Осенью 2024 года меня спросили, сколько у моего проекта пользователей. Я показал знак «окей». Проект назывался Petcher — HR-платформа, которую я начал в шестнадцать. Полгода разработки, еле живой лендинг на выходе, ноль пользователей. Самое обидное: проверку я проводил. Опросил сотню человек в своём колледже — просто не тех людей и не о том. Получил уверенность вместо знания. Плохой была не идея. Плохой была проверка. С тех пор я строю ISweesh — платформу, которая отвечает на вопрос «а купят ли это вообще?» до того, как вы потратили полгода. Как это работает Вы описываете идею обычными словами. Платформа опрашивает сотни ИИ-респондентов — моделей, которые отвечают как живые люди вашего сегмента, со своим доходом, привычками и логикой выбора. Через несколько часов возвращается отчёт. Важное отличие, которое обычно смазывают: это не чат-бот с усреднённым мнением интернета. Это сотни разных профилей, каждый со своей биографией, и отвечают они по-разному — примерно так же, как разошлись бы ответы живой выборки. Что в отчёте Есть ли спрос на идею и насколько он уверенный. Кто именно готов платить и сколько. Что оттолкнёт людей и на каком шаге они отвалятся. И живые формулировки возражений — их можно сразу забирать в текст на сайт и в скрипты продаж. Всё это до бюджета на разработку. Где это уже работает Метод не выдуман мной. В Стэнфорде провели двухчасовые интервью с 1052 людьми, загрузили расшифровки в языковую модель и получили агентов, воспроизводящих ответы своих живых прототипов с точностью около 85% — правда, нормированной на то, насколько человек воспроизводит сам себя через две недели. NielsenIQ запустила инструмент оценки продуктовых идей на ИИ-респондентах — он уже работает в пяти странах. Evidenza строит похожее с прицелом на B2B. Simile, выросшая из той самой стэнфордской работы, привлекла 200 миллионов долларов и валидирует метод вместе с Gallup. Где метод ломается Скажу сам, пока не спросили. Модель слепа к принципиально новому — ей не на чем учиться, если такого в человеческом опыте ещё не было. Смещения обучающих данных никуда не делись, и хуже всего модели работают на недопредставленных группах. И главное: синтетик отвечает связно и логично, а живой человек путается и объясняет свой выбор задним числом — стройность ответа создаёт ощущение достоверности, которого он не заслужил. Отсюда правило, с которым я согласен: это инструмент разведки и дешёвого фильтра, а не замена финальному решению. Плохие идеи отсеивать за вечер, с выжившими — идти к людям. Честно про стадию Мы на MVP: есть лендинг, есть демо, движок в разработке. На тестовом наборе система пока угадывает исход примерно в половине случаев — и до тех пор, пока я не опубликую распределение классов и baseline, эту цифру честнее считать заметкой на полях, а не результатом. Поэтому я веду публичный дневник: архитектура, эксперименты, метрики, включая те, которые мне не понравятся. Если метод окажется пузырём — это будет видно первым делом там. Посмотреть демо: isweesh.ru Следить за новостями ISweesh: https://t.me/isweesh_channel Буду рад мнению — особенно если оно скептическое. На этой стадии оно полезнее похвалы.