Почему на этапе LOG [IN] OFF 3.0 я решил сначала исследовать рынок и повторяемую работу бизнеса, а уже потом выбирать продукт и запускать разработку.

В первом материале этой серии я зафиксировал, куда хочу двигать Лабораторию автоматизации «LOG [IN] OFF» 3.0.

Этап 3.0 для меня - управляемый поиск новой продуктовой модели.

Мне нужно найти повторяющиеся работы бизнеса, которые можно один раз научиться выполнять достаточно хорошо, а затем подключать следующим компаниям уже не как очередной индивидуальный проект разработки, а как повторяемый продукт.

На словах следующий шаг кажется очевидным: нужно искать такие работы.

Но именно здесь я решил изменить привычный для себя порядок действий.

За годы я запускал больше 150 IT-стартапов и продуктовых гипотез. Во многих случаях логика была примерно такой:

появилась идея -> быстро сделали -> выпустили -> посмотрели, кому это нужно.

Иногда такой подход давал хороший результат.
Иногда нет.
Сейчас, входя в новую для себя продуктовую модель, я хочу попробовать наоборот.

Сначала максимально широко разобраться, что вообще имеет смысл делать. Потом уменьшить пространство вариантов. И только после этого вкладываться в продукт.

Почему я решил сначала исследовать рынок, а потом делать продукт

Сам принцип “быстро сделал и проверил” мне по-прежнему близок.

Я не хочу превращать поиск нового бизнеса в бесконечное исследование, после которого никто ничего не запускает.

Но у быстрого производства гипотез есть цена.

Чтобы рынок показал, какая из множества идей действительно нужна, каждую идею приходится хотя бы частично довести до состояния эксперимента:

  • сформулировать продукт;
  • собрать первую версию;
  • придумать упаковку;
  • привести пользователей;
  • получить обратную связь;
  • исправить ошибки;
  • какое-то время поддерживать решение.

С AI я сегодня могу проверить многие технические гипотезы заметно быстрее, чем несколько лет назад. Но скорость разработки не отвечает на главный вопрос: нужен ли рынку сам продукт.

Можно очень быстро сделать вещь, которая почти никому не нужна.

Поэтому в LOG [IN] OFF 3.0 я хочу проверить другой порядок:

не увеличивать количество продуктовых экспериментов, а сначала уменьшить количество направлений, которые вообще заслуживают дорогого эксперимента.

Для меня это и есть практический смысл исследования до разработки.

Оно не должно гарантировать успех будущего продукта. Такой гарантии нет.

Его задача - раньше отсеять слабые направления и сократить количество дорогих ошибок.

Хотя автоматизацией мы занимаемся давно, эта продуктовая модель для меня новая

Лаборатория автоматизации много лет работает с CRM, Битрикс24, интеграциями, телефонией, приложениями, бизнес-процессами и собственной разработкой.

То есть технически я не вхожу в совершенно незнакомую область.

Новое для меня - другая модель компании.
Интеграционный бизнес я понимаю.
Заказную разработку понимаю.
Создание приложений понимаю.

А вот компания, которая системно находит достаточно крупные повторяющиеся работы бизнеса, автоматизирует их и превращает лучшие решения в повторяемые продукты - это уже другая конструкция.

И в ней у меня пока больше вопросов, чем ответов.

Я пока не знаю:

  • какие работы окажутся достаточно распространенными для нужной продуктовой экономики;
  • какие из них действительно стоят бизнесу существенных денег;
  • за какой результат компании готовы регулярно платить;
  • насколько одинаково одна работа выглядит у разных клиентов;
  • где можно повторно использовать большую часть решения;
  • где двадцатый клиент все еще будет требовать почти такой же объем разработки, как первый;
  • какие задачи уже нормально закрываются существующим ПО;
  • где AI действительно открывает новую возможность;
  • а где новое название просто накладывается на давно известную автоматизацию.

Поэтому сейчас мне нужен не ответ “какой продукт делать”.
Мне нужна карта пространства, из которого вообще можно осмысленно выбирать продукты.

На этом этапе я не хочу делегировать поиск

В понятном бизнесе многое можно передавать команде.
Если известны клиент, продукт, экономика и канал продаж, можно строить процессы вокруг уже найденной модели.

