AI
Decision Lab · 28 мая 2026

ИИ в продукте:
иллюзии, архитектура,
метрики и стратегия

«Один человек с ИИ закрывает работу целой команды».
Пройдём весь цикл и посмотрим, где этот тезис разваливается.

брейнсторм ресёрч вайб-кодинг архитектура метрики
01
Обо мне

Влад Корнышев

CO-FOUNDER EAI · FOUNDER NGI ACADEMY
EX AI R&D PEARSON (US) · SKYENG · КРОК
Co-Founder · EAI

Внедряю AI в бизнес и строю AI-продукты для стартапов по всему миру.

Founder · NGI Academy

Обучаю команды работе с ИИ и методологии создания AI-продуктов.

22+
ИИ-продукта создано мной
75M+
пользователей VR AI игры в Pearson
$300K+
привлечено для AI-стартапов
R&D
отдел Skyeng с нуля
ДОВЕРЯЮТ КОМАНДЫ ИЗ
Т-Банк
Яндекс Практикум
Skyeng
Авито
Okko
Flowwow
Bayer
Газфонд
IDA Project
Овен
Юрспектр
Знаменатель
QR
t.me/NGI_ru
Пишу про ИИ в своем канале
02

Путь по продуктовому циклу

Шесть остановок — от идеи до стратегии команды. На каждой ищем, где ломается тезис.

Брейнсторм
LLM = интернет
+ сикофантия
Ресёрч
GEO · AI–AI bias
нет эмпатии
Вайб-кодинг
9 паттернов
+ кейсы
Архитектура
Docs-first вместо
prompt-first
Метрики
95% пилотов
≠ ROI
Build/Buy/Train
стратегия
команды
03
Вступление
“

ИИ не провалился —
провалились ожидания.

Сегодня — честный разбор, где именно и почему.

04
1
Часть первая

Иллюзия
всемогущества

Полный продуктовый цикл — и точки, где «человек + ИИ = команда» ломается.

05
Главная иллюзия
“

«С использованием LLM каждый может сделать востребованный продукт и зарабатывать на нём»

В реальности: без понимания болей пользователя вы лишь быстрее создадите то, что никому не нужно.

06
Этап 1 · брейнсторм · проблема №1

LLM — это интернет

Языковая модель — это сжатый интернет. Без своего product sense, без живого опыта и понимания рынка вы штормите — и получаете усреднённое.

Модель воспроизводит паттерны корпуса
Тот же промпт → тот же mainstream у всех
Ничего уникального процесс не рождает
ОДИН ПРОМПТ → У ВСЕХ
стартапер A
стартапер B
стартапер C
«Маркетплейс с AI-рекомендациями»
ОДНА И ТА ЖЕ СРЕДНЯЯ ИДЕЯ
07
Этап 1 · брейнсторм · проблема №2

Сикофантия: модель хочет нравиться

Это не баг, а прямое следствие RLHF — «понравиться» = высокая оценка.

Меняет позицию под давлением

Anthropic: модель сдаёт верный ответ, стоит пользователю возразить.

Rollback GPT-4o

Апрель 2025: OpenAI откатил апдейт — стал слишком услужливым.

«Спроси маму»

Даже мама хвалит идею — потому что любит. LLM делает то же в масштабе.

Итог этапа
На входе цикла — гипотеза, которая лишь выглядит жизнеспособной.
08
Суть сикофантии
“

«LLM — это мама в промышленных масштабах»

Она всегда похвалит вашу идею, согласится с любым вашим аргументом и подтвердит самые сомнительные гипотезы.

09
2
Часть вторая

Ресёрч и
валидация

ИИ-инструменты создают иллюзию проделанной работы — а внутри три байаса.

10
Этап 2 · три причины не доверять ИИ-ресёрчу

Три скрытых байаса

01
GEO-байас

Контент оптимизируют под цитирование нейросетями, а не под пользу. Сниппет манипулируется через RL.

arXiv 2026: AI Overview обманывается
02
AI–AI bias

GPT-4 выбирает AI-текст в 89% случаев против 36% у людей. Синтетика побеждает органику.

PNAS 2025 · Laurito & Kulveit
03
Нет эмпатии

ИИ не понимает физику мира. Транскрипт «в лоб» ≠ custdev. Анкета вместо интервью — слепая разработка.

анкета ≠ исследование
11
3
Часть третья · 5 минут

Вайб-кодинг
и его цена

«Напишем PRD с ИИ и вайб-кодим продукт». Что показал Columbia DAPLab на 15+ приложениях.

