MVP за 2 недели

Чему вы научитесь

• Понимать архитектуру MVP для AI-пилота (без написания кода)
• Знать паттерн RAG и объяснить его руководству
• Составить ТЗ для подрядчика на одну страницу
• Использовать кейс BBVA как аргумент для запуска без программистов

Что показать руководству на спринте 1

Цель MVP — не идеальная система, а доказательство:

1. AI технически может обработать ваш процесс
2. Качество достаточное для дальнейшей работы (>75% точности)
3. Стоимость укладывается в бюджет

Архитектура: RAG-паттерн

Большинство бизнес-кейсов AI используют паттерн RAG (Retrieval-Augmented Generation):

flowchart TD
  A["Входящий запрос<br/>(email, тикет, документ)"] --> B["Поиск по базе знаний<br/>(embeddings + similarity)"]
  B --> C["Релевантный контекст<br/>(top-3 документа)"]
  C --> D["LLM обработка<br/>(GigaChat / GPT / Claude)"]
  D --> E["Ответ + ссылки<br/>на источники"]
  E --> F["Проверка человеком<br/>(human-in-the-loop)"]

Почему RAG, а не просто LLM

Для первого пилота — RAG. Fine-tuning рассмотрите на спринте 3+.

Что заказать у подрядчика: ТЗ на одну страницу

ТЕХНИЧЕСКОЕ ЗАДАНИЕ: AI-пилот [название процесса]

1. ПРОЦЕСС
   Что автоматизируем: [описание в 2–3 предложениях]
   Объём: [N] операций/мес, [M] мин на операцию
   Текущая точность (человек): [X]%

2. ТРЕБОВАНИЯ К MVP (спринт 1, 2 недели)
   - Обработка [50] операций без ошибок
   - Точность >75%
   - Время ответа <5 сек
   - Интеграция с [название системы]
   - Логирование всех результатов

3. ДАННЫЕ
   - [N] исторических примеров предоставим
   - База знаний: [формат, объём]
   - Доступ к API: предоставим к дню 1

4. ТЕХНОЛОГИЯ
   - LLM: GigaChat / OpenAI (выбрать по результатам теста)
   - Паттерн: RAG
   - Язык: Python, FastAPI
   - Хостинг: наш сервер / облако

5. СДАЧА
   - Демо каждую пятницу
   - Код + документация + обучение
   - Поддержка 1 месяц после сдачи

6. БЮДЖЕТ И СРОКИ
   - MVP: 2 недели, 100–150K ₽
   - Полная система: 8 недель, 200–400K ₽
   - Оплата: 30% / 40% / 30% по этапам

Кейс BBVA: 2 900 GPT силами сотрудников

По данным OpenAI и WSJ (2024), испанский банк BBVA развернул 2 900 внутренних GPT-ассистентов за 5 месяцев — силами самих сотрудников, без разработки кода.

Как это работает:

1. Платформа: ChatGPT Enterprise с Custom GPTs
2. Создатели: сотрудники банка (аналитики, юристы, менеджеры)
3. Шаблон: загрузить документы + написать инструкцию на естественном языке
4. Контроль: IT-отдел отвечает за compliance и безопасность данных

Что это значит для вас

Не обязательно начинать с разработки. Путь BBVA:

flowchart LR
  A["Этап 1<br/>ChatGPT Enterprise<br/>или GigaChat API<br/>0 кода"] --> B["Этап 2<br/>Custom GPT / RAG<br/>минимум кода"]
  B --> C["Этап 3<br/>Полная интеграция<br/>разработка"]

Неделя 1: что делает команда

Неделя 2: тестирование и итерация

• Расширение до 500 примеров
• Оптимизация промптов по результатам ошибок
• Интеграция с системой проверки (human-in-the-loop)
• Подготовка метрик для спринта 2

Ключевые выводы

• MVP — не продукт, а доказательство концепции на 50 операциях
• RAG-паттерн (документы → embeddings → LLM → ответ) — стандарт для бизнес-кейсов
• ТЗ на одну страницу достаточно для подрядчика на первый спринт
• Кейс BBVA: 2 900 GPT силами сотрудников — начните с готовых платформ, если процесс позволяет
• Первые 2 недели = выбор LLM + RAG + 50 операций + демо руководству