Здесь пока иначе.
Я не могу сегодня поставить кому-то задачу:

Найди нам следующие хорошие продукты LOG [IN] OFF 3.0.

Потому что у меня самого пока нет достаточно точного определения слова “хорошие”.

Если сказать:

Найдите, что можно автоматизировать в бизнесе,

получится почти бесконечный список.

Если сказать:

Найдите идеи AI-агентов,

список станет еще больше.

Если спросить предпринимателей:

Что вы хотели бы автоматизировать?

мы соберем много пожеланий разного качества, но далеко не каждое из них станет основой повторяемого продукта.

Поэтому эту часть 3.0 я считаю своей работой как основателя.

Мне нужно самому пройти путь несколько раз и понять:

  • откуда начинать поиск;
  • какие сигналы учитывать;
  • какие вопросы задавать;
  • что считать сильным подтверждением;
  • что считать просто интересной идеей;
  • какие гипотезы отбрасывать до разработки;
  • где заканчивается исследование и уже пора делать.

Если получится найти воспроизводимый маршрут, его уже можно будет превратить в процесс и передать дальше.

То есть сейчас я ищу не только будущие продукты.

Я пытаюсь понять, как системно находить продукты в новом для нас бизнесе.

Уже после того, как я сформулировал для себя эту логику, я сопоставил ее с классическими подходами к поиску бизнес-модели.

Steve Blank разделяет Search и Execution: пока бизнес-модель состоит из непроверенных гипотез, задача новой компании или нового направления - искать повторяемую и масштабируемую модель. Причем организацию поиска он отдельно связывает с командой customer development, которую ведут основатели. После нахождения модели компания переходит к исполнению.

Strategyzer формулирует похожее предостережение на уровне продуктовых экспериментов: Build-Measure-Learn не стоит понимать как команду немедленно начинать разработку. До дорогого теста сначала нужно сформулировать критические предположения и понять, какие evidence нужны, чтобы их проверить.

Мне эта рамка полезна не как готовая инструкция, а как подтверждение того, что сейчас я действительно нахожусь в режиме поиска, а не исполнения уже найденной модели.

Сначала я думал идти по отраслям

Первый вариант поиска был довольно очевидным.

За годы интеграторской работы у нас накопился опыт с разными типами компаний.
Можно взять, например:

  • оптовую торговлю;
  • строительство;
  • производство;
  • услуги;
  • образование;
  • логистику.

А дальше идти внутрь каждой отрасли и искать, что там сотрудники делают руками.
К отраслевому разрезу я еще вернусь. Но для первого прохода он оказался слишком широким.

Возьмем оптовую компанию.
Внутри нее есть продажи, закупки, склад, логистика, документы, бухгалтерия, дебиторка, маркетинг, управление.

Если задать вопрос:

Что автоматизировать в оптовой компании?

пространство снова становится почти бесконечным.

Для поиска повторяемого продукта такой уровень мне не подходит.
Мне нужен более конкретный объект исследования.

С чего я решил начать исследование нового бизнеса

Я начал менять сам вопрос.
Не:

Как автоматизировать отрасль?

Не:

Как автоматизировать отдел?

И не:

Какого AI-агента сделать?

А:

Какие повторяющиеся работы люди вообще выполняют внутри бизнеса?

Что человек делает каждый день или каждую неделю?
Что переносит руками?
Что регулярно проверяет?
Что сравнивает?

Какие данные собирает?
Что классифицирует?

Какие документы обрабатывает?
Кому напоминает?
Какие статусы запрашивает?

Что происходит после звонка?
Что происходит после встречи?
Какие однотипные решения принимаются снова и снова?

Так вместо списка будущих продуктов я решил сначала получить достаточно широкую карту человеческой работы внутри компании.

Пока без требования немедленно придумать решение.

Повторяемая работа еще не означает хороший продукт

Это важное ограничение.

В бизнесе огромное количество повторяющихся действий.
Технически автоматизировать можно очень многое.
Но нам нужна не автоматизация ради автоматизации.

Предположим, сотрудник каждый день выполняет операцию, которая занимает 2 минуты.
Убрать ее может быть полезно.

Но если экономическая ценность такого изменения для компании почти незаметна, вокруг него может не получиться самостоятельного продукта.

Поэтому за первым вопросом:

Работа повторяется?

сразу появляются следующие:

Насколько часто?
Кто ее выполняет?
Сколько времени она забирает?
Что происходит при ошибке?
Насколько важен результат?
Как эта работа выполняется сейчас?
Есть ли уже нормальный инструмент?
Она похожа у разных компаний или каждый раз уникальна?
Можно ли использовать одно решение у следующего клиента?

Постепенно пространство поиска должно сужаться.

Сейчас рабочая гипотеза выглядит так: нас интересует работа, которая одновременно достаточно частая, ценная, распространенная для нужной экономики и повторяемая между клиентами.

Но это пока именно гипотеза отбора, а не доказанная формула хорошего продукта.

Почему я не начинаю поиск продукта с AI

Еще одно мое решение - не ставить технологию впереди работы.

Если сегодня спросить:

Где бизнесу нужен AI?

можно быстро получить длинный список:
AI для продаж.
AI для маркетинга.
AI для документов.
AI для бухгалтерии.
AI для найма.
AI-ассистент руководителя.
AI для закупок.

Но в самом вопросе уже спрятано предположение:

решение должно использовать AI.

Мне это сейчас мешает.

Я хочу сначала понять работу, а потом выбрать минимально достаточную технологию.
Где-то это будет LLM.
Где-то обычное правило.
Где-то OCR.
Где-то API между двумя системами.
Где-то собственный микросервис.
Где-то комбинация нескольких технологий.
И только в части случаев понадобится действительно агентная логика.

Для клиента все это может называться AI-автоматизацией.

Для меня внутри исследования важнее другой вопрос:

Что именно должно быть выполнено и почему за этот результат имеет смысл платить?

Что я проверяю до разработки

Я не пытаюсь заранее проверить готовый интерфейс будущего продукта.

Сначала мне нужно разобраться с самой работой:

  • существует ли она в реальном процессе;
  • насколько регулярно возникает;
  • кто ее выполняет;
  • как ее решают сегодня;
  • что в текущем способе действительно создает потери или ограничения;
  • насколько похожа эта работа у независимых компаний;
  • какая часть решения может повторяться;
  • где находится граница, после которой решение снова превращается в кастомную разработку.

Только потом имеет смысл переходить к конкретной продуктовой гипотезе.

Поисковый спрос будет одним из сигналов, но не ответом

Один из следующих источников, который я решил проверить, - поисковый спрос.

Но здесь я сразу хочу смотреть шире запросов со словами AI или ИИ.
Человек может искать технологию.
А может искать способ выполнить конкретную работу и вообще не знать, какая технология ему нужна.

Поэтому поисковые данные для меня - это информация о языке и интересе рынка, но не доказательство готовности платить и не автоматический выбор продукта.

К этому я вернусь отдельно, потому что первые замеры довольно быстро заставили меня изменить первоначальную картину спроса.

Еще один вопрос - насколько эта работа уже автоматизирована

Даже если работа технически хорошо автоматизируется, это еще не означает, что рынок находится в той же точке.

Мне важно смотреть не только на вопрос:

Можно ли это сделать программно?

Но и на другой:

Как люди реально выполняют эту работу сегодня?

Что уже встроено в ежедневный процесс?
Чем действительно пользуются?
Что пробовали и бросили?
Где существует готовая функция, но люди все равно продолжают делать работу вручную?
Какой следующий шаг автоматизации вообще понятен компании?

Позже именно этот вопрос стал для меня одним из самых важных во всем исследовании.

Мне важно искать не подтверждение, а сокращение вариантов

Когда продукт уже сделан, очень легко начать защищать собственное решение.
Ты уже потратил время.
Есть код.
Есть интерфейс.
Есть название.

И каждый человек, который сказал “интересно”, начинает восприниматься как особенно важный сигнал.

На этапе 3.0 я хочу по возможности дольше оставаться до этой точки.
Если исследование покажет, что работа уже хорошо закрыта существующим ПО, - это хороший результат.
Если проблема существует, но экономически слишком мала, - тоже.

