Как я теперь проверяю идеи с помощью ИИ, прежде чем тратить недели на разработку
Первого бота я построил вслепую. Со вторым подходом всё получилось иначе — и вот что изменилось
В прошлой статье я рассказывал, как сделал своего первого Telegram-бота с помощью ИИ — и как потом выяснилось, что спроса на него почти нет. Главный урок был очевиден: проверять рынок нужно было до, а не после.
Проблема в том, что «проверить рынок» звучит красиво, но непонятно. Я не аналитик, у меня нет доступа к платным базам, нет бюджета на исследования и нет знакомых, которые занимаются этим профессионально. Раньше на этом месте я бы просто пожал плечами и снова пошёл писать код — потому что код хотя бы понятно, как писать.
Но оказалось, что та же самая связка «я + ИИ», которая помогла мне собрать бота, работает и на этапе до разработки. Причём работает заметно быстрее, чем сама разработка.
Поверхностный вопрос даёт поверхностный ответ
Первое, что я понял: от того, как ты спрашиваешь, зависит буквально всё.
Если спросить «стоит ли делать такой сервис?» — получишь общие рассуждения в духе «зависит от многих факторов, важно изучить рынок». Формально правда, практически бесполезно. Именно так я спрашивал раньше, и именно поэтому решил, что ИИ в анализе идей не помогает.
Разница появилась, когда я перестал просить оценку и начал просить исследование. То есть вместо «хорошая ли это идея» — конкретное задание: разобрать нишу, найти всех, кто уже работает в этом сегменте, свести их предложения в сравнение, отдельно показать, что раздаётся бесплатно, а за что берут деньги, и отдельно — какие внешние факторы влияют на этот рынок.
Три вещи, которые сильнее всего повлияли на качество результата:
- Узкая формулировка нишы. Не «сервисы записи», а конкретный формат продукта для конкретного типа клиента на конкретном рынке. Чем шире вопрос, тем более водянистый ответ.
- Требование источников. Я попросил указывать, откуда взята каждая цифра. Это сразу отделило проверяемые факты от догадок — и, как выяснилось, часть цифр проверить было нельзя, о чём ниже.
- Просьба показать не только то, что есть, но и то, чего нет. Это оказалось самым ценным пунктом, и я бы сам до него не додумался.
В итоге вместо абзаца рассуждений я получил структурный отчёт на несколько страниц — с разделами, выводами, оговорками и ссылками. Вечер работы вместо недель разработки вслепую.
Что ИИ реально выдаёт
Если убрать конкретику моего рынка, то по структуре отчёт закрывает примерно такие вопросы:
- Кто уже работает в нише — не только очевидные крупные игроки, но и локальные сервисы и небольшие студии, которых я бы не нашёл поиском.
- Как устроено ценообразование в сегменте — по каким моделям берут деньги (подписка, разовая работа, за пользователя), в каких вилках, и на чём строится разница между тарифами.
- Что в этой нише уже стало бесплатным стандартом — то есть за какие функции брать деньги уже бессмысленно, потому что клиент привык получать их бесплатно.
- Какие функции считаются «взрослыми» — то, за что в этой нише действительно платят.
- Внешний контекст рынка — платёжная инфраструктура, поведение пользователей, регуляторные изменения, которые могут сработать как попутный ветер или как барьер.
- Где в рынке пустое место. Вот это — главное. ИИ свёл всех игроков в одну картину, и в ней стало видно незанятый сегмент. Такое невозможно заметить, просматривая сайты конкурентов по одному: чтобы увидеть пустоту, нужно сначала иметь перед глазами всю карту.
- Гипотезу с конкретикой — не «попробуй позиционироваться иначе», а конкретная модель с цифрами, этапами запуска и условиями, при которых её стоит пересматривать.
Чего ИИ не делает за тебя
Важная оговорка, без которой всё это выглядело бы слишком радужно.
Не гарантирует точность цифр. Часть цен в моём отчёте оказалась недоступной публично — они были даны как индикативные оценки, и это было честно помечено отдельным разделом. Часть данных относилась к соседнему рынку, а не строго к моему. Если бы я не попросил указывать источники, я бы этого просто не заметил и принял оценки за факты.
Не проверяет спрос. Отчёт показывает, что происходит на рынке, но не отвечает на вопрос, готов ли конкретный человек заплатить конкретную сумму. Это по-прежнему выясняется только разговором с живым клиентом.
Не принимает решение. ИИ даёт карту и подсвечивает пустое место на ней. Пойти туда или нет — решаешь ты, и ответственность за выбор не делегируется.
Не отменяет здравого смысла. Часть выводов я проверял вручную — заходил и смотрел сам. Где-то всё сходилось, где-то приходилось уточнять. Относиться к отчёту как к истине в последней инстанции — быстрый способ повторить ту же ошибку, только с более уверенным видом.
Что изменилось в моём подходе
Раньше мой цикл выглядел так: идея → код → надежда.
Теперь так: идея → разбор рынка с ИИ → гипотеза с цифрами → проверка на живых людях → и только потом код.
Разница в затратах — колоссальная. Если после вечернего разбора идея не выдерживает проверки, я теряю вечер, а не месяц. А если выдерживает — я иду к потенциальному клиенту не с вопросом «а вам такое не нужно?», а с гипотезой, цифрами и пониманием, чем я отличаюсь от тех, кто уже на рынке.
И самое приятное открытие: вся эта работа больше не требует ни аналитика, ни бюджета, ни специального образования. Требуется только задать правильный вопрос — и не полениться задать его до, а не после.
Первый бот научил меня, что я могу доводить проект до рабочего состояния. Этот шаг научил другому: можно заранее понять, стоит ли вообще его доводить. И, честно говоря, второй навык оказался куда дефицитнее первого.