Статьи R77

Виды AI-разработки

«Рынок такой большой, что даже не толкаешься»: кому и что продавать в российской AI-разработке, чтобы приносить пользу бизнесу, а не придумывать новый ChatGPT
Привет! Меня зовут Ярослав Шмулев, я датасаентист из МФТИ. Фаундер ИИ консалтинга ReML, ex-team lead Data Science, консультант вендора SAP и ex-Head of Data Science «Инфосистемы Джет». Уже восемь лет занимаюсь внедрением искусственного интеллекта в бизнесе. Рассказываю, какие тренды видим на рынке, его ключевые сегменты, что на самом деле продаётся и для каких заказчиков.

Кто мы?

Мы с Владом Савиным (Ex-управляющий партнер m-a-x.online — топ-10 в дизайне, ex-управляющий директор kotelov.com — топ-15 в софте) основали студию R77.AI.

Студия R77.AI — AI-разработка для enterprise от выпускников МФТИ. Мы помогаем корпорациям осознать свой цифровой потенциал и подобрать ML-решения.

Примечание: мы написали статью на основе недавнего вебинара. Многие термины типа Proof-of-Concept, tailor-made solutions и Product Market-Fit для удобства читателей мы перевели с айтишного на висишный-битубишный.
Компании постоянно пишут в маркетинговых презентациях, что их продукты с ИИ, даже если его налепили в дезодорант. Про это есть шутка: «В чем разница между искусственным интеллектом и ML? Если это написано на Python, то ML, а если в PowerPoint — искусственный интеллект»

Очередная волна хайпа очевидно на порядок больше, чем была в 2015–2018

Недавно я ехал в машине и слушал по радио про нейросети, а ещё раньше постил на канале фотографию дезодоранта AXE, аромат которого якобы создали искусственным интеллектом.

С одной стороны, это отражается в мощном FOMO-эффекте. Про ИИ говорят по радио и по телевизору — все интересно, как его внедряют. Возникает страх упущенной возможности, который проявляется в глазах фаундеров, топов корпораций, предпринимателей и продакт-менеджеров.

С другой стороны, появляется иллюзия лёгких денег. Предприниматели начинают думать, что им дадут волшебную таблетку, которую можно приложить к бизнесу, чтобы нарисовались миллионы долларов. Фактически это не так — нейросети не решают проблему со слабым продуктом, маркетингом и продажами.

ИИ можно рассматривать как бустер для бизнеса, но не наоборот. Тут я не имею в виду стартапы, где AI — это фундамент продукта.
Искусственный интеллект сейчас — это самый общий термин. Под ним все подразумевают что-то разное. Я предлагаю использовать эти понятия взаимозаменяемо, чтобы не париться, что они несут разный смысл

Как сейчас выглядит рынок

Крупные предприятия активно внедряют AI, малый и средний бизнес ищет возможности для внедрения. Ещё одна из причин, почему происходит рост рынка ИИ: люди — а в бэкграунде компании всегда стоят люди — стали использовать искусственный интеллект ежедневно.

Сейчас многие каждый день используют ChatGPT или Телеграм-боты на баде ИИ. Из-за этого они охотнее верят, что ИИ может решать задачи. Например, автоматизировать и спрогнозировать количество продаж или классифицировать какую-нибудь картинку.

В далеком 2017 году в компании SAP мы пытались внедрять ИИ с директорами по цифровизации заводов. Тогда это тяжело внедрялось: было много споров о том, что это вообще такое и в чём разница между нейросетями и обычной статистикой.
У людей появляется доверие за счет ежедневного использования на обывательском уровне, и это бустит спрос бизнеса к разработке нейросетей.

Какие клиенты существуют на рынке

  • Энтерпрайз

Крупные предприятия: «Норникель», «Вайлдберриз», «Лента», «Мегафон», «Альфа-Банк» — в общем, все крупняки. Эти компании внедряли искусственный интеллект с 2000-х. Например, банки ещё тогда внедрили систему скоринга — меняются только технологии, их качество и объём обработки данных.
В корпорациях уже давно внедрены эти истории. Просто растет покрытие департаментов и кусочков бизнес-процесса искусственным интеллектом.
Важная характеристика сегмента: внутри практически всех корпораций сидят мощные инхаус-команды. Это ребята с сильными компетенциями и чёткой специализацией: например, в банках - на кредитном скоринге или в рекомендательных системах в классическом ритейле.

Если вы интегратор или компания заказной разработки, вам будет сложно сделать качественнее извне. Инхауз-команды работают 7–8 лет и вышли на другой уровень эффективности, их погружение в задачу сильно выше.
Компании со стороны могут помочь корпорациям, если подбирают правильные решения. Например, придумывают супер-хитрую технологию в R&D или DeepTech.
Что интересно. Им интересны платформенные решения для развёртывания ML: например, для прототипирования. Инхаус датасаенс-команде нужно реализовывать свои кейсы, а не пилить инфраструктуру, которая требует других навыков.

В 90% нужна команда разработки: бэкендеры, девопсы и куберы. Это сложно, долго и требует капитальных инвестиций, поэтому есть спрос на infrastructure as a service.

До начала СВО существовали решения вроде Databricks, Cloudera, и мы тоже в своё время пытались их интегрировать. Большая часть ушла, и есть пару российских платформ, дающих инструменты для реализации модели и работы внутри Data Science-команды.

Возможности. Можно заходить в энтерпрайз вне ключевых сегментов. Это может быть HR, Adtech и финансы. Особенно финансы — в последнее время они как-то мобилизировались.

Появляются собственные внутренние департаменты, цифровизаторы. В том числе в промышленности, в производственных отделах и финансах. И у них свои отделы, KPI и цели по бизнес-эффектам.

Например, если мы говорим про «не Core» технологии в производственной компании, то у неё есть блок корпоративных финансов. Какая-нибудь команда занимается автоматизацией технологических процессов — например, налаживает флотацию. Скорее всего, у них на год вперёд расписаны задачи и проекты, и этот кейс просто не попадает в приоритет.

Им можно принести SaaS-коробочное решение, чтобы быстро внедрить его в стандартизованный бизнес-процесс. Причем важно, что покупать могут как SaaS-продукты, так и кастомную разработку.

  • Средний бизнес

Я определяю средний бизнес как компанию с оборотом выше миллиарда рублей. Они прибыльные, у них устойчивое позиционирование, но нет экспертизы в AI и глубоких технологиях.

Они только-только отладили IT инфраструктуру и свой продукт. При этом у них есть прибыльность, серьёзный оборот и система хранения данных — внедрять AI имеет смысл.

Что интересно. Вспоминаем про FOMO-эффект: основатели компаний ходят на мастер-майнды или приходят в очередную баню, где говорят про нейросети. А потом такие: «Блин, а вот у нас данных много, а мы не внедрили ничего». И они приходят с запросом.

Как правило, фаундеры среднего бизнеса ещё занимаются управлением, либо участвуют в жизни компании как-то иначе. У них много данных, есть деньги и желание превратить эти данные в бизнес-результаты и создать ценность для пользователей или сотрудников.

Среднему бизнесу неинтересно внедрять AI инхаус-командами. И вот почему:
Как правило, у них есть бюджет, чтобы нанять одного-двух датасаентистов, но непонятно, кто будет ими управлять. У IT-директора, если он есть, и так много дел. А скорее всего — даже нет компетенций в ML. Чтобы хотя бы что-то работало, нужно поставить руководителя ML-направления, который будет взаимодействовать с бизнесом. Важно, чтобы у него был опыт в продакт-менеджменте, поскольку для внедрения ML нужна хорошая коммуникация с продуктом.

И да, руководитель ML-направления будет управлять командой, которая стоит пару миллионов рублей в месяц. При этом эффект и сроки непонятные, но тем не менее среднему бизнесу важно начать прощупать почву в ИИ.

