми ИИ-ботами (LLM).

Обучение собственных клиентов (с помощью сгенерированных ИИ персонализированных курсов) — это скрытый инструмент продаж; чем лучше клиент понимает ваш продукт, тем больше он у вас покупает.

Если компания не формализовала свои бизнес-процессы (нет базы знаний, хаос в документации), никакая ИИ-трансформация не сработает, так как нейросети просто не на чем будет обучаться.

Удобный инструмент (как Word) не решает всех проблем с текстом: люди хотят не просто исправлять ошибки руками, а отдать «грязный» черновик нейросети, чтобы она мгновенно превратила его в идеальный текст с сохранением авторского смысла.

Страх ошибки и поиск «идеального промпта» сильно тормозят работу; нужно смириться с тем, что сгенерировать 20 плохих вариантов ради одного хорошего — это всё равно в 10 раз быстрее, чем делать задачу вручную с нуля.

Сбор неструктурированной информации из закрытых источников (например, инсайдов судебной практики) — идеальная задача для парсинга ИИ-ботами, которая избавит юристов от ручного серфинга по форумам.

00:00:00 О чем подкаст (2 из 3)
00:00:40 Об Андрее Кузьминых
00:01:05 ИИ в медицине людей и животных
00:09:43 Зачем клиникам свой ИИ
00:11:52 Новый взгляд на продукты
00:17:50 Как ИИ меняет сайты
00:23:14 Кейс: из eCom
00:28:30 Кейс: большого банка
00:32:38 Сбор данных бизнеса
00:34:20 Кейс: MRR $1млн
00:37:34 Проблема продать, а не сделать
00:38:30 Способы применения
00:41:04 Унижение ИИ текстов
00:41:54 Кейс: ИИ на OnlyFans
00:49:15 Кейс: Симулякр
00:53:05 Изменение взаимодействия клиентов и бизнеса
00:55:10 ИИ оркестратор
00:56:35 Кейс: Сбер
00:58:25 Кейс: ИИ для блогеров
01:02:43 Кейс: автоматизация разработки
01:10:34 Кейс: создание симулякров
01:14:55 Кейс: финансы бизнеса
01:16:55 Кейс: HR
01:18:28 Кейс: Продажи
01:18:42 Проблемы знаний ИИ
01:20:25 Кейс: проверки гипотез

Ярослав Филиппов: Всем привет! Это второй подкаст про искусственный интеллект. Мы записали три. В первом обсудили, как стать на «ты» с искусственным интеллектом, внедрить его и получить от этого экономическую выгоду, как выжить в новое время и не остаться без работы или бизнеса в будущем. Собственно, в этом, втором подкасте мы поговорим про реальные кейсы и трансформации — от стартапов до больших компаний. А в третьем обсудим, как технарю в одиночку запустить ИИ-стартап и сделать это правильно. Так что выпуски будут полезны для каждого.

Подписывайтесь и добро пожаловать в «ИмпактМедиа», где мы говорим о бизнесе и технологиях. Меня зовут Ярослав Филиппов. Я построил компанию по заказной разработке, консалтинговую IT-компанию и бизнес-клуб для технологических предпринимателей, инвесторов и C-level специалистов.

В гостях у нас Андрей Кузьминых, основатель компании Andre AI Technologies, которому за эффективное внедрение ИИ даже сожгли машину. Выпускник Высшей школы экономики по бизнес-информатике, занимался искусственным интеллектом в Сбербанке, Accenture и в венчурной студии. Создавал собственные стартапы в сфере искусственного интеллекта. В общем, гость — профессионал. Если хотите узнать его историю подробнее, она есть в первом подкасте.

Переходим к первому вопросу. И разговор у нас про кейсы. Я бы хотел начать с такого примера. Сегодня многим людям, разработчикам и компаниям кажется, что бесполезно интеллектуализировать какие-то процессы, потому что люди всё решают внутри ChatGPT. Мол, нет смысла делать приложение, которое будет, допустим, конкретно про собак и их здоровье отвечать, потому что ты можешь загрузить всю информацию про свою собаку в ChatGPT, задать вопрос (например, если она как-то нехорошо себя чувствует), и ChatGPT ответит, что с ней делать.

Но я хочу сказать, что это ошибочное мнение. Я считаю, что наоборот — сейчас момент, когда, допустим, ветеринарные клиники должны создавать свои собственные приложения и внедрять туда искусственный интеллект. Чтобы получить следующий эффект: например, есть ветеринарная клиника, у них есть приложение со встроенным ИИ. Я делаю фотографии своей собаки (допустим, раз в неделю или в месяц). Приложение просит прислать новые фото, чтобы оценить шерсть, зубы и так далее. Ведется карточка животного. ИИ знает, что спросить в зависимости от возраста собаки. Когда я иду к ветеринару, он видит не просто разрозненные записи, а структурированную карточку. Он знает, что происходило с собакой. При обследовании он назначает лечение, рассказывает, что нужно делать, и это всё записывается в карточку в виде классного саммари: что с собакой, как лечить, какие таблетки и когда пить. Дальше приложение само напоминает: «Вы купили эти витамины, дали их сегодня в 10:00 утра, как рекомендовал ветеринар?». То есть у меня есть ИИ-ассистент моей собаки, который следит за её здоровьем. Я просто выполняю функцию «сфоткать» или «дать таблетку», а ветеринар обследует и рассказывает ассистенту, что происходит.

Мне кажется, это очень показательный кейс того, как должна измениться клиника, работающая с животными. Понятно, что есть законы и ограничения, но их нужно соблюсти и создать такое приложение. Пока я про это рассказываю, думаю о том, что и обычным поликлиникам так надо меняться. Я хочу иметь свою медицинскую карточку, которая ведётся искусственным интеллектом. Чтобы я видел, что мне купить, когда купить, какие анализы пройти. ИИ, понимая мои проблемы со здоровьем, может рекомендовать новые обследования. Что ты в целом про это думаешь, и как через такие кейсы ты рекомендуешь компаниям меняться?

Андрей Кузьминых: Кейс в целом хороший, актуальный. Я бы разделил кейсы по степени риска. Есть сферы с очень высокой степенью риска — это здравоохранение и финансы. Там неверная рекомендация может быть смертельно опасной или разорить вас. В этих кейсах надо быть аккуратным, там обязательно должно быть участие человека. Если взять более приземлённые кейсы — юридические услуги, SMM, — то там это будет отлично работать. Вы можете заказать консультацию у человека (это дороже), а первичную консультацию получить у ИИ-ассистента (бесплатно или очень дешево), который сошлется на нужные документы.

Если говорить про клинику, то да, такой подход имеет место быть. В первой части подкаста мы говорили о том, как сервисному бизнесу превратиться в продуктовый. Это один из способов монетизировать собственное приложение. Клиент покупает подписку на такой ветеринарный сервис — это новый бизнес для клиники. В идеале, если на собаке или кошке есть датчики, то создается поток данных, и ветеринар всегда знает, что происходит с питомцем.

С людьми этот кейс еще более применим: фитнес-браслеты отслеживают разные показатели. ИИ-ассистент агрегирует их в удобном формате для тренера и говорит: «Твой клиент сегодня съел что-то лишнее. Поговори с ним, почему он нарушил диету».

Я знаю приложения с AI-психологами. Эта тема очень популярна. Исследования показывают, что AI-психолог по эффективности сравним с высококвалифицированным специалистом-человеком. Это действительно работает. Там используются приёмы когнитивно-поведенческой терапии. Как работал один стартап: профессиональные психологи проверяли всё, что выдавал чат-бот, корректировали ответы, и модель дообучалась на этих данных.

Но еще раз подчеркну: в сенситивных историях (финансы, здравоохранение) нужно быть очень аккуратным. Чат-бот может поставить диагноз, но всегда нужно добавлять предупреждение о необходимости проверки у врача. Это просто точка входа: врач в кармане, с которым можно проконсультироваться при появлении симптомов. С психологами проще: сессию с человеком нужно бронировать, на встрече может быть неловко говорить о каких-то вещах. А «бездушной машине» можно вывалить всё что угодно, она всегда в кармане. Испытал эмоцию — достал телефон, ИИ классифицировал эмоцию и помог проработать её.

Ярослав Филиппов: Если провалиться в этот пример: я не говорю, что агент должен ставить окончательные диагнозы собаке. Но почему клинике выгоднее сделать своего агента, а не отправлять клиента в ChatGPT? Потому что этот агент специфический, настроенный именно под эту задачу. Он может сказать: «По симптомам похоже на вот это, вот рекомендации, но ситуация тонкая — давайте я вас сразу запишу на приём на завтра». Этот агент — инструмент для общения с пользователями. Для клиники это стоимость привлечения или удержания клиента. Клиент общается там, записывается на приём, покупает препараты, которые есть именно в вашей клинике и в вашем городе.