12
Columbia University · Claude · Cursor · Cline · v0 · Replit

9 паттернов сбоев кодинг-агентов

Пять критических — каждый встречается в продакшене регулярно.

01 Бизнес-логика Неверные скидки, права доступа, расчёты
02 Управление состоянием Компоненты рассинхронизированы между экранами
03 Безопасность API-ключи в публичном коде, пароли без хэша
04 Обработка ошибок Ошибки скрыты — интерфейс делает вид, что всё ок
05 Потеря контекста кодовой базы Больше файлов → агент «забывает» архитектуру
13
Личный кейс · платёжный модуль

Кнопка «Назад» раздавала курсы бесплатно

оплата нажал «Назад» доступ выдан ✓
status: paid
status: failed
status: pending  // не реализован

Агент реализовал ровно два статуса. О pending в промпте не было ни слова.

Поймал случайно при ручном тестировании. Иначе — любой получал бы курс даром.

МОРАЛЬ

ИИ сделал то, что я описал. Я не описал всё.

14
Кейсы индустрии · 2026

Это не архитектура. Это edge cases.

Каждый ловится ручным тестированием с реальным пользовательским сценарием.

P1 · CRASH
Google Pixel · Doze

Март 2026: сломан Deep Doze на всех Tensor. P1/S1 — а фикс приехал только в мае.

CRASH
Spotify · iPad

iPad + клавиатура + страница артиста = краш. Несколько дней статус «уже починили» — баг жил.

MISSING UX
Google Gemini · запуск

Нельзя было вставить картинку в чат. Базовый юзкейс — просто не реализован.

VISUAL
Apple iPad · статус-бар

Горизонтально рабочая область сливается со статус-баром — забыли border.

15
Что общего у всех кейсов

ИИ ускоряет создание функций,
но не ускоряет понимание пользователя.

И это не чинится более мощной моделью.

16
4
Часть четвёртая

Архитектура
как противоядие

Сначала строим систему на бумаге — потом просим ИИ писать детали.

17
Два подхода · кто принимает архитектурные решения

Prompt-first vs Architecture-first

PROMPT-FIRST
Lovable · Bolt · Replit
Агент сам выбирает структуру
Быстрый прототип, хрупкая система
На росте — loss of codebase context
Дублирует логику, ломает рабочее
переписывать с нуля
ARCHITECTURE-FIRST
Человек → агент
+ Сущности и границы задаёт человек
+ Явные контракты между компонентами
+ Architecture Decision Records
+ Контекст из файлов, не из памяти чата
→ maintainable код, который растёт
18
Личный кейс · LMS-проект
100K+
строк кода
1,5 года без критических проблем
не full-time разработчик

Секрет — не модель.
Это документация.

Дерево сущностей
Описание модулей
Architecture Decision Records
Контракты компонентов

Агент берёт контекст из структурированных файлов, а не из памяти разговора. Документация — это длинный версионируемый промпт.

19
Архитектура · практика

Как выглядит ИИ-документация

docs/architecture/overview.md
Скриншот документации

Документация пишется не для людей, а как интерфейс контекста для ИИ-агентов.

Дерево документации: строгая структура по модулям и ролям (`docs/admin`, `docs/technical`), исключающая хаос.
Архив и версионирование: хранение старых спецификаций (`archive/specification-v1.md`), чтобы агент понимал эволюцию логики.
Атомарность и кросс-ссылки: файлы минимального объема с перекрестными ссылками для быстрого переключения контекста.
Прогрессивное раскрытие: агент загружает в память только нужные ветки под текущую задачу, экономя токены.
20
5
Часть пятая

Метрики:
95% пилотов ≠ ROI

Главная ошибка — измерять активность ИИ, а не его влияние на бизнес.

21
MIT · State of AI in Business 2025 · $30–40 млрд инвестиций

Что показал MIT

95%

пилотов не дали измеримого P&L-результата

70%

проблем — это люди и процессы, не алгоритмы

5%

интегрированных систем создали реальную ценность

Инсайт
Максимальный ROI — в back-office (документы, procurement, risk). Маркетинг и продажи съедают >50% бюджета при минимальной отдаче.
22
Метрики · baseline → 30/60/90 дней → решение

Пустышки vs то, что считает бизнес

МЕТРИКИ-ПУСТЫШКИ
Количество запущенных автоматизаций
Uptime бота
Процент использованного бюджета

Измеряют активность ИИ — но молчат о влиянии на бизнес.