Кейс внедрения прогноза продаж

Мы занимались внедрением прогноза продаж еще в 2017 — 2018 году для энтерпрайсов. А потом года 3-4 было затишье — к нам приходили раз в квартал.

В 2024 произошел второй пик спроса на продажи и к нам стали обращаться крупные дистрибьюторы. Например, к нам пришла компания, которая 30 лет на рынке корпоративных подарков. У них впечатляющий бизнес: на складе в Москве лежит 25 тысяч единиц товара. Это очень большие объемы корпоративных заказов.

Все 30 лет, что они существуют на рынке, они собирают данные и прогнозируют продажи. На этих прогнозах завязаны закупки и поставки. Все эти бизнесс-процессы идут от организации продаж в Excel на 25 тысяч строк. Менеджеры каждый месяц пытаются рассчитать, сколько товара им нужно заказывать. По их оценке - ущерб от неэффективного прогноза продаж, который влият на закупки, более 500 млн. ₽ в год.

Сейчас мы с командой планируем сделать систему, которая будет прогнозировать спрос на несколько месяцев вперёд. Так они смогут оптимизироваться закупки из Китая, которые идут где-то 3–4 месяца. Это супер-стандартный кейс для нас, который подходит только компаниям дистрибьютерам.
Возможности. Есть два способа работы со средним бизнесом.
  1. Продавать готовый SaaS-продукт. Допустим, к нам пришёл кейс со строительными материалами. Мы послушали заказчика и поняли, что в России и СНГ сотни таких строительных компаний.
  2. Можно вложить деньги, чтобы размазать стоимость по сотне заказчиков и продавать проект не за 10 миллионов одному клиенту, а сразу сделать продукт, чтобы продавать сотням компаний интеграцию, лицензии и кастомизацию.
  3. Заниматься кастомной разработкой. Компании готовы выделять определенный бюджет и экспериментировать. Но по нашим наблюдениям размер инвестиций на искусственный интеллект варьируется от одного до десяти миллионов рублей в год.

  • Малый бизнес

Это компании с оборотом где-то 100 миллионов и меньше. В основном, они живут на инвестиции фаундера и фондов.

Небольшие компании могут быть прибыльными и расти. Но у них в отличие от среднего бизнеса, скорее всего, не найден или нестабильный Product-Market Fit (Продукт, обладающий ценностью для потребителей. — Прим. ред.).

Также у них огромные проблемы с бизнес-процессами и цифровизацией. А за счёт того, что они недавно запустились, они часто не успели подкопить данных.
В феврале мне написал человек, диалог выше. Эта история про то, какой сейчас уровень понимания, как AI может помочь компаниям. Тут надо заказать рыночное исследование, а не надеяться на AI-подорожник
Предположим, к нам обратилась компания, которая уже 30 лет на рынке. Они собрали данные, нам известна их устойчивая сезонность. А ещё лояльные клиенты составляют 80% базы. Тогда нейросети действительно могут спрогнозировать продажи. Но если вы только выходите на рынок — нет, конечно, никакой ИИ не поможет.

Что интересно. Малому бизнесу интереснее продукты, которые хакают маркетинговые процессы и автоматизируют продажи. Это не про сокращение убытков — когда ты маленький, тебе нужно качать выручку, а не сжимать расходы.

У малого бизнеса в целом не очень хорошо с IT и цифровизацией. Часть их процессов в принципе не сформированы как процессы. И понятно, что они могут не собирать данные, на которых работает обычный искусственный интеллект.

Возможности. Кастомные решения всегда дороже, чем готовый продукт. Так что это даже не коробочные решения, а готовые SaaS-продукты, направленные на маркетинг и продажи в 90% случаев. Короче, качаем их в сторону продаж и прибыли.
Что можно предложить
  1. LLM. Например, Chat.GPT, Giga.Chat и Yandex.GPT, все эти большие генеративные модели.
  2. AI-агенты. Что такое AI-агент, каждый воспринимает по-своему. Для меня AI-агенты — это автономные юниты на базе нейросетей, которые решают задачи без участия человека. Это могут быть как бизнес-задачи, так и задачки из повседневной жизни.

