Продуктовый подход к AI: как ВкусВилл отбирает гипотезы, которые окупаются

Большинство AI-проектов не доходят до масштабирования. Во ВкусВилле это не считают проблемой: команда «Открытых инноваций» изначально строит процесс так, чтобы быстро отбраковывать слабые идеи и вкладываться только в те, что подтверждаются цифрами.

За несколько лет команда выработала подход, в котором гипотезы сначала проверяют с минимальными затратами, а решение о развитии принимают только после пилота. В статье разбираемся, как этот подход работает на примере ИИ-помощника покупателя, который технически работал хорошо, но не стал продуктом.

Бизнес массово не получает отдачи от AI. Отчет MIT «The GenAI Divide: State of AI in Business 2025» зафиксировал: 95% пилотов не дают измеримого эффекта на прибыль. По данным S&P Global Market Intelligence, доля компаний, свернувших большинство AI-инициатив, выросла за год с 17% до 42%. В среднем организация закрывает 46% пилотов до выхода в продакшн.

Причина, по выводам MIT, в процессе внедрения и организационной зрелости; сами модели почти ни при чем. Внедрения через внешних подрядчиков и партнерства окупаются примерно в 67% случаев, втрое чаще внутренней разработки.

Именно поэтому во ВкусВилле стараются вкладываться не в технологии, а в проверку гипотез.

Любой проект команды «Открытых инноваций» ВкусВилла начинается с проблемы. Иногда боль приносит бизнес, иногда команда сама находит узкие горлышки в процессах. Цель всегда — или увеличить выручку, или сократить расходы.

Дальше команда ищет решение, смотрит, как ту же задачу закрывают конкуренты, смежные отрасли и зарубежные коллеги. Технологическую экспертизу находят на внешнем рынке: сотрудничают с разными подрядчиками — от студенческих команд до больших корпораций. Технология здесь вторична: если боль закрывается без нее, ее закрывают без нее.

Подход команды нагляднее всего виден на гипотезе, которая не подтвердилась. Команда полтора года вынашивала сильную идею, проверила ее малыми силами и в итоге свернула инициативу без затрат на полноценную разработку.

Проблема. В каталоге ВкусВилла легко потеряться: ассортимент огромный, и по логам сайта пользователь проводил в нем в среднем 26 минут — почти полчаса на один выбор. Ориентир команда взяла в зарубежном ритейле: у Walmart в приложение встроен AI-помощник, который ведет покупателя разговором и подбирает товары под запрос. В июне 2025 года Walmart представил его под именем Sparky и сообщил, что им пользуется около половины аудитории приложения.

Гипотеза. Заменить классический поиск AI-помощником, который подбирает продукт под любой запрос покупателя. В этом случае должен вырасти средний чек корзины.

Проверка. Гипотезу проверяли поэтапно и минимальным ресурсом:

• Провели дискавери до разработки. Подняли прошлые исследования о том, как покупатели выбирают товары, изучили логи приложения, собрали фокус-группу из полусотни теплых контактов
• Нашли внешнюю команду, которая запромптила ChatGPT и настроила интерфейс сервиса в бренде ВВ. Полноценная разработка «внутри» стоила бы в несколько раз дороже.
• Прогнали 500 типовых запросов, оценили ответы сервиса людьми и другими моделями и получили релевантность 89%
• Не получили возможности развернуть сервис сразу в приложении и проверили гипотезу там, где это было дешевле всего — в офлайн-магазинах. Разместили QR-баннеры и NFC-стикеры в 30 магазинах, где покупатель принимает решение у полки.

Оффлайн дал и наглядную метрику: подбор через помощника занимал около 3 минут против 26 в каталоге, то есть в десять раз быстрее.

Итоги. За три месяца оффлайн-тест дал однозначный ответ:

• Собрал около 370 запусков.
• Показал почти нулевой ретеншн.
• Выявил баннерную слепоту: часть покупателей не замечала рекламных материалов.

Вывод. Тест остановил разорванный путь пользователя: человек подбирал корзину в сервисе, убирал телефон и шел искать физические товары на полке. Возвращаться к сервису в онлайне было незачем. Проверка обошлась малыми силами и дала ясный ответ: сервис для офлайна должен быть другим, и нужно пересобирать пользовательский сценарий. Ради этого и нужна ранняя дешевая проверка.

Каждый продакт ведет свой мини-стек и запускает гипотезы самостоятельно. Ресурс ограничен, поэтому гипотеза оценивается по нескольким фильтрам:

В команде также есть рабочий принцип: на брейнштормах сразу ищут аргументы, почему идея сработает, а не умрет на старте. Это удерживает команду от токсичного скепсиса и открывает углы, которые иначе не увидеть.

Прежде чем раскатывать AI-решение на всю сеть, команда проверяет гипотезу на пилоте на ограниченном контуре. Это может быть несколько десятков магазинов или какой-нибудь внутренний отдел, тестовый контур зависит от проекта. Решение о полном внедрении принимают по цифрам пилота, поэтому он должен давать результат, которому можно доверять и который повторится на масштабе.

Главное правило — зафиксировать гипотезу и метрики до старта, не подгоняя их по ходу. Берут одну–три ключевые метрики плюс защитные: если следить за десятком показателей, хотя бы один прокрасится случайно, и пилот ничего не докажет.

Полный список требований к пилоту команда свела в чек-лист:

Решение закрыть гипотезу лучше принимать как можно раньше. Чем дольше живет проект, тем сильнее к нему привязываешься: вложено время и силы, бросить психологически тяжело. Ранний отказ от проекта экономит ресурсы.

Защита от привязанности — внешний человек с холодной головой. Например, аналитик. В среднем ему безразлично, насколько идея гениальна, он смотрит только на цифры до пилота и после него.

К этому подходу команда пришла не сразу: раньше продакты считали аналитику сами, без навыка работать со статистической значимостью. Когда продакт сам считает результат своего теста, тогда легче всего себя обмануть. Поэтому валидацию передали отдельной команде аналитиков, не заинтересованному в исходе.

Технологию выбирают, исходя от окупаемости, а точность модели и новизна фичи идут следом. Сначала эффект проверяют вручную на ограниченном контуре, например на 30 точках, и считают, сколько проект экономит или зарабатывает. Только потом под этот эффект подбирают технологию.

Дорогая модель с ручной разметкой откладывает экономию на месяцы, пока размечают данные и обучают. Дешевая VLM стартует быстро, но с меньшей точностью. Вопрос сводится к одному: какой точности достаточно, чтобы эффект с теста перекрыл затраты на модель. Конкретные модели подбирают внешние разработчики, команда задает рамку: уложиться в бюджет, дать нужную точность, остаться масштабируемым.

Команда «Открытых инноваций» ВкусВилла выстроила процесс так, что не полетевшая гипотеза остается для компании дешевым и быстрым выводом, а не долго тянущимся проектом с бесконечными инвестициями. История с AI-помощником это и показывает — сильную идею проверили малыми затратами и закрыли по цифрам, без расходов на полноценную разработку.

Если у вас есть идея для пилота во ВкусВилл, готовый продукт или вы обладаете техническими навыками, например, умеете обучать модели компьютерного зрения или вайбкодить — заполните форму на сайте команды Открытых Инноваций: https://innovation.vkusvill.ru.