Если у каждого клиента процесс устроен совершенно по-разному, возможно, это хорошая работа для интегратора, но плохая основа для повторяемого продукта.
Если решение требует постоянного участия сильного специалиста, экономика может снова привести нас к сервисной модели.

Поэтому результатом раннего исследования для меня должен быть не максимальный список идей.

Хороший результат - когда пространство вариантов стало существенно меньше и стало понятнее, какие гипотезы действительно заслуживают следующего дорогого шага.

Как выглядит мой план исследования до разработки продукта

Сейчас маршрут выглядит так.

1. Собрать повторяемые работы максимально широко

Не продукты.
Не список AI-агентов.
Сначала саму работу людей.

2. Сгруппировать найденные “Работы”

Посмотреть, какие работы повторяются между ролями, отделами и компаниями.

3. Проверить внешний спрос

Какими словами люди описывают проблему и решение.
Что ищут через название технологии, а что через саму работу.

4. Проверить текущий способ выполнения

Руками, в Excel, CRM, 1С, мессенджерах, через ассистента, частично автоматически или уже полностью программно.

5. Понять реальный следующий шаг автоматизации

Что имеет смысл передать системе сейчас, а не в абстрактном будущем.

6. Пытаться опровергать собственные гипотезы

Не только искать аргументы “за”, но и специально искать причины, почему продукт не нужно делать.

7. Сузить исследование до конкретных направлений бизнеса

После широкого прохода перейти к управлению, продажам, маркетингу, клиентскому сервису, финансам и документам, закупкам, HR и операциям.
И уже внутри каждого направления разбирать конкретные повторяющиеся Jobs.
Это пока не готовая фабрика поиска продуктов.
Это путь, который я сейчас сам прохожу.

Когда этот поиск можно будет делегировать

Для себя я поставил простой критерий.
Я смогу нормально передать этот процесс команде не тогда, когда напишу красивую инструкцию, а когда сам несколько раз пройду полный путь:

наблюдение -> исследование -> гипотеза -> проверка -> первый результат.

И увижу, какие части действительно повторяются.

Тогда можно будет формализовать критерии, условия, точки отсечения и следующий шаг.
До этого попытка делегировать исследования будет означать передачу команде неопределенности, которую я сам еще не разобрал.

Зачем я решил показывать этот путь публично

Можно было бы провести все исследование внутри компании, выбрать несколько идей и потом рассказать только итоговую историю.

Мне интереснее сохранить реальную последовательность.
Что я думал в начале.
Какие данные смотрел.
Какие гипотезы казались сильными.
Что пришлось пересмотреть.
Какие направления отбросил.
Какие, наоборот, стали выглядеть интереснее.

Для меня это еще и способ не переписывать собственную историю задним числом.
Через несколько месяцев можно будет вернуться к этой статье и посмотреть, насколько правильным был сам подход.

Если все получится, результатом LOG [IN] OFF 3.0 станут не только несколько новых продуктов.
У Лаборатории автоматизации «LOG [IN] OFF» 3.0 должна появиться собственная карта повторяемой работы бизнеса и понятный способ ее исследовать.
А уже после первых реальных результатов этот путь можно будет превращать в систему и делегировать.

С чего я начал исследование

Первый шаг я специально сделал максимально широким.
Не выбрал продажи.
Не выбрал маркетинг.
Не выбрал бухгалтерию.
Не выбрал AI-ассистента руководителя.

На этом этапе мне нужен был не ответ “какой продукт делать”, а карта, из которой вообще можно осмысленно выбирать продукты.

Поэтому первый вопрос исследования я сформулировал так:

Какие повторяющиеся работы люди вообще выполняют внутри бизнеса?

Мне нужно было увидеть поле сверху.
Собрать работы из разных функций.
Попробовать их сгруппировать.
Посмотреть, какие паттерны повторяются.
И только после этого решать, куда копать глубже.

С этого и началось исследование LOG [IN] OFF 3.0.
В следующем материале покажу, как я собирал первую широкую карту повторяемых работ бизнеса, что получилось на первом проходе и почему довольно быстро пришлось менять первоначальный способ группировки.