  • Люди (B2C)

Четвертый сегмент — это просто люди на B2C-продукт на основе нейросетей.

Что интересно. Продукт для людей абсолютно точно должен быть рыночным. Сейчас дофига скамеров, которые продают курсы, как зарабатывать на нейросетях. А покупают их те, кто не заработал на курсах по маркетплейсам. И люди идут покупать курсы, как делать всякие виральные рилсы и генерировать 18+ контент на продажу.
Не все B2C продажи AI-продуктов запускают скамеры. Но это всё равно уже переполненный рынок
Часто те же скамеры продают обёртки на ChatGPT: они за 2 часа делают простейшую обёртку API для Телеграм-бота, а потом продают её по подписке.
📌 Конкуренция очень высокая. Появились готовые инструменты, готовые API, и они не требуют какого-то специфичного знания. Теперь не нужно знать, как обучать модели, чтобы применить API, сделать типа уникальный продукт и вывести его на рынок.
Возможности. На этом рынке сейчас сложно продвигать B2C-продукты, если нет реферального эффекта. Стоимость привлечения пользователя доходит до тысяч рублей при стоимости подписок в 10 раз меньше среднего LTV.
📌 Продвигаться имеет смысл только при сильном сетевом эффекте и высоком уровне компетенции.

Ландшафт продуктов

  • Платформы

Это инструмент для разработки, запуска и хостинга моделей. Он требует больших инвестиций на разработку вдолгую — 2–3 года. Для такой работы нужны большие команды разработки. При этом стоимость разработчика очень высокая.
Недавно мне по секрету сказали, сколько зарабатывает Senior ML-специалист в одной компании — даже не буду говорить эту страшную, семизначную сумму.
Существующие конкуренты сильные и опытные, а платформы требуют больших инвестиций: эти продукты больше про классическую разработку, чем про искусственный интеллект.

  • Технологии

Например, технология распознавания речи. Или технология AnyQuery — она встаёт как супермощный поисковый движок в любые маркетплейсы и повышает релевантность поиска.

AnyQuery — пример того, как войти в Enterprise, в CoreTech, за счёт технологического прорыва: ты даешь технологию, а дальше её внедряют в бизнесе.

У таких технологий своя специфика: они требуют больших инвестиций. Часто больших, чем в классической разработке, где можно составить план, поскольку у разработки технологий нет никаких гарантий.

Навряд ли в какой-то момент удастся сделать распознание речи лучше, чем в Яндекс.Облаке, или распознавание лиц — чем Vision Labs. Это возможно, но требует больших инвестиций ждать результат пять, десять или даже двадцать лет. При этом нет гарантий, что технология найдёт место на рынке.
Пример. Мы работали с крупной животноводческой компанией, известной своим мраморным мясом — занимались задачей геномной селекцией мраморных бычков.

Это технологический продукт: есть какое-то количество животных, и нужно запустить алгоритм расчета их племенной ценности. Он скажет, кого с кем нужно скрещивать, чтобы показатели мраморности мяса и прочего возрастали.

Но по факту можно сделать такой продукт, а на деле он получится супер-дорогой, и обычный фермер не сможет его купить или внедрить.
📌 Всегда есть вероятность вложить огромные инвестиции, потратить на разработку сотни миллионов рублей, а результат никому не нужен, либо рынок очень маленький. При этом технология может работать.

  • Продукты

Они основаны либо на сильной технологии, либо на стандартном бизнес-процессе. Сейчас поясним.

Сильная технология. Условный Vision Labs (Компания, которая разрабатывает технологии по распознаванию лиц. Технология распознавания лиц. — Прим. ред.) начал делать свою систему видеонаблюдения и контроля доступа. Или когда Яндекс разработал Speech Kit (Технология распознавания голоса. — Прим. ред.), он начал внедрять его в Алису, Yandex Cloud и другие продукты. Так получаются продукты, в которых «сидят» технологии. И держатели могут либо продавать технологию другим, либо, помимо этого, сделать свой продукт и продавать его отдельно.
Стандартный бизнес-процесс. Если говорить, например, про HR- или бухгалтерские процессы — они есть плюс-минус в любой компании. В каждой крупной компании занимаются бухгалтерской отчетностью, банковскими выписками и счетами фактуры.

