6% похибки можуть вбити AI-стартап на early-stage, але це найменша з проблем. Погляд інженера з Кремнієвої долини
Режим читання збільшує текст, прибирає всю зайву інформацію зі сторінки і дозволяє зосередитися на матеріалі. Тут ви можете вимкнути його в будь-який момент.
Лише Amazon, Google, Meta і Microsoft торік вклали в AI-capex $400 млрд — учетверо більше, ніж заробили на ньому, а цьогорічна мета — вже $700 млрд. Щоб індустрія вийшла в плюс, потрібно щороку заробляти на $2 трлн більше. Без прориву рівня AGI закрити це нічим. Першими цей тиск відчують AI-стартапи без власної інженерії.
У колонці для Vector Іван Добровольський, Staff Software Engineer у Walmart Global Tech, розповідає:
- чому 6% похибки коштують десятки тисяч доларів і позови;
- чому зібрати AI-прототип — це найлегші 5% шляху до продукту;
- на чому палять гроші early-stage і коли дешевше сісти на готовий софт.
Розбудова AI у Walmart — антикейс для стартапів
У Walmart кожна ініціатива починається з продуктової гіпотези. Продакт приходить із розумінням, що хоче отримати, а інженерія відповідає, що з цього реально зробити. Два світи перетинаються приблизно на 60% — навколо цього і будують архітектуру. Над одним проєктом 30 людей можуть працювати пів року до релізу.
Далі починається те, що стартап собі дозволити не може. Кілька інженерів збирають конкурентні прототипи зі своїм підходом і архітектурою. З трьох виживає один. У Долині внутрішня конкуренція — норма; в Європі та Україні, з мого досвіду, її значно менше.
Прототип переходить на архітектурне рев’ю: захист перед принципалами і VP of Engineering. На стіл кладуть діаграми, блок-схеми, опис API-контрактів, план розгортання, оркестрацію агентів тощо. Потім автоматичні сканери шукають вразливості в безпеці. У Walmart це найповільніший етап, хоча у Google буває довше — Chrome Site Isolation (одна зміна в архітектурі браузера) йшла до релізу шість років.
Далі — ітерації та A/B-тести: користувачам з Аризони показують один інтерфейс, з Каліфорнії — інший, і порівнюють конверсію. Від альфи до реліз-кандидата може бути до десяти версій. Один проєкт тестувався п’ять місяців і лише тоді отримав перший позитивний відгук.
Усе це стоїть на Element AI — централізованій ML-платформі Walmart. Це єдиний інтерфейс доступу до всіх моделей: можна тренувати свої, використовувати зовнішні, будувати прототипи, готувати їх до продакшену. Є окрема секція під генеративний AI, окрема — під машинне навчання. У Google це називають «садок» — місце, де живуть усі ML-фічі, глибоко інтегровані в інфраструктуру. Відтворити таку систему з нуля неможливо: документація, приклади, інструкції, зібрані дані — усе напрацьовувалося роками.
Погляд стартапу очевидний: «У вас мільйони користувачів, тому вам потрібна така платформа. У нас 100 — нам не потрібно». Частково це правда: складність зростає нелінійно з масштабом — те, що працює на сотню клієнтів, зламається на тисячах. Тому стартапу не потрібно будувати свій Element AI. Але потрібно розуміти, що ця прірва існує, і не обіцяти інвесторам корпоративний рівень на бюджеті прототипу.
Або хрестик надягніть, або AI з назви приберіть
Торік найбільші гіперскейлери (Amazon, Google, Meta, Microsoft) вклали в інфраструктуру ~$400 млрд — вчетверо більше, ніж заробили. У 2026 році темп зріс ще на 60%, а план на рік — до 700 млрд. Щоб покрити capex, індустрії щороку треба додаткові $2+ трлн ревеню. Навіть за кращих прогнозів Bain & Company дефіцит становитиме $800 млрд на рік. Без революції рівня AGI, до якої ще далеко, це неможливо.
Першими прогорять ті, хто на гайпі намагався хоч якось всунути в себе штучний інтелект. Переважно беруть щось робоче, додають API до великої моделі, називають «AI-продуктом» — і викачують гроші з фондів.
Не кожен продукт із LLM-агентом є AI-стартапом. Більшість на міжнародних конференціях зараз представляється як AI-first. Починаєш розпитувати: звичайний сканер аналізує дані, а модель сумаризує результат. Те саме можна зробити безплатно, закинувши PDF у ChatGPT.
Такі AI-washing-стартапи на довгій дистанції прогорають, навіть єдинороги. Builder.ai (на піку $1,5 млрд) збанкрутував через два роки після останнього раунду. Серед акціонерів Microsoft і Суверенний фонд Катару. Замість обіцяного low-code/no-code AI, який за кілька промптів збирає застосунки і сайти, вручну кодили 700 офшорних розробників. Із прогнозованих $220 млн справжнє ревеню становило $55 млн. Коли кредитори списали залишки коштів, у травні 2025 року закрився.
Фейки на кшталт Builder.ai очевидні (WSJ писав про них ще 6 років тому), проте небезпечнішими є реальні AI-продукти, чиї дефекти «вистрілять» пізніше, коли на них вже буде зав’язаний бізнес-критичний процес.
Красива демка генерується за вечір. А що під капотом?
У минулому я мав сайд-проєкт із фