ИИ построит твою систему аналитики за два дня. Вот что это число реально описывает.

ИИ может генерировать сайты, приложения, и бизнес-системы быстрее, чем когда-либо. Но скорость генерации, это не то же самое, что скорость построения того, на что бизнес реально может положиться.

Старый инфобизнесмен продавал мечту, что бизнес можно построить за два дня. Новая ИИ-версия продаёт технологически модернизированную копию той же самой мечты. Построй ERP за неделю. Построй CRM за три дня. Построй систему аналитики за два. Построй целое приложение за выходные.

И на этот раз есть разница, что делает обещание значительно убедительнее: технология по-настоящему мощная. ИИ реально может строить вещи, что раньше заняли бы значительно больше времени. Мы сами используем его каждый день. Именно поэтому различие важно, и это не чисто теоретическое беспокойство: данные жалоб, поданных в регуляторы и органы защиты потребителей, показывают реальный финансовый вред именно от такого рода обещаний курсов, в значимом масштабе.

Разрыв между демо и реальной вещью разобран глубоко в Claude построит сайт, но не понимание. Этот материал идёт туда, куда тот не заходил: в то, что реально требуется, чтобы построить настоящую ИИ-систему аналитики, ту самую, что постоянно появляется в этих курс-питчах.

Проблема никогда не была в том, что ИИ не может строить впечатляющие вещи. Проблема в том, что "построено" стало одним из самых злоупотребляемых слов в разговоре про ИИ. Двухдневное демо может быть полностью реальным. Вопрос в том, что эти два дня реально произвели.

"Построено" стало одним из самых злоупотребляемых слов в разговоре про ИИ. Двухдневное демо может быть реальным. Вопрос в том, что эти два дня реально произвели.

ЧИСЛО ДВА ДНЯ

Число "два дня"

"Я построил ИИ-систему аналитики за два дня" может означать несколько очень разных вещей. Сгенерировал дашборд. Подключил API. Создал базу данных. Написал краулер. Построил рабочий прототип, что тянет данные из одного источника в приятный интерфейс. Всё это возможно, и часть этого по-настоящему замечательна.

Но система аналитики, на которую компания реально может положиться, это нечто другое. Различие не в том, способен ли ИИ. Оно в том, что происходит после того, как первая версия начинает работать. У софта два очень разных момента: момент, когда нечто работает, и значительно более длинный период, в котором это должно продолжать работать, значить правильную вещь, пережить реальность, и заслуживать доверия. Это не одна и та же веха.

АНАЛИТИКА НЕ ПРОМПТ

Система аналитики, это не промпт

Возьмём систему, что постоянно появляется в ИИ-демонстрациях: компания, работающая в десяти странах, хочет определить конкурентов, отслеживать цены и позиционирование, сравнивать видимость в поиске по рынкам, и генерировать рекомендации, возможно даже действовать по некоторым из них автоматически.

Что реально требует "проанализируй наших конкурентов"

Попроси ИИ построить это, точно тот архитектурный вопрос, что стоит под любой реальной системой, и он поможет почти с каждым слоем. Это по-настоящему впечатляющая часть. Но заметь: "ИИ-анализ", это лишь один компонент. Архитектура вокруг него всё ещё существует, и именно там живёт большинство реальных решений.

ЧТО ЗАСЧИТЫВАЕТСЯ КТО РЕШАЕТ

Что засчитывается, и кто решает

Прежде чем что-то классифицируется, кто-то должен определить, что считается конкурентом. Тот же продукт, те же поисковые запросы, маркетплейс, премиум-бренд, конкурирующий за то же внимание, но не за того же клиента, издатель контента, конкурирующий за трафик, но не за продажи. Если никто не определит эту таксономию, модель придумает свою, возможно разумную, возможно вообще не имеющую отношения к тому, как этот конкретный бизнес реально конкурирует.

То же самое верно, когда сущности классифицируются по позиционированию, ценовому сегменту, модели дистрибуции, или контент-стратегии. ИИ по-настоящему полезен в самой классификации, обрабатывая значительно больше страниц, чем человек реально мог бы. Но кто-то всё ещё должен решить, какие категории здесь реально важны. Это архитектура, не интеллект, и пропуск этого шага просто значит, что модель тихо решает сама, что важно.

НЕ ВСЕ ДАННЫЕ ДАННЫЕ

Не все данные, это данные

Часть информации измерена. Часть оценена. Часть выведена, и это не взаимозаменяемо. Публично сообщённая метрика платформы, это факт. Оценка трафика от стороннего сервиса, это оценка. Догадка ИИ о конверсии конкурента, без доступа к первичным данным, это вывод, одетый в одежду числа. Всё это может сидеть в одном красивом дашборде. Это не делает всё одинаково верным.