РЕАЛЬНЫЕ МЕТРИКИ
Cycle time до/послепроцесс
Rework rateпроцесс
Unit costбизнес
Revenue / FTEбизнес
Красный флаг
Если на проверку выходов ИИ уходит больше времени — выбран неверный процесс, а не модель.
23
6
Часть шестая

Build / Buy /
Train

Универсального ответа нет — есть матрица. И недооценённая стратегия: обучение.

24
MIT · Build ~33% успеха · Buy ~67%

Матрица ИИ-стратегий

Build
ВНУТРИ
КОГДА РАБОТАЕТ

Стратегическое ИИ-ядро, уникальная бизнес-логика.

РИСКИ

Медленно, дорого, зависимость от людей. Успех лишь ~33%.

Buy / Outsource
СНАРУЖИ
КОГДА РАБОТАЕТ

Быстрый вывод на рынок, стандартные задачи.

РИСКИ

Vendor lock-in, нет передачи знаний. Успех ~67%.

Train
КОМАНДА
КОГДА РАБОТАЕТ

Операционное применение ИИ, изменение культуры.

РИСКИ

Медленнее на старте, требует выстроенной системы обучения.

Матрица выбора
Нет универсального ответа — критичные для бизнеса ИИ-ядра создаются внутри, стандартные задачи отдаются вендорам.
25
Train · недооценённый рычаг роста

Почему обучение — недооценённая стратегия

КЛЮЧЕВОЙ АРГУМЕНТ

Применение ИИ критически требует доменной экспертизы

Дата-сайентист без глубокого понимания логистики создаст продукт хуже, чем логист с базовыми навыками работы с ИИ-инструментами. Обучение существующей экспертизы даёт лучший результат, чем найм «чистых» ИИ-специалистов.

ЭКОНОМИКА КОМПЕТЕНЦИЙ

Внутреннее развитие обходится выгоднее найма

Переобучение текущего сотрудника стоит значительно дешевле внешнего рекрутинга с учётом онбординга и высокого риска увольнения (churn). При этом обученный сотрудник несёт прямую ответственность за результат и понимает контекст бизнеса.

Главный инсайт
Развивайте доменных экспертов внутри, вместо того чтобы искать редких специалистов на перегретом ИИ-рынке.
26
Гибридная стратегия · знание + продукт

Рекомендуемая гибридная модель

ГЛАВНЫЙ ПРИНЦИП

Любая работа с внешним партнером должна строить внутреннюю компетенцию, а не создавать зависимость. Результат партнерства — не просто софт, а знание + продукт.

Внутри

стратегия, управление ИИ-продуктами, интеграция с бизнес-процессами, governance

Снаружи

специализированные технические возможности (fine-tuning, MLOps), пиковые нагрузки

Обучение

прикладное применение ИИ-инструментов у всей команды через реальные кейсы

27
Что забрать с собой

Пять принципов

01 Идея — твоя, не LLM Без своего product sense штурм с ИИ выдаёт усреднённый mainstream.
02 Валидируй на людях Сикофантия и байас заставят модель подтвердить любую гипотезу.
03 Edge cases — на тебе ИИ реализует ровно описанное. Продумывай сценарии за пользователя.
04 Сначала архитектура Документация — это длинный версионируемый промпт для агента.
05 Сначала baseline Без точки отсчёта любой ROI от ИИ — это просто сторителлинг.

ИИ амплифицирует то, что уже есть.
Нет структуры — он ускоряет ошибки.

28
Источники и исследования

Доказательная база

Всё, на что опирается доклад — кликабельно.

ИССЛЕДОВАНИЯ
Exploring LLM biases — Рома Смирнов arxiv.org/abs/2605.00012 Sycophancy in LMs — Anthropic anthropic.com/research... AI–AI bias — PNAS 2025 pnas.org/doi/.../pnas.2415697122
КНИГИ И ОТЧЕТЫ
«Спроси маму» — Роб Фицпатрик momtestbook.com 9 Critical Failure Patterns — DAPLab daplab.cs.columbia.edu MIT — State of AI in Business 2025 mlq.ai/media/quarterly_decks...
29
С чего начнём вместе

Два пути — один разговор

ЕСТЬ БЮДЖЕТ И ДАННЫЕ

Построить
продукт

Внедрю AI в ваши процессы или построю продукт с нуля — от архитектуры до запуска.

e-ai.solutions
QR — личный телеграм
t.me/vladkor97

Пишите, если не знаете с чего начать — разберёмся вместе.

ХОЧУ НАЧАТЬ С ЛЮДЕЙ

Обучить
команду

Помогу команде найти точки роста и научу работать с ИИ — от промптинга до вайб-кодинга.

ngi.academy
30