В конце этого исследования у меня появилась гипотеза лучше той, с которой я начинал. И именно в этот момент я решил остановиться: рынок может выглядеть интересным, но этого недостаточно, если я сам не понимаю его изнутри и не хочу годами улучшать такой продукт.

Почему я остановил гипотезу, хотя нашёл более сильный вариант продукта

В предыдущей статье серии исследование пришло в довольно удобную точку.
Исходная идея автоматической проверки готового видео заметно ослабла.

Но вместо неё появились более интересные варианты.
Автоматическая приёмка материалов от авторов по формальным требованиям брифа.
Проверка креатива против актуальной цены, оффера, промокода, ссылки и настроек кампании.
Автоматическая техническая приёмка в большом видеопроизводстве, если ручная проверка создаёт очередь.

То есть исследование не закончилось тупиком.

Наоборот.
В конце у меня были гипотезы лучше той, с которой я начинал.
И именно тогда я решил эту ветку остановить.

Почему это не противоречие

Я начал исследовать проверку видео по довольно рациональной причине.

Работа казалась технически простой.
Есть цифровой файл.
Есть сценарий и требования.
Есть формальные ошибки.
Есть проверяемый результат.

Техническое исследование в целом это подтвердило.

Значительную часть проверки действительно можно собрать из обычных алгоритмов, распознавания речи и текста, компьютерного зрения и ИИ.

Но дальше выяснилось другое.
В исходной конструкции человека до конца убрать почти нигде не получается.
Продюсер всё равно смотрит смысл.
Бренд-команда всё равно оценивает соответствие бренду.
Человек всё равно принимает неоднозначные решения.
Поэтому общий ИИ-контроль видео постепенно превратился не в цифрового исполнителя, а в ещё один слой помощи человеку.

Для меня это уже слабее. Мне сейчас интереснее искать не инструменты, которые немного ускоряют сотрудника, а работы, где цифровая система способна забрать законченный человеческий шаг.

Именно поэтому UGC - контент от внешних авторов - выглядел сильнее обычного агентства: явно неправильный материал можно попытаться вернуть автору до первого просмотра сотрудником.

То есть продуктовая гипотеза улучшилась. Но одновременно она ушла в среду, которую я почти не знаю.

У меня нет опыта в UGC, и для меня это стало важнее рейтинга гипотез

Я никогда не управлял большим потоком UGC-авторов.
Не принимал сотни роликов от создателей контента.
Не строил операционный процесс работы с авторами.
Не жил внутри их ежедневных проблем.

Я могу исследовать этот рынок.
Могу разговаривать с людьми.
Могу собрать прототип.
Могу даже технически сделать работающий продукт.

Но я уже несколько раз проходил другую часть этого пути. Если я сам продуктом не пользуюсь и среда пользователя мне внутренне неинтересна, после первой технически рабочей версии происходит неприятная вещь.

Продукт перестаёт становиться лучше.
Мне не хочется каждый день разбираться в мелких исключениях.
Не хочется замечать десятки маленьких неудобств.
Не появляется естественного желания что-то поправить вечером просто потому, что меня самого это раздражает.
И в какой-то момент продукт становится мёртвым.

Это не универсальный закон стартапов.
Это наблюдение про меня, мои 150+ IT-стартапов и разных бизнес-проектов и мой способ работать.

Поэтому я больше не хочу вспоминать об этом только в конце исследования.
Я хочу поставить этот фильтр в начало.

Хорошая идея для рынка ещё не обязательно хорошая идея для меня

В стартап-среде близкую идею часто называют founder-market fit - соответствием основателя рынку и проблеме.

Lightspeed среди критериев выбора идеи отдельно предлагает смотреть на опыт основателя, его преимущества в дистрибуции и естественное соответствие рынку. В Founder Docs от Wing Venture Capital похожий вопрос сформулирован ещё проще: кроме рынка нужно отдельно оценивать, насколько сама команда подходит продукту и проблеме.

Мне эта рамка близка, но для себя я формулирую её жёстче.
Мне недостаточно иметь подходящий опыт в резюме.

Мне важно хотя бы одно из трёх:

• я сам регулярно сталкиваюсь с этой работой;
• я хорошо знаю людей, которые её выполняют, и постоянно нахожусь рядом с их процессом;
• мне настолько интересна эта среда, что я сознательно готов в неё глубоко войти и остаться там надолго.

Если нет ничего из этого, хорошая рыночная гипотеза для меня становится опасной.
Она легко превращается в очередной технический проект, который интересно собрать и неинтересно развивать.

Исследование видео показало мне ещё одну ошибку порядка

До этой серии мой алгоритм уже менялся.

Я перестал начинать с отрасли и стал искать конкретную повторяющуюся работу.
Потом добавил частоту, плотность ручного труда, законченный результат и проверяемость.

Но я всё ещё слишком поздно задавал два вопроса.
Первый:

Насколько эта работа вообще связана со мной?

Второй:

Есть ли уже реальный денежный поток на выполнение этой работы людьми?

На второй вопрос я теперь хочу отвечать не по ощущениям.

У меня для этого есть отдельный сервис исследования работ, и я отдельно проверяю вакансии на HeadHunter.

Мне важно увидеть не абстрактную “боль”, а поведение компаний.
Нанимают ли они людей, которым нужно выполнять эту работу.
Какие должности за неё отвечают.
Повторяется ли функция в разных компаниях.
Является ли она существенной частью роли или случайным пунктом в конце вакансии.
Есть ли агентства, подрядчики или внутренние команды, которым за этот результат уже платят.

Это не доказывает, что компании захотят купить цифрового исполнителя.

Но если за работу уже регулярно платят людям, я хотя бы вижу существующий бюджет и реальный человеческий труд, а не придумываю рынок с нуля.