Ранжирование → показы → клики → сессии → вовлечённость → конверсия → квалифицированный лид → продажа → выручка → прибыль. Каждый переход вносит ещё одну переменную, что ИИ может оценить, но не может превратить в первичный факт лишь потому, что финальное число выглядит точным.

Конкурент, занимающий второе место по ценному запросу, говорит о чём-то реальном, и ничего о его реальной выручке. Помести стороннюю оценку в ту же таблицу, что настоящую первичную аналитику, не отметив разницу, и люди в итоге начнут относиться к обоим одинаково надёжно. Интерфейс тихо убирает неопределённость, и как только неопределённость исчезает из интерфейса, она склонна исчезать и из принятия решений.

РАЗРЕШЕНИЕ СУЩНОСТЕЙ

Скучная проблема, что ломает всё

Одна и та же компания может работать под разными юридическими лицами в десяти странах, с переведёнными названиями бренда, разными доменами, локальным дистрибьютором, что появляется как отдельная компания. Один и тот же конкурент может войти в систему четыре раза, и без разрешения этого сначала система может заключить, что на рынке четыре конкурента. Их один, представленный четырьмя разными способами.

Отчёт может сгенерироваться идеально. Вывод под ним может быть полностью неверным. Именно поэтому сложная аналитика никогда не бывает просто "дай ИИ сайты и спроси, что он думает".

НЕТ ЕДИНОГО ИИ

Нет единого "ИИ"

"Я попросил ИИ проанализировать рынок" само по себе мало что говорит. Какую модель. С каким контекстом, какими инструментами, каким доступом к данным, каким краулером, какой поисковой инфраструктурой, какими инструкциями, какой валидацией. Проверили ли результат независимо. Тот же разрыв между заявлением и реальностью проявляется и в заявлениях о способностях ИИ в целом, не только в аналитике. Разные модели и инструменты производят драматически разные процессы: один с живым доступом к вебу, другой работающий в основном с предоставленной информацией, один сильнее в коде, другой лучше подходит для конкретной задачи рассуждения.

"Я попросил ИИ", это не методология. Это описание взаимодействия с интерфейсом. Методология начинается со всего, что вокруг.

ИИ УПРАВЛЯЕТ ИИ

ИИ теперь может управлять ИИ

Здесь становится интереснее. Простая модель человек→ИИ→результат уже заменяется чем-то более многослойным.

Человек проектирует архитектуру, слой оркестрации назначает работу нескольким разным моделям, что выступают строителями, ещё один слой проверяет то, что вернулось, и решает принять это, отклонить, или отправить на ещё одну итерацию.

Это по-настоящему мощно, и это создаёт реальный парадокс.

Добавление большего количества ИИ не убирает архитектуру. Оно делает архитектуру важнее.

Кому-то всё ещё нужно решить, какая задача реально стоит, какая модель что делает, что считается успехом, что представляет ошибку, что можно принять автоматически, что нуждается в ещё одном обзоре, что можно изменить в продакшене, и когда всей системе стоит откатиться. Ничто из этой инженерии не исчезло. Она переместилась на уровень выше. Человек всё больше проектирует систему, что решает, как ИИ-системы работают вместе, а это совершенно другое будущее, чем "ИИ заменяет разработчика".

ИИ В ДИЗАЙНЕ

Мы используем ИИ и в дизайне

Это не только про софт. Мы используем Astra вместе с Blender, чтобы генерировать и исследовать архитектурные и интерьерные визуализации, и результаты совсем неплохие. Для картинок в блог и небольших проектов эта технология уже по-настоящему полезна, экономя реальное время и производя итерации, что раньше заняли бы значительно больше ручной работы.

Но когда требования становятся очень специфичными, люксовые интерьеры, сильно кастомизированная архитектура, необычная геометрия, точные материалы, точное освещение, конкретный дизайн-язык, воркфлоу становится значительно требовательнее. ИИ производит что-то. Мы это оцениваем, корректируем, регенерируем, сравниваем, корректируем снова. Ни одна из этих итераций не бесплатна. Токены стоят денег. Модели стоят денег. Вычисления стоят денег. Время дизайнера стоит денег.

ИИ снижает стоимость генерации. Он не убирает стоимость профессионального суждения. И это утверждение про сегодня, не навсегда, завтрашние модели, вероятно, будут значительно лучше. Смысл не в том, чтобы предсказать, где в итоге окажется потолок ИИ. Смысл в том, чтобы понять, где эта граница реально находится прямо сейчас.

