Техническая презентация:
ход решения AI-продуктового кейса
От задачи к продукту — каждый шаг рассуждения, зафиксированный и обоснованный
Кейс: запуск AI-продукта
«Представьте, что вас попросили запустить новый продукт на основе искусственного интеллекта, который должен набрать минимум миллион пользователей в ближайшие полгода. Выберите конкретный продукт или сценарий с использованием ИИ и опишите шаги, которые вы предпримете для его запуска»
Принцип подачи
Этот документ — ход решения: от задачи к продукту. Каждый слайд — шаг рассуждения
Прежде чем искать продукт — задаём рамку
Фокус — РФ/СНГ
В задании рынок не указан. Русскоязычный рынок: понятная география, сложившаяся экосистема и незакрытые ниши после ухода западных игроков — идеальная точка входа
4 фильтра отбора идей
01
Частотность боли: JTBD ежедневный или еженедельный — не разовый сценарий
02
AI как ядро: без AI продукт не существует — не «фича с AI», а AI-native
03
Виральность или дистрибуция: встроенный цикл роста — не зависимость только от платного трафика
04
Барьер входа: 30 секунд до «вау» — мгновенная ценность без онбординга
Стратегический выбор: основной продукт — за пределами текущей экспертизы. Цель — показать широту мышления вне привычного домена.
Скан рынка: где AI-дизрапшн ещё не начался
Задача: найти на западных рынках AI-продукты с 1M+ пользователей, у которых нет сильного аналога в РФ
Инструмент и процесс
Groundhog-agent — структурированный ресёрч по циклу: Генерация → Углубление → Синтез → Стресс-тест → Защита
Ошибка и исправление: первый запуск провалился — вернул ChatGPT, Midjourney и обёртки над базовыми моделями. Причина: слишком широкие рамки. Исправил — исключил универсальные LLM и AI-платформы, перезапустил
Результат ресёрча
17 карточек, 3 анти-примера
Топ-5 шортлист:
  • Gamma — AI-презентации
  • Cleo — AI-финансы
  • Speechify — озвучка текста
  • NotebookLM — AI для документов
  • Character.AI — AI-компаньон
Ключевой вывод: целые категории AI-продуктов пусты в РФ — не конкурентны, а просто отсутствуют
Что убили — и почему это важнее того, что выбрали
Gamma (AI-презентации) — отклонена
Топ-5 шортлиста, но конкурирует с фичами внутри Google Slides и Canva. На длинной дистанции — кнопка внутри чужого продукта, не новая категория. Фильтр №3 не пройден
H2: Voice-to-Structure — отклонена
Утилитарный инструмент без потенциала масштаба за 6 месяцев. Частотность боли недостаточна для вирального роста. Фильтр №1 не пройден
H3: AI-стилист — отклонена
AI здесь скорее обёртка над базовым функционалом, а не ядро продукта. Без AI продукт всё равно существовал бы. Фильтр №2 не пройден
H1: AI-документы — глубокая проработка → отказ
Phase 2 через Groundhog: мульти-документный B2C не имеет прецедента в масштабе. Pivot на медицинские анализы — упёрся в 323-ФЗ (лицензия). Оставлена как backup
Почему фитнес: все 4 фильтра — YES. Под гипотезой — готовый Groundhog-ресёрч (26 кейсов, 134 источника). Selection bias признан открыто: фитнес получил приоритет в том числе из-за готовой аналитической базы
Контекстуальный AI-фитнес — первая версия гипотезы
Идея
AI знает твой контекст — что болит, сколько времени, что есть дома — и ведёт к здоровью маленькими шагами. Табуретка + 15 минут утром, гантель 5 кг. Не замена спортзала — тренер для тех, кто туда не ходит
Что показал анализ
Ниша полной адаптации к ситуации пуста глобально. Существуют локальные решения — видеотеки (FitStars) и клубные приложения (DDX Fitness и др.). Экосистемные синергии могут быть уникальны
Стресс-тест порезал оптимизм
150–300K MAU
Реалистичная оценка после проверки
LLM-инференс ×3–5
Стоимость выше первичных оценок
B2B2C — мес 4–6
Старт позже, чем планировалось
Вывод: гипотеза жива, но сырая. Нужен стресс-тест не данными, а экспертизой
Стресс-тест экспертами: что изменилось в продукте
Инструмент
Startup Advisory Board — 5 AI-агентов: инвестор, growth-маркетолог, продакт, CTO, адвокат дьявола + фасилитатор
Формат: прямой обмен сообщениями между участниками. 3 фазы: индивидуальный анализ → 2 раунда дебатов → консолидация
Вердикт: GO (4/5), условный HOLD (адвокат дьявола)
Борда не подтвердила гипотезу — переформатировала
1
Адаптация к профилю на старте
Полная ситуативная адаптация — в roadmap, не в MVP. Профильная уже закрывает основной JTBD
2
Бот в мессенджере как Phase 0
App-first → бот за 2 недели. Продакт признал ошибку app-first подхода в дебатах
3
DSL-генерация + LLM в 4 точках
Вместо полного LLM-коуча на старте: онбординг, check-in, нуджи, объяснения. Консенсус 5/5
Стресс-тест экспертами: что изменилось в масштабе
B2B2C исключён из 6-мес плана
Нет прецедента в AI-фитнесе через страховую. Воронка бизнес-развития с Day 1, но не в GTM-прогнозе