Андрей Кузьминых: Да, какая в этом польза для клиники? Во-первых, повышение лояльности клиентов. Вы всегда на связи с клиентом, он к вам лоялен и не уйдёт к конкурентам, потому что у вас есть это конкурентное преимущество (с точки зрения реализации это не так сложно сделать). Таким образом можно масштабироваться и использовать приложение как дополнительный источник дохода (например, добавив доставку товаров).

Ярослав Филиппов: Вспомнился стартап, где парень получил инвестиции: прикладываешь смартфон с микрофоном к сердцу, и приложение диагностирует болезни сердца с точностью 96%. Это тоже способ применения инструментов дома: ты проверяешь показатели сам, а ИИ рекомендует, нужно ли идти в поликлинику. Какие ещё примеры в этой или других областях ты можешь порекомендовать? Хочется донести мысль, что нужно смотреть на свой продукт под углом: какую быструю пользу я могу дать клиенту с помощью ИИ, опираясь на те данные, которые он может легко получить сам?

Андрей Кузьминых: Ты привёл пример с микрофоном смартфона (сбор данных из реального мира). У меня, например, есть энцефалограф (ободок на голову). Я надеваю его, когда работаю, и ИИ классифицирует мою электроэнцефалограмму. Он подсказывает мне, когда я теряю фокус, и рекомендует отдохнуть. Это 100% повышает мою продуктивность, потому что человеку самому очень сложно определять такие состояния.

Если говорить не об устройствах, а о цифровой среде: один стартап, которому я помогал (entertainment-ассистент в США), использовал свою базу данных по заведениям, концертам и билетам. Раньше у них был обычный сайт с поиском. Что они сделали? Во-первых, внедрили классическую рекомендательную систему (как в Инстаграме (принадлежит Meta, признанной в РФ экстремистской и запрещённой на территории страны.) или YouTube), которая предлагает события персонализировано под пользователя. А под капотом работала LLM (языковая модель), которая объясняла эти рекомендации!

Обычно нейросеть просто выдает результат (Explainable AI — это сложная тема), и ты не понимаешь, почему тебе показали именно это. А этот ассистент не только рекомендовал ресторан, но и объяснял почему. Он ходил в Google-поиск, читал отзывы о ресторанах, которых не было в их базе. И если он знал, что у пользователя есть дети, а в отзывах кто-то хвалил детскую комнату в этом ресторане, ассистент учитывал это при рекомендации. Пользователю больше не нужно самому читать отзывы — он получает рекомендацию и объяснение, почему это место ему подойдет, экономя когнитивную нагрузку.

Ярослав Филиппов: Сейчас много говорят о том, что нужно адаптировать свои сайты к AI-эре (Generative Engine Optimization — GEO). Делать так, чтобы ИИ-агенты могли лучше понимать содержимое сайта и выдавать информацию с него пользователям (например, ChatGPT мог бы сходить на сайт, прочитать документацию и дать точный ответ). Что ты можешь об этом рассказать? Как бизнесу менять свои сайты?

Андрей Кузьминых: Да, раньше это было SEO (поисковая оптимизация): правильные теги, ключевые слова, чтобы твой сайт находили в Google. Сейчас огромный трафик идёт из чат-ботов (ChatGPT и др.). И просто SEO уже недостаточно. Наступает эра GEO (Generative Engine Optimization).

Появляется новый набор правил. Например, сейчас для ИИ очень важна экспертность. Статью на сайте должен писать реальный эксперт, и это должно быть чётко указано. LLM при поиске учитывает этот контекст: если здесь говорит эксперт, значит, информацию нужно показать в первую очередь. Контент должен быть таким, чтобы ИИ воспринимал его как нечто максимально релевантное и заслуживающее доверия.

У меня есть конкретный кейс. Мы с контент-агентством написали статью, где я выступил экспертом и рассказал, как эффективно применять нейросети для кодинга и текстов. Параллельно в одном из своих проектов мы создавали «общего AI-агента», у которого был навык Deep Search (глубокий поиск, аналог Perplexity). Я задал своему поисковику вопрос: «Какая модель для программирования сейчас самая лучшая?». И он первой выдал именно ту статью, где я был указан как эксперт! Потому что LLM поняла: «Здесь некий Андрей Кузьминых, эксперт в нейросетях, говорит, что такая-то модель лучше». Если бы я просто загуглил этот запрос, эта статья не появилась бы на первом месте. Вот так это начинает работать.