КОД РАБОТАЕТ НЕВЕРЕН

Код, что работает, всё ещё может быть неверным

Синтаксическую ошибку легко поймать. Ошибку бизнес-логики часто нет. ИИ-сгенерированная метрика клиента может выполняться чисто, запрос отрабатывает, дашборд загружается, число выглядит вполне разумным, и всё же быть неверным, потому что одна страна по-другому обрабатывает возвраты, или отображаемые цены включают налог на одном рынке и нет на другом, или бизнес определяет выручку иначе, чем предположила модель.

Софт работает. Ответ неверен. Это не обязательно проблема кода. Это может быть проблема бизнес-модели, проблема модели данных, проблема требований, архитектурная проблема, и генерация большего количества кода никогда не исправит неправильно определённое бизнес-правило.

ИИ КАСАЕТСЯ ПРОДАКШЕНА

В момент, когда ИИ касается продакшена, всё меняется

Предположим, система находит реальную возможность, слабые метаданные на странице категории, и предлагает лучший заголовок. Полезно. Теперь предположим, она может опубликовать это изменение сама. Система только что сменила категорию. Это больше не только аналитика. Это часть продакшена, а продакшен приносит с собой права доступа, журналы аудита, резервные копии, откат, стейджинг, мониторинг, лимиты частоты, и явный ответ на то, что ей реально разрешено менять автоматически.

Мета-описание, возможно. Цена, это другое. Логика чекаута, совершенно другое. Структура базы данных сидит в отдельной категории риска. "ИИ всё чинит за тебя" звучит прекрасно в демо. В продакшене интересный вопрос не в том, может ли он что-то починить. А в том, готов ли ты ему это разрешить, и на каких условиях.

СТРОИМ СВОЮ SALESFORCE

Я иногда шучу, что мы строим свою Salesforce

Здесь я могу использовать собственный проект, но только если шутка понята правильно. Мы строим собственный движок продаж, значительно меньше и специализированнее, чем Salesforce, в разработке уже некоторое время, построенный с разработчиками, разными моделями, и с ИИ, глубоко вовлечённым на всём протяжении. ИИ помогает писать код, исследовать решения, отлаживать, и рассуждать через реализацию. Он ускоряет много работы.

И у нас всё ещё остаётся много работы. Ошибки. Итерации. Верификация. Архитектурные решения. Интеграции. Граничные случаи. Технический долг, что уже накопился, часть от быстрого движения, часть от изменения решений по мере эволюции системы, часть от интеграции решений, что позже нужно пересмотреть. Именно такой накопленный технический долг и приходится распутывать тому, кто унаследует систему позже. Это не разработчики выдумывают работу, чтобы проект выглядел больше. Это просто софт.

Модели стоят денег. Токены стоят денег. Инфраструктура стоит денег. Время разработчика, включая время, потраченное на чтение ИИ-сгенерированного кода, его тестирование, обнаружение, что оно неверно, и его переработку, всё ещё инженерное время. ИИ меняет экономику. Он её не отменяет.

СОЗДАНИЕ ДЕШЕВЛЕ СЛОЖНОСТЬ

ИИ сделал создание дешевле. Сложность всё ещё дорога.

ИИ может сделать первую версию, эксперимент, прототип, значительно дешевле, позволяя маленькой команде пробовать вещи, что раньше требовали значительно большего бюджета. Это реальный сдвиг. Но сама сложность не исчезла. Тот же принцип применим к выбору неправильной архитектуры где угодно, не только в аналитике. Сложный бизнес всё ещё сложен. Система с десятью рынками всё ещё имеет десять рынков. Система с сотнями бизнес-правил всё ещё имеет сотни бизнес-правил, и каждый короткий путь создаёт последствие где-то, иногда безобидное, иногда технический долг, иногда баг, иногда неверную аналитику, иногда систему, что уже никто полностью не понимает.

ИИ не убрал сложность. Он её переместил.

ДЕМО ПРОТИВ СИСТЕМЫ

Разница между демо и системой

Демо спрашивает, можем ли мы заставить это работать. Реальная система спрашивает, можем ли мы заставить это работать повторяемо, корректно, безопасно, и предсказуемо. Демо спрашивает, может ли ИИ это сгенерировать. Продакшн-система спрашивает, можем ли мы доверять тому, что он сгенерировал. Демо спрашивает, может ли агент изменить сайт. Продакшн-система спрашивает, что агенту разрешено менять, чьей властью, с какими гарантиями, и как это отменяется. Демо спрашивает, можем ли мы построить дашборд аналитики за два дня. Бизнес спрашивает, могу ли я реально принимать решения на основе этих данных.

