AI-рынок: много технологий, мало продуктов

Николай Ланец
Николай Ланец
Apr 25, 2026

Часть 1. Осторожно: рынок стал сложнее

За последние 2–3 года рынок ИИ радикально изменился. Если раньше казалось, что “любой стартап может сделать AI-продукт”, то сейчас становится очевидно:

рынок постепенно сжимается до модели “несколько лабораторий + большие платформы”

Речь про тех, кто контролирует:

  • compute (GPU, дата-центры)
  • базовые модели
  • инфраструктуру

Это:

  • OpenAI / Microsoft
  • Google
  • Anthropic / Amazon
  • Meta

Они задают темп.

Почему стало сложнее

Причины не в “злом рынке”, а в физике и экономике:

  • обучение моделей стоит сотни миллионов
  • inference стоит денег на каждый запрос
  • пользователи ≠ бесплатные (как в SaaS раньше)

В результате:

  • расходы растут вместе с ростом продукта
  • маржа давится
  • зависимость от инфраструктуры усиливается

Что это означает для стартапов

Если упростить:

  • делать свою модель → почти невозможно
  • конкурировать на уровне технологий → бессмысленно
  • просто “использовать AI” → не даёт преимущества

И возникает логичный вывод:

“стартапам делать нечего”

Но это не совсем так.

Часть 2. Где реальная проблема

Основная ошибка, которую сейчас делают почти все:

путают технологию и продукт

Классический сценарий

  1. Появляется новая технология (LLM)
  2. Команда думает: “давайте внедрим AI”
  3. Делает интерфейс
  4. Добавляет генерацию

И ожидает, что:

“теперь всё взлетит”

Но не взлетает.

Почему не взлетает

Потому что:

AI не создаёт ценность сам по себе

Он:

  • ускоряет
  • автоматизирует
  • упрощает

Но не отвечает на вопрос:

“зачем пользователю это вообще нужно?”

Часть 3. Главный парадокс AI

Сейчас наблюдается интересная ситуация:

  • производительность выросла
  • инструменты стали мощнее
  • вход в разработку упростился

Но:

количество успешных продуктов растёт гораздо медленнее, чем количество попыток

Почему так происходит

Потому что AI увеличивает:

предложение, а не спрос

Раньше:

  • 1000 команд могли делать продукты

Сейчас:

  • 10 000 команд могут

А пользователей:

  • не стало в 10 раз больше

Итог

  • конкуренция выросла
  • копирование упростилось
  • средний продукт обесценился

Часть 4. Excel → Oracle ≠ успех

Очень точная аналогия:

заменить Excel на Oracle ≠ стать успешным бизнесом

С AI то же самое.

Если у вас:

  • плохой продукт
  • слабая структура
  • нет понимания пользователя

То AI просто:

ускорит создание плохого продукта

Часть 5. Что на самом деле работает

Если убрать весь шум, успешные кейсы выглядят так:

структура + процесс + ценность
        ↓
       AI

А не наоборот.

Что создаёт ценность

Не AI. А:

  • чёткая структура данных
  • понятный workflow
  • конкретная задача
  • измеримый результат

AI — это усилитель.

Часть 6. Практический пример

Рассмотрим реальный кейс: 👉 https://github.com/haih-net/agent

В чём ключевая идея

Мы не пытаемся:

  • сделать “самый умный AI”
  • обогнать frontier-модели
  • построить новую нейросеть

Мы делаем другое:

максимально качественно используем уже существующие возможности

Главный вопрос

если любой может подключить GPT или Qwen — в чём тогда ваше преимущество?

Если ответ:

  • “мы тоже используем AI”

то преимущества нет.

Часть 7. Подход haih-agent

Вместо “AI как фича” используется:

AI как полноценная сущность в системе

Что это означает

Агент — это не просто инструмент.

Он имеет:

  • собственную идентичность
  • собственную память
  • собственные знания
  • собственные действия

Сравнение

Обычный подход:

  • AI = функция
  • вызвали → получили ответ → забыли

Здесь:

  • AI = участник системы
  • имеет контекст
  • накапливает опыт
  • принимает решения

Часть 8. Ключевые принципы

1. Прозрачность вместо “магии”

Каждое действие:

  • имеет объяснение
  • логируется
  • проверяется

Нет “чёрного ящика”.

2. Знания вместо данных

Знания:

  • имеют уверенность
  • имеют временную валидность
  • могут противоречить друг другу

Это уже не просто база данных, а:

эпистемическая система

3. Идентичность

Агент:

  • имеет профиль
  • может его менять
  • не является прокси пользователя

4. Автономность

Агент может:

  • изучать API
  • выполнять действия
  • запоминать результат

5. Локальность

  • работает локально
  • без lock-in
  • данные остаются у пользователя

Часть 9. Почему это важно

Потому что это отвечает на главный вопрос:

“где здесь продукт?”

Ответ:

  • не в модели
  • не в API
  • не в генерации

А в:

системе, которая создаёт ценность

Часть 10. Для технарей

Основные ошибки:

  • переоценка модели
  • недооценка архитектуры
  • отсутствие контроля состояния

Что работает:

  • stateful системы
  • явная модель знаний
  • контроль reasoning
  • наблюдаемость

Часть 11. Для бизнеса

Основные ошибки:

  • “давайте внедрим AI”
  • без изменения процесса

Что работает:

  • пересборка workflow
  • чёткая метрика ценности
  • ограничение стоимости (compute)
  • понимание unit-экономики

Часть 12. Главная мысль

Если упростить до одной строки:

AI не даёт конкурентного преимущества сам по себе

Преимущество даёт:

  • как вы его используете
  • где вы его встроили
  • какую систему вокруг построили

Итог

Рынок действительно стал сложнее:

  • технологии централизуются
  • расходы растут
  • конкуренция усиливается

Но проблема не в этом.

Проблема в том, что:

большинство пытается выиграть за счёт технологии вместо того, чтобы выиграть за счёт продукта

И в этом смысле ситуация сейчас честная:

  • AI доступен всем
  • инструменты доступны всем

А значит:

выигрывает не тот, у кого есть AI а тот, кто понимает, зачем он ему нужен