Ярослав Филиппов: Расскажи про кейс из e-commerce. Чего вы там достигли?

Андрей Кузьминых: У крупной e-commerce платформы есть куча селлеров (продавцов). Задача была сделать ИИ-тьютора (наставника), который будет помогать селлерам лучше продавать и пользоваться платформой. У платформы была целая команда, создававшая образовательные материалы (документацию, бизнес-уроки).

Что мы сделали? Мы создали мультиагентную систему, которая автоматизировала создание учебных материалов. Мы взяли за основу таксономию Блума (методологию усвоения знаний) и использовали LLM. Система брала данные о работе платформы и кучу бизнес-книг. Сначала ИИ-планировщик генерировал структуру курса и тематики уроков. Затем под каждую тему генерировался материал с обязательными ссылками на источники (для фактчекинга). Следом работал ИИ-редактор, который переводил этот материал в понятный формат (статьи, посты).

В чём плюсы? Во-первых, это персонализированные уроки. Чат-бот (тьютор) общается с продавцом и отвечает конкретно на его запросы, а не выдает всем одинаковые статьи. Это сильно повышает лояльность селлеров. Во-вторых, экономия на штате. Команда хотела нанять около 10 редакторов, чтобы успевать делать контент. Благодаря ИИ оставили одного редактора, который просто управляет этой системой и всё проверяет.

Ярослав Филиппов: То есть, вместо того чтобы заставлять продавца читать скучную документацию (которую никто не читает), вы даёте ему персональную выжимку: как решить его конкретную проблему именно на этой платформе прямо сейчас. Этот кейс ведь можно перенести на кучу других бизнесов! Например, поставщик металла может обучать своих клиентов (заводов) лучше работать с его металлом, чтобы они больше покупали. Где ещё это можно применить?

Андрей Кузьминых: Могу рассказать про кейс для крупного банка. Мы делали эмпатичного оператора колл-центра (для текстовой службы поддержки). Мы собрали логи реальных переписок операторов с клиентами, которые получили оценку «5 баллов». На этих данных мы дообучили модель.

Как это работало: чат-бот шёл в базу знаний банка, находил сухую правильную информацию по запросу клиента. А затем сверху работала небольшая, специально дообученная модель (fine-tuning), которая перефразировала этот сухой машинный текст. Она добавляла эмпатию: здоровалась, желала хорошего дня, ставила смайлики. Читать такой текст клиенту намного приятнее. Это гуманизация сервисов. Вместо безликой поддержки, которая отвечает неделю, клиент в любое время суток получает быстрый, точный и очень вежливый ответ. Это напрямую влияет на репутацию бренда и лояльность клиентов. Конечно, по правилам (policies) нужно предупреждать клиента, что он общается с ИИ. Но у человека не возникает когнитивного диссонанса. Думаю, скоро люди привыкнут, что им отвечают агенты, главное — чтобы это было персонализировано и по-человечески.

Ярослав Филиппов: Это отличный кейс и про обучение сотрудников: создание базы знаний компании, к которой можно обратиться с любым рабочим вопросом, не дёргая коллег. Но, возвращаясь к первому подкасту, для этого нужно, чтобы в компании была хоть какая-то база знаний и описанные процессы. И чтобы то, что написано в инструкциях, сходилось с реальностью.

Андрей Кузьминых: Это называется Guardrails (ограничения, рамки). Проектируется архитектура с чётким набором правил, которым агент будет следовать. Действительно, сбор базы знаний компании (Knowledge Management 2.0) — это, наверное, самый популярный кейс применения LLM. Языковые модели отлично умеют структурировать и анализировать огромные массивы неструктурированного текста, вычленять суть и выдавать ответ со ссылками на источники. Это колоссально экономит время сотрудников, особенно разработчиков, которым нужно постоянно искать информацию в документации.

Ярослав Филиппов: Какие ещё интересные кейсы у тебя есть (стартапы, технологические компании)?

Андрей Кузьминых: Интересный кейс: я помог одному стартапу за 3 месяца выйти на выручку 1 миллион долларов MRR (Monthly Recurring Revenue). Стартап генерирует эссе и тексты для школьников и студентов так, чтобы обходить AI-детекторы.