Это разные вопросы, и разница не искусственная сложность, выдуманная разработчиками. Это реальная цена превращения технологической возможности в нечто надёжное.

ПОЧЕМУ ДЕМО УБЕДИТЕЛЬНО

Почему демо настолько убедительно

Демо не нуждается в том, чтобы ИИ был поддельным, чтобы работать. Именно этот механизм стоит назвать: видимый прогресс, происходящий на экране, производит психологический скачок в ложную эквивалентность.

ИИ сгенерировал базу данных. Значит я могу построить ERP. ИИ сгенерировал дашборд. Значит у меня есть система аналитики. ИИ сгенерировал красивый рендер. Значит я заменил профессиональный дизайн-воркфлоу. ИИ сгенерировал приложение. Значит я построил продукт.

Технология реальна. Скачок в интерпретации, вот где начинается проблема.

Кто верифицирует данные. Кто решает, верна ли бизнес-логика. Кто понимает архитектуру через шесть месяцев. Кто замечает, что краулер перестал работать. Кто откатывает автоматическое изменение, когда оно неверно. Ни один из этих вопросов не годится для впечатляющего демо. Они всё равно остаются вопросами, что определяют, реально ли эта вещь полезна.

"Построено за два дня" описывает генерацию. Оно не описывает владение.

ИСПОЛЬЗУЙ ИИ АГРЕССИВНО

Используй ИИ агрессивно. Доверяй ему осторожно.

Ничто из этого не аргумент, что ИИ останется там же, где сейчас. Модели улучшатся, агенты станут способнее, верификация станет более автоматизированной, и ИИ, вероятно, возьмёт на себя ещё больше воркфлоу разработки и дизайна, чем уже взял. Правильный ответ не в том, чтобы притворяться иначе. Он в понимании того, что реально меняется прямо сейчас, сегодня, не в том, что может со временем стать правдой. По мере того как системы становятся автономнее, кому-то всё ещё нужно определить, что значит "верно", и эта ответственность может стать важнее по мере роста автоматизации, не меньше.

Мы используем ИИ каждый день, для исследований, письма, дизайна, работы в Blender, отладки, архитектуры, аналитики, и всё больше для оркестрации других ИИ-систем. Он сделал нас значительно способнее, и именно поэтому нам не нужно притворяться, что это магия. ИИ может сжать месяцы в недели, недели в дни, дни в часы, иногда в минуты. Эта часть реальна. Но продакшн-системе всё равно, заняла ли функция у разработчика три часа или у модели тридцать секунд. Она должна работать. Данные должны означать то, что ты думаешь, они означают. Архитектура должна пережить изменение. Кому-то нужно понимать, что происходит, когда это падает.

ИИ изменил экономику создания софта. Он не изменил экономику ошибок.

Реальный вопрос никогда не был "может ли ИИ построить это за два дня". Он в том, "что конкретно ты имеешь в виду под построено".

Может ли ИИ реально построить работающую систему аналитики за два дня?

Полностью зависит от того, что значит "система аналитики". Простой дашборд, тянущий из одного чистого источника, правдоподобно. Межрыночная система конкурентной разведки с разрешением сущностей, происхождением данных, и классификацией, нет, потому что большая часть этой работы определительная и архитектурная, не генерация кода.

Почему обещания курсов вроде "построй CRM за три дня" распространяются так легко?

Потому что базовая способность ИИ по-настоящему реальна, что делает окружающее обещание правдоподобным, хотя оно описывает создание первой версии, не владение работающей, верифицированной, поддерживаемой системой. Данные жалоб регуляторам показывают, что этот паттерн причиняет реальный финансовый вред в значимом масштабе.

Что такое разрешение сущностей и почему это важно для конкурентного анализа?

Это подтверждение того, представляют ли разные названия компаний по рынкам одного конкурента или нескольких. Без этого система может посчитать одну компанию несколько раз и произвести уверенный, хорошо оформленный отчёт, построенный на неверной предпосылке.

Убирает ли использование нескольких ИИ-моделей, что проверяют работу друг друга, потребность в архитектуре?

Нет, это делает архитектуру важнее. Кому-то всё ещё нужно определить задачу, решить, какая модель что делает, установить, что считается успехом или ошибкой, и определить, что можно принять автоматически, а что нуждается в обзоре человеком.

Если ИИ пишет большую часть кода, кто реально несёт ответственность за результат?

Тот, кто владеет системой. Продакшн-система не отслеживает, какие строки написал человек, а какие модель, она просто исполняет их все, а значит всё это нуждается в обзоре, тестировании, и постоянной поддержке независимо от того, как это было сгенерировано.