Чем дольше я смотрю на попытки заработать на ИИ, тем чаще замечаю один и тот же перекос. Люди начинают с моделей, агентов, цепочек автоматизации и новых инструментов, а о главном вопросе вспоминают в последнюю очередь: кто и за что здесь вообще будет платить?
Я сопоставил это наблюдение с исследованиями и реальной практикой. Вывод везде один: ИИ действительно способен заметно ускорить работу. Но спрос на результат технология за вас не сформирует — искать реальную боль клиентов всё равно приходится вручную.
Технология легко создает иллюзию готового бизнеса
Сначала всё выглядит логично: разбираешься в новых моделях, агентах, протоколе MCP, автоматизации процессов и генерации кода. Каждый новый инструмент даёт ощущение, будто ты уже на шаг впереди рынка.
И это ощущение не обманчиво: инструменты действительно работают. В исследовании NBER (Национального бюро экономических исследований США), охватившем 5 179 сотрудников службы поддержки, доступ к генеративному ассистенту увеличил производительность в среднем на 14% (её измеряли числом решённых обращений в час). Скорость растёт.
Ловушка возникает на следующем шаге: если ИИ помогает решать задачи быстрее и в больших объёмах, кажется, что осталось лишь придумать, какой именно продукт запустить.
Отсюда мгновенно вырастает популярная идея «компании одного человека»: один специалист пишет код, собирает дизайн, настраивает поддержку, генерирует контент и связывает операции. Такая структура вполне жизнеспособна, но это операционная модель, а не бизнес.
ИИ отвечает на вопрос «как сделать быстрее». Он не отвечает на вопрос «кому это нужно».
Можно за вечер собрать сервис, на создание которого пять лет назад ушли бы месяцы работы целой команды. Но если за него никто не готов платить, высокая скорость разработки лишь помогает быстрее в этом убедиться.
Начинать стоит с другого конца
Акселератор Y Combinator годами повторяет базовое правило: сначала поговорить с пользователями, нащупать реальную проблему, сделать то, что людям действительно нужно, и только потом думать о масштабировании. Появление генеративного ИИ эту логику не отменило. Напротив, оно сделало цену ошибки нагляднее: штамповать ненужные продукты стало намного проще.
Есть и совершенно другая траектория, о которой в разговорах о заработке часто забывают. Специалист глубоко знает свою отрасль, видит конкретную дорогую или медленную операцию и встраивает ИИ в существующий рабочий процесс. Ему не нужно становиться блогером, собирать аудиторию вокруг нейросетей или продавать курс о том, как продавать курсы.
Именно поэтому мне всё меньше нравится сама формулировка «заработок на ИИ». Она незаметно подменяет цель инструментом и ставит технологию не на то место в цепочке.
Гораздо надежнее идти от обратного: найти проблему, за решение которой клиенты уже отдают деньги. Понять, где процесс буксует и можно ли сделать его быстрее, точнее или дешевле. И только после этого открывать каталог моделей, агентов и сценариев автоматизации.
Перед следующим проектом с ИИ я бы сначала ответил себе на один вопрос: кто заплатит за результат, если из его описания убрать слово «ИИ»?
Если ответа нет, новая модель его вряд ли придумает.
Ссылки
Ссылки
- Статья: Generative AI at Work — NBER — исследование о влиянии ИИ-помощника на работу сотрудников службы поддержки.
- Статья: YC’s Essential Startup Advice — Y Combinator — рекомендации о запуске продукта, общении с пользователями и поиске реального спроса.