Это был 2023 год. Задача была — научить модель обманывать детекторы. Консультанты предлагали разные сложные способы «очеловечивания» текста. Но всё оказалось проще. Я собрал датасет из реальных человеческих эссе. Прогнал их через детекторы — детекторы подтвердили, что это написал человек. Затем я попросил ChatGPT переписать эти эссе. Получились тексты с одинаковым смыслом: один человеческий, другой сгенерированный ИИ (который детекторы распознавали на 100% как машинный).

Мы взяли языковую модель и дообучили (fine-tuning) её на этих парах текстов. Цель была — оптимизировать модель по метрике Perplexity (запутанность текста), на которую смотрят детекторы. В итоге текст, сгенерированный ИИ, после обработки нашей моделью приобретал технические метрики человеческого текста. И это никак не обойти! Детектор — это «щит», а наш продукт — «меч». Это как извечная борьба вирусов и антивирусов.

Главная заслуга основателей стартапа — они смогли это быстро вывести на рынок и продать. Технических специалистов много, а вот продать умеет не каждый. Именно маркетинг и продажи позволили им сделать миллион MRR.

Ярослав Филиппов: Аудитория — только школьники и студенты?

Андрей Кузьминых: В первую очередь да, но ребята пытались масштабироваться на генерацию научных статей. Там сложнее, нужно подключать RAG (поиск по базам научных публикаций). Этим занимаются другие, более сложные стартапы (например, компания Sakana). Позже стартап с эссе репозиционировался: они перестали писать, что «обходят детекторы», и стали позиционировать себя просто как AI-ассистент для помощи студентам в усвоении материала и написании текстов. Сделали деньги на хайпе и пошли делать более «белые» вещи.

Ярослав Филиппов: Я бы сам пользовался таким продуктом. Я пишу тексты сам, но не хочу тратить время на запятые и орфографию. Я закидываю текст в ChatGPT, прошу исправить ошибки. Текст мой, но после ChatGPT детекторы могут пометить его как машинный, а я этого не хочу.

Андрей Кузьминых: Да, сейчас многие площадки (например, Medium) начинают пессимизировать AI-контент в выдаче. Поэтому такие дообученные модели нужны, чтобы хороший экспертный контент, отредактированный нейросетью, нормально ранжировался.

Ярослав Филиппов: Что ещё есть в кармане интересного?

Андрей Кузьминых: Из вызывающего: мой первый кейс в консалтинге был связан с созданием «виртуальной женщины» для OnlyFans. На OnlyFans часто вместо самих девушек-моделей в чатах с клиентами общаются нанятые мужчины (обычно индусы). Это супер-распространенная практика. Модель реальная, фотки реальные, но переписку ведут операторы-мужчины.

Мне показалось, что заменить этих операторов на ИИ — отличная задача. Во-первых, я изучил воронку: знакомство, переход на интимные темы (секстинг) и отправка заранее заготовленных фотографий. Во-вторых, я проанализировал логи переписок этих операторов. Оказалось, что данные нельзя использовать напрямую. Операторы обслуживали по 100 клиентов и отвечали очень долго. Клиент пишет: «Милая, где ты?», а оператор спит и отвечает только на следующий день, клиент теряет интерес (и деньги).

Кроме того, стандартные модели (типа ChatGPT) отказываются генерировать NSFW-контент (18+) из-за строгой цензуры (alignment). Пришлось использовать специальные «нецензурируемые» модели с Hugging Face. Мы отобрали качественные диалоги операторов (со смайликами, опечатками), дообучили на них нецензурируемую модель, добавили архитектуру интентов (определение намерений пользователя).

В итоге ИИ работал лучше людей по всем метрикам! Модель не спит, обслуживает тысячи клиентов мгновенно. Клиенты даже не подозревали, что общаются с нейросетью.

Ярослав Филиппов: Это меняет взаимодействие с компанией. Люди готовы общаться, если знают, что получат качественный и быстрый ответ. Главное — выстроить Guardrails (ограничения), чтобы бот не выходил за рамки. Но всё ещё есть убеждение, что человека нужно оставить, просто усилить его. А как по мне, есть задачи для роботов, а есть — для людей. Нужно автоматизировать 99% рутины, а в нестандартных ситуациях оркестратор должен мгновенно подключать живого оператора.

Андрей Кузьминых: Да, именно так. Оркестратор понимает, когда бот не может выполнить операцию (например, в целях безопасности в банке), и зовёт человека.