150–300K → 50–100K MAU
Инвестор пересмотрел unit economics в дебатах. Реалистичная цель на месяц 6
5 сценариев → 1 JTBD
Утренняя разминка для спины — единственный фокус на старте. Остальное — после подтверждения спроса
Консенсус (5/5)
«1M за 6 мес» нереалистично на non-English рынке. Бот в мессенджере как Phase 0. DSL + хирургический LLM — единственная рабочая архитектура
Несогласие (адвокат дьявола)
Условный HOLD: требует формальное обязательство экосистемы на дистрибуцию + именные критерии остановки. Решение: критерии зашиваются в условия инвестиций
Архитектура: почему не полный LLM-коуч
Проблема
LLM генерирует текст, а не тренировку. Собрать последовательность упражнений с учётом десятка ограничений — инвентарь, противопоказания, прогрессия, время — задача для предметного движка, не для языковой модели. Полный LLM-коуч: дорого и с ошибками
Proof point: Down Dog — $8.2M выручки при 5 сотрудниках, 60K+ уникальных конфигураций через Kotlin DSL без единого LLM-вызова
Решение — два слоя
DSL-движок (80% взаимодействий)
Генерирует тренировки по правилам: инвентарь × время × ограничение × цель. Ноль LLM-вызовов
LLM хирургически в 4 точках
Онбординг (разговор), check-in (адаптация), нуджи (напоминания), объяснения («почему кошка-корова снимает компрессию L4-L5»)
Результат: экономика почти как у приложения, ценность как у персонального тренера
От стартапа к экосистеме — второй стресс-тест
Сдвиг линзы
Стартап-борда заземлила продукт — и правильно. Но продукт запускается не в гараже, а внутри бигтеха. Первые 3 месяца — стартап-режим (проверка JTBD). С месяца 3+ — экосистемная машина
Инструмент: CxO Advisory Board — 4 AI-агента топ-менеджмента: VP Product, VP Growth, CFO, CTO. Оптика: не «выживет ли стартап», а «стоит ли экосистеме инвестировать»
Вердикт: GO (4/4), CFO и VP Growth с оговорками
3 структурных преимущества vs standalone
Собственная LLM на GPU: доступный инференс на своих мощностях
Экосистемная дистрибуция: CAC ниже в 2–4 раза за счёт предустановки и кросс-продаж
Экосистемные данные: сон, шаги, стресс — предиктивный коучинг, недоступный стартапам
Цифры после экосистемной валидации
Не «добавили оптимизма» — другой фокус дал другой потолок. Каждый пересмотр — результат новой экспертизы, а не коррекции цифр
Ключевое разногласие CxO
Standalone vs бандл — ждёт A/B тест. Как standalone — бизнес слабый. Как экосистемный retention tool (модель Apple Fitness+ / Prime Video) — принципиально отличный
Почему спорили CFO и VP Product
Всё зависит от гипотезы churn reduction: снижает ли AI-фитнес отток подписчиков экосистемы? Если да — юнит-экономика меняется кардинально. Гипотеза проверяется A/B тестом
Миллион пользователей — реально или нет?
Три ресёрча и две борды подтвердили: ни один AI-продукт не показал 0→1M на отдельном non-English рынке за 6 месяцев. Молча согласиться и подогнать цифры = показать отсутствие собственного мнения
1
Traction, не масштаб
Первые полгода — проверка рынка. Задача запуска: подтвердить PMF, удержание выше рынка, сходимость экономики. Масштабирование никогда не является задачей запуска
2
MAU vs cumulative users
Задание говорит «пользователей», не «MAU». При экосистемной дистрибуции миллион cumulative users за 6 месяцев математически достижим. Но 96% бросают за месяц — миллион скачиваний ничего не стоит
3
Наша позиция
300–500K MAU за 12 месяцев. Люди, которые реально тренируются каждую неделю — это продукт. Не цифра в отчёте
Как это устроено: 14 решений за 6 фаз
Процесс
14 задокументированных решений (D0–D14). Каждое зафиксировано с обоснованием
6 фаз исследований — на каждой: сходимость гипотез, проверка данных, фиксация решений
Роли
AI: инструмент исследования, генерации гипотез и стресс-тестирования
Автор: постановка задач, фреймворк решений, критическая оценка, все финальные решения
Инструменты
Groundhog
Структурированный ресёрч: Exploration → Deepening → Synthesis → Red Team → Summary Defense. Применён для скана рынка (Phase 1b), AI-документов (Phase 2), проверки цифр (Phase 5)
Agent Teams
Мульти-ролевые дебаты: 5 стартап-экспертов (Phase 3), 4 роли топ-менеджмента (Phase 6). Прямой обмен сообщениями, не последовательные ревью
Challenger Review
Три параллельных агента-критика — Data / Logic / Completeness — для стресс-тестирования выводов перед финализацией
Что получилось
Продукт
Контекстуальный AI-фитнес коуч. Бот в мессенджере → приложение
Архитектура
DSL-движок + хирургический LLM в 4 точках взаимодействия
Модель
Запуск внутри экосистемы бигтеха с экосистемной дистрибуцией
Цель
300–500K MAU за 12 месяцев. Люди, которые реально тренируются
Продуктовая презентация: https://ai-fitness.baklanio.com