Если подготовить продукт на стандартный процесс, его можно автоматизировать и внедрить во многие компании. А какие-то дополнительные детали уже кастомизировать.
📌 Если вы создаете продукт на базе искусственного интеллекта, он должен идти для какого-то стандартного бизнес-процесса. Продукт без кастомизации можно продать не один раз, а сотни и тысячи.

  • Решения

Моё самое любимое или не любимое — это кастомная разработка. Все эти кейсы:
  • помощники сталеваров,
  • автоматизация дизайна фасада домов,
  • определение овуляции у свиноматок,
  • подсчет размера титанового стержня

В общем, вся нестандартная дичь. Это по определению индивидуальные заказные решения: у них меньше подходящих клиентов (меньше рынок), а потому их стоимость пропорционально больше.

Стоимость средняя или высокая: проверка концепции стоит 3,5 млн. ₽, MVP — от 5 до 10 млн. ₽. Полнофункциональные решения — от 10 млн до бесконечности.
Приведу пример. В компании «SAP» мы много работали с заводами. У нас были кейсы, где с помощью ИИ нужно было прогнозировать прогар фурм. Фурма — это такое сопло, которое вдувает в доменную печь смесь газа и воздуха.

Даже если сделать продукт на базе этого решения, российских заводов-заказчиков слишком мало — мы насчитали 100 промышленных печей. Возникает вопрос, как окупить стоимость разработки? И стоит ли делать продукт на такой небольшой рынок?
📌 Высокая стоимость накладывает ограничения на заказчиков — в кастом идут средние и большие компании. Как правило, у таких решений сомнительный бизнес-эффект, поскольку сложно рассчитывать результаты.

Какие типы внедрения AI бывают

Готовая технология. Если в вашем бизнесе нужно внедрять искусственный интеллект, то очень круто, если готовая технология закрывает определенную потребность.

Множество компаний внедряют готовые технологии:
  • Распознавание лиц
  • Генерация речи
  • Автоматизация линии поддержки
  • Распознавание документов

Когда есть готовая технология со стандартной документацией, её можно внедрять.

Интеграция готового решения. Если технология как технология не подходит, и нужно кастомно адаптировать какой-то готовый продукт, то компания-вендор тоже спокойно адаптирует решение под индивидуальный запрос.

Например, стандартное OCR не распознаёт строительную документацию — нужно дообучить распознавание на новый документ. Или клиенту нужно, например, распознавать номера вагонов с каким-нибудь особым шрифтом или светящейся краской.

Тут можно говорить про гарантированные метрики: в распознавании документов и номеров вагонов можно говорить про точность распознавания.

Кастомная разработка. Это почти всегда агентства заказной разработки, которые не могут ничего гарантировать. Самое частое возражение заказчиков: «Вы хотите проверить гипотезу за мои несколько миллионов без гарантий» — и да, это именно так.
Именно так реагируют некоторые заказчики, когда им говорят, сколько стоит проверка гипотезы
Сложность этого бизнеса: у заказчика должна быть боль или уверенность, что решение сработает, но нельзя давать никаких гарантий по KPI на выходе.

У нас было несколько случаев, когда мы давали гарантии, а потом внедряли проект не девять месяцев, как договаривались, а 2,5 года. Проект не просто терял в маржинальности, а уходил в глубокий минус.

Новая технология. Это самый сложный тяжелый кейс. Если вдруг нужно сделать новую технологию, потому что существующие работают плохо — это печаль и боль. Хотя их тоже периодически делают.

Промежуточные выводы

Лучше делать индивидуальные проекты с кастомной разработкой для средних и больших предприятий. Это либо энтерпрайз, либо средний и крупный бизнес. И самое важное — фокус на B2B, а не на малый бизнес и нейросети для обывателей.