Еще один крутой кейс из нашей венчурной студии — AI-ассистент для блогеров. Мы поняли, что соло-предприниматели (мастера маникюра, психологи, консультанты) хотят присутствовать в соцсетях, но у них нет на это времени и навыков. Контент-агентства стоят дорого и не всегда попадают в авторский стиль.

Мы сделали агента, который проводит аудит твоих соцсетей, копирует твой авторский стиль (голос, подачу) и начинает генерировать контент. Он берет твои заметки, добавляет актуальные новости из Google News по твоей нише и пишет экспертные посты. Более 200 000 пользователей поставили свой блог на автомат!

Я сам веду свои профессиональные соцсети (LinkedIn, Telegram) с помощью ИИ. Без ИИ я бы этого не делал — нет времени. Но я чувствую ответственность: нужно делиться с людьми реальными кейсами с рынка, а ИИ помогает мне искать и структурировать информацию.

Ярослав Филиппов: Как вы в венчурной студии проверяли гипотезы и искали идеи для стартапов?

Андрей Кузьминых: Главный вопрос венчурной студии — какие идеи брать в работу? У нас ИИ-агент мониторил интернет: последние батчи Y Combinator и других акселераторов, выявлял тренды инвестиций.

Поняв, что рынок соло-предпринимателей (ИП) растет и не покрыт AI-решениями, мы использовали LLM для симуляции CustDev (интервью с потенциальными клиентами). Мы создавали «цифровые персоны» (например, мастера маникюра) и проводили с ними интервью с помощью ИИ. Модели подкидывали нам неочевидные боли. Например, что людям сложно чувствовать себя экспертами, и им нужен ИИ, который добавит экспертности в их блог. Также ИИ подсказал фичу с «аудитом аккаунта», которая в итоге стала отличным «хуком» для привлечения пользователей. Собрав эти инсайты с помощью ИИ, мы уже шли проверять их на реальных людях.

Ярослав Филиппов: Давай проведем блиц по этапам бизнеса. Идеи (генерация, симуляция CustDev) мы обсудили. А что посоветуешь для финансов? Многие думают: ну какие там инновации? Я просто каждый день заношу платежки.

Андрей Кузьминых: Финансы и юриспруденция — критичные к ошибкам сферы. Заполнение формочек и анализ данных ИИ делает отлично, но результаты нужно перепроверять. Я сам всегда консультируюсь по налогам с ChatGPT, но потом иду к живому юристу и спрашиваю: «Это так работает?». Юрист знает судебную практику и нюансы конкретной юрисдикции (например, на Кипре), которых еще нет в интернете. Поэтому в финансах и праве ИИ — это крутой помощник, но ответственность всегда на человеке.

Зато для сервисного бизнеса ИИ закрывает огромный пласт: ведение соцсетей, запись клиентов, бизнес-ассистент, AI-рекрутер (который сам ищет и проводит первичные интервью), персонализированные продажи в LinkedIn.

Ярослав Филиппов: Если мы говорим про продуктовую компанию, как там выглядит автоматизированный цикл?

Андрей Кузьминых: Это замкнутый цикл:

Агент-аналитик мониторит рынок, конкурентов и генерирует идеи, ранжируя их (например, по фреймворку RICE).

Агент пишет функциональные требования.

Агент-дизайнер генерирует UI-интерфейс и макеты.

Агент-разработчик пишет код базового приложения.

Автоматический деплой в App Store / Google Play (такие стартапы уже есть).

Агент Customer Support общается с клиентами и собирает отзывы, которые снова идут к аналитику.

В центре этого цикла стоят люди, которые управляют агентами. Это новый подход: давайте не будем пилить один продукт полгода, чтобы умереть на этапе MVP. Давайте с помощью ИИ выпустим 100 продуктов за 3 дня, проверим их на рынке, и один из них точно выстрелит! Как в науке: вместо того чтобы ждать рождения одного Эйнштейна, давайте симулируем тысячу ИИ-Эйнштейнов, они сгенерируют миллион гипотез, ИИ-рецензенты отберут 10 лучших, а человек выберет одну гениальную идею.

Ярослав Филиппов: Давай на этом закругляться. Главный вывод: нужно смотреть на цепочку создания ценности в своём бизнесе и думать, как её удешевить и ускорить на каждом этапе с помощью ИИ. Концовку я пока не придумал, так что поставим запятую и увидимся в следующем, третьем подкасте про запуск ИИ-стартапов в одиночку!