Расстояние от демо до прода — это операционная модель

Работающее демо — самая дешёвая часть любого ИИ-проекта. Сегодня его можно собрать за вечер: модель, промпт, правдоподобный ответ на слайде. Дорого обходится всё, чего в демо нет: кто действует по выводам модели, как часто, кто распоряжается бюджетом, под чьей подписью. Проблема здесь не в моделировании. Между демо и продом лежит операционная модель — в ней тихо умирает большинство пилотов.

Этот сайт я собрал с помощью ИИ: от дизайна до кода, работая в Claude Code, а не ставя ТЗ агентству. И системы, которые прошу команды доводить до прода, я тоже собираю сам — например, MCP-хаб данных, который передаёт выверенные коммерческие датасеты прямо в ИИ-ассистенты. Для меня это самый быстрый способ понять, где многообещающая идея упирается во внедрение.

Модель — лёгкая часть

За четырнадцать лет в коммерческих командах фармкомпаний я ни разу не видел, чтобы инициатива провалилась из-за недостаточной точности модели. Проекты проваливаются, когда никто не перестроил работу вокруг её выводов. Движок Next-Best-Action, оценивающий каждое взаимодействие по ожидаемому инкрементальному приросту, бесполезен, если полевая команда по-прежнему живёт по неизменному плану визитов прошлого квартала. Скор должен менять то, что человек сделает в понедельник, — иначе это очень дорогой дашборд.

Поэтому главный вопрос при проектировании — «что должно сдвинуться»: сигнал, ритм, право на бюджет, цепочка согласований. Ошибитесь здесь — и лучшая модель на рынке останется пилотом; выстройте контур правильно — и окупится даже скромная модель.

Скор должен менять то, что человек сделает в понедельник, — иначе это очень дорогой дашборд.

Измерение — второе, что легко потерять

Из демо часто выпадает и доказательство. Дашборды атрибуции щедры на похвалу: всю заслугу они приписывают последней точке контакта с клиентом. Инкрементальность судит строже и на похвалу скупа. Тем она и ценна.

В программе Next-Best-Action и маркетинг-микс-моделирования, которую я вёл в топ-5 фармкомпании в СНГ, мы сохранили эту дисциплину: +7% инкрементальных назначений у охваченных визитами врачей по сравнению с неохваченными, индекс 100 → 107. Никакого «вверх и вправо»: за результатом — контрольная группа и границы применимости, а моя роль — AI-лид и разработчик.

В этом и разница между вкладом в EBIT, который можно защитить на встрече по бюджету, и слайдом, который рассыпается после первого серьёзного вопроса.

Строить самому — рефлекс governance, а не хобби

Сейчас модно считать, что руководителям пора перестать строить руками. Я думаю ровно наоборот, и дело не в ностальгии. Когда сам собираешь архитектуру, слабые места видишь раньше, чем их увидит клиент: бесхозный поток данных, тихий fallback, шаг, который на деле никто из людей не проверяет. Четырнадцать лет в регулируемой фарме превратили это в рефлекс: модельный риск, управление данными и человеческий контроль — основа системы с первого дня, а не слой комплаенса, прикрученный в конце.

Этот рефлекс работает и за пределами фармы. Логика high-risk-класса EU AI Act — документация, валидация, человек в контуре — естественно переносится на финтех, страхование, healthtech: на любую отрасль, где ИИ-решение влечёт последствия, за которые кто-то отвечает.

Что доезжает до прода

Сборка этого сайта ещё раз убедила меня в одном: вывод ИИ в прод начинается с проектирования — задолго до того, как за дело берётся разработчик модели. Нужно спроектировать весь контур, в котором живёт модель: кто получает сигнал, как быстро может действовать, какими доказательствами можно обосновать расходы. Модель — компонент. Продукт — система.

Вот почему эта работа мне дорога — и почему я до сих пор сам сажусь за клавиатуру.