В то же время можно искать возможности для создания продуктов на основе ИИ. Они будут закрывать потребности в стандартных бизнесс-процессах, которые ещё почему-то не покрыты готовыми решениями.

⌘⌘⌘⌘⌘⌘⌘⌘⌘

Подписывайтесь на Телеграм-канал студии, в котором мы начали публиковать кейсы, анонсировать вебинары и в целом рассказывать о разработке AI для энтерпрайза. Также читайте Ярослава Шмулева, который делится своим восьмилетним опытом на своём Телеграм-канале.

Вопросы, не чистил

46:50
Так, у нас остается 5 минут, 6 минут. Может быть тогда в следующий раз порассказывать какие есть вообще технологии, что там интересного, что там интересного в вертикалях и послушать вопросы.

47:09
Это такие именеджы.

47:15
Так, ребятки, давайте включайте микрофоны, поднимайте руки.

47:23
буду рад отвечать на вопросики.

47:30
Тут был вопрос в чате, пошарили я Notion, да, Notion пошарим без проблем.

47:43
Влад, спасай тогда ты, задавай вопросы.

47:49
Так...

47:52
Я тоже без вопросов пока, но я вам скажу что дальше. Смотрите, ребят, мы выложим это в YouTube. Кликь его. Камера. Камера, что-то не хочет включаться. Ладно, это вы меня слышите? Да. Так, мы пошарим этот видос в YouTube. Так же приложим ссылку на Notion в этом видосе. Вот.

48:18
Я думаю, очень клёво прошло. У нас 20 человек на такой сложной теме, реальным для Enterprise. Вот, ну, наверное, да, всем спасибо. Вот, я расскажу о наших панах. Мы сейчас будем выпускать кейсы, которые там делал когда-то Ярослав, в текстовом варианте. Также будем на видео о них рассказывать. То есть запустим такой процесс рассказывания о том, какие бывают технологии, какие подкейсы, как они делаются.

48:48
Ну, следите за нами. Вообще есть вопрос, ребята. Можно? Давай, давай. Смотри, первый вопрос. Вообще, если бы ты выбрал какую-то одну нишу, например, в среднем сегменте бизнеса,

49:17
Да, у меня, кстати, это боль. Я позавчера созванивался с самой большой металлургической компании из Ирана. Они сейчас внедряют Private Network 5G. И у них есть определенный ретейнер, который они готовы потратить на инновационные проекты. Их нас порекомендовали, и они увидели, что мы делали с промышленностью.

49:46
Когда я пришел, конечно, на встречу, попродавался, а потом сижу и думаю, нахера? Вот, я помню, как мы общались со Сталиварами на русском языке и не могли друг друга понять, вот, не могли там внедрить, там сдать это все. А сейчас я представляю, как мы будем с Иранскими металлургами общаться, вот, еще удаленно, вот. Ну, это просто, это просто боль. Короче, почему не Промка, потому что там...

50:13
Как и в медицине, доменное знание очень сильно роляет. И если вы придете делать какого-нибудь помощника сталевара, без понимания химии, процессов, варенья в сталь, не только химия, гидродинамика, термодинамика, физика, короче, сложная штука, а модели, которые получаются, они плюс-минус будут пользоваться технологами, а им очень важна физическая интерпретируемость. Поэтому это не очень хорошая сфера, чтобы сходы туда залетать.

50:42
либо туда долго инвестировать, разбираться в ней глубоко и качать, либо выбрать что-то такое более попроще. Но я бы выбрал там, где рынок просто большой, например это недвига, стройка, банки, какие-нибудь вот fintech, потому что там очень большой рынок и даже если продать на 0,001% этого рынка, то можно заработать. То есть вот я знаю пример некоторых компаний.