Как теперь выглядит мой алгоритм поиска работ для ИИ

После этой серии я бы проверял новую работу примерно в таком порядке.

1. Работа должна быть мне понятна и близка

Я сам её делал, пользуюсь её результатом или хорошо знаю среду.
Если нет - должен быть очень сильный внешний сигнал, ради которого я сознательно готов войти в новый рынок.

2. Я должен видеть конкретную работу

Не “ИИ для маркетинга”.
Не “автоматизация контента”.

А понятная цепочка:
ситуация -> исполнитель -> действие -> законченный результат

3. За эту работу уже должны платить

Здесь я хочу использовать свой сервис исследования работ, HeadHunter и другие наблюдаемые следы найма.

Нужно понять:

• кто получает деньги за выполнение работы;
• насколько эта функция существенна для роли;
• повторяется ли она у разных компаний;
• как компании называют эту работу;
• является ли она самостоятельной функцией или маленьким фрагментом чужой должности.

4. Работа должна повторяться достаточно часто

Раз в год - слабый кандидат.
Каждый день, каждую неделю или с каждым новым заказом - значительно интереснее.
Мне важна не частота сама по себе, а накопленный объём человеческого внимания.

5. Работа должна стоить достаточно дорого

Зарплата.
Человеко-часы.
Переделки.
Очереди.
Ошибки.
Потерянная производительность.
Если текущая работа почти ничего не стоит, автоматизация может быть технически красивой и экономически бессмысленной.

6. ИИ должен убирать существенный человеческий этап

После видеоисследования этот критерий стал для меня намного жёстче.
Не “человек будет делать то же самое быстрее”.
А:

какой шаг человек после внедрения больше не выполняет?

Если ответ - никакой, продукт должен доказать очень большую дополнительную ценность по другой оси.

7. Должен существовать разрыв между возможностями ИИ и текущей ручной работой

Модели уже должны уметь выполнять необходимые когнитивные операции.
Но компании при этом всё ещё платят человеку за сборку работы целиком.
Для меня это и есть интересный разрыв: технология уже созрела, а рабочий процесс ещё не перестроился.

8. Нужен источник правды и способ проверить результат

Откуда система знает, что работа выполнена правильно?
Есть ли документ, правило, база данных, событие, статус, интеграционный интерфейс или другой эталон?
Можно ли объективно проверить результат?

Исследование видео хорошо показало, что без актуального источника правды даже отличный ИИ может очень уверенно проверить не то.

9. Должен быть понятен покупатель

Кто сегодня отвечает за стоимость этой работы?
Кто нанимает людей?
Кто чувствует задержки и ошибки?
Кто может принять решение заменить часть человеческого контура цифровым исполнителем?

10. Гипотезу должно быть можно быстро проверить реальностью

Последние реальные случаи работы.
Артефакты.
Время.
Ошибки.
Стоимость.

Небольшой ручной или полуавтоматический пилот.
Желательно - коммерческий сигнал до большой разработки.
Только после этого я хочу идти в серьёзный технический разбор и прототип.

Личный фильтр теперь идёт раньше технического

Это, пожалуй, главный результат всей серии.

Я начал с идеи, которую выбрал в том числе потому, что она казалась технически простой.
Теперь я бы не ставил этот критерий так высоко.

Техническая простота полезна.
Но если работа чужая, рынок мне неинтересен, а я сам никогда не буду пользоваться результатом, простота разработки не спасает продукт.

Поэтому новый порядок для меня выглядит так:
мне близко
-> люди реально это делают
-> компании уже за это платят
-> работа повторяется и стоит денег
-> ИИ может убрать человеческий шаг
-> результат можно проверить
-> понятен покупатель
-> можно быстро проверить пилотом

И только затем:
-> насколько легко это построить

Это почти обратный порядок относительно того, с которого я начинал исследование видео.

У меня появился и новый стоп-сигнал

Раньше правдоподобная работа могла увести меня довольно глубоко в исследование.
Теперь я хочу убивать часть гипотез намного раньше.

Если работа мне не близка и одновременно мой сервис, вакансии и другие наблюдаемые данные не показывают сильного существующего денежного потока вокруг неё, я не хочу идти дальше.

Если работа мне очень близка, но рынок пока слабый, из неё ещё может получиться полезный внутренний инструмент или личный продукт.
Но это уже другая задача.

Для поиска тиражируемого цифрового исполнителя мне нужен более сильный набор сигналов.

Поэтому ветку проверки видео я замораживаю

Не потому, что такую систему нельзя сделать.
Можно.

Не потому, что работы нет.
Она есть.

Не потому, что исследование не нашло более сильных вариантов.
Нашло.

Приёмка UGC по брифу выглядит интереснее общего ИИ-контроля видео.
Проверка согласованности креатива с актуальными данными кампании тоже выглядит интереснее.

Но сейчас обе ветки ведут меня в процессы, где у меня нет собственного преимущества, опыта и естественной тяги к продукту.
Для меня этого достаточно, чтобы остановиться.

Я не считаю исследование неудачным.
Наоборот. Если гипотеза помогла мне раньше увидеть, какие продукты мне не стоит строить, она уже сэкономила следующий цикл разработки.

И дала более важный результат, чем ещё один прототип.
Она изменила сам алгоритм поиска.

Источники и внешние ориентиры

• Lightspeed Venture Partners: How to Choose a Startup Idea - о связи идеи с опытом основателя, преимуществом в дистрибуции и соответствии основателя рынку.
• Founder Docs / Wing Venture Capital: How to evaluate your startup idea - о том, что отдельно от рынка стоит оценивать соответствие самого основателя или команды продукту и проблеме.