51:11
которые делают конкурентное решение для большого рынка, продали его там 2-3 компания, и в принципе хороший ревеню себе сделали. А нет такого, что компания говорит, что мне принадлежат права на код, на разработку, типа поэтому вы не имеете…

51:32
Ну тут как договоритесь? Если плохо договоритесь, то да. Если хорошо, то нет. Окей, спасибо. Тогда последний вопрос. Когда тема такая, что затягивается разработка, чисто теоретически можно ли залить это деньгами? То есть нанять дополнительных специалистов? Обычно нельзя в разработке дополнительного разраба нанять, чтобы она...

52:00
Убыстрилась, но может быть конкретно в дата-сайенс это так работает. Просто интересно, если можно, то уложиться в 9 месяцев, а не 2 субботные года. В дата-сайенс это сложно. Там очень сложно масштабировать ресурс в момент проекта. И за счет этого вывести единственный работающий инструмент, как не обосраться на проекте, это сделать хороший предпроектный обследователь.

52:28
Потому что в нашем случае все такие фейлы были из-за того, что мы влетали в кейс с окрылённой мечтой больших денег или классного кейса. И просто не до конца проработав то, что нам предстоит делать. Типа не оценили. Правильно понял, что 3,5 ля на плюс-минус.

52:55
Нет, 35 ляма — это proof of concept. Это идеальная история, когда вы можете перед тем, как слететь на десятки миллионов проектов, сделать POC. В смысле, по-хорошему, это единственный правильный возможный вариант развития решений. Сейчас уже, кстати, такая культура появилась, и там в большинстве компаний и корпоратов, с которыми ты общаешься, их там не пугают слова POC. Вот они готовы в него ходить. Или там сами говорят, что «ну, мне это надо делать POC», просто кто-то это оверутилизирует.

53:23
Мы знаем, что на звонке Денис есть, с Денисом большие друзья много работали. У нас есть с ним одна такая компания-заказчик известная, из пяти букв из промышленности. Они овер-утилизируют эту функцию POCO и просто максимально сбивают, проживают рынок и заставляют делать POCO за 100-200-300 тысяч. И понятно, что результат таких POCO примерно нулевой, может быть отрицательный, 300 типа.

53:52
за такие деньги ты ничего не сделаешь, вот, реально процесс там не прощупаешь, не поймешь, ну, просто не один, ну сколько там 300 тысяч в масштабах компании, это типа там неделя одного сотрудника. Ну, короче, RoadBub таким выглядит, я если что, кстати, с командой работаю не на вашем рынке, поэтому я так подробно спрашиваю, не боясь, что типа короче конкуренции не будет.

54:19
Да, в принципе мы наоборот только позитивно относимся к конкуренции. Рынок такой большой, что там даже не толкаешься. Вообще да, согласен. И роундмоб таким образом выглядит, что ты делаешь проект на некоторые исследования, и на нем ты уже подаешь пот дальше. Ну да, примерно так. И тогда сколько про проекты исследований? От двух недель до двух месяцев.

54:47
А двух месяцев по деньгам? Ну да. Просто очень часто бывают процессы, которые... Ну там зависит от скопа проекта. Если это проект близится к 100 миллионам, обычно это огромный скоп. Там не только ML, куча всего. И здесь уже подключаются стандартные дела разработки, аналитики. И в общем это прям тяжело и больно становится.

55:14
Если говорить про средний бизнес, то там часто пару недель достаточно. Пару недель – это по деньгам. Сколько это будет? Где-то 1300, на которые ты рассказывал, как ребята пытаются кокс делать. В данном случае предпроектное исследование само. Да, и это компания уже часто... У них есть свой прессовывалый бюджет на такое предпроектное обследование.

55:43
Заказчик готов заплатить кайф. Чаще это агентство инвестирует свои средства в этот этап. Да, у кого есть. Хорошо, спасибо, что взбили. Спасибо за вопросы.

56:07
Так, ну что, тогда вопросов не сворачиваемся.

56:12
Всё, всем спасибо, да? Ладно, скорую выложим. Всем спасибо, пока-пока. Подписывайтесь на телеграммчике. Пока.

56:25
Так, что, взрослая?
2024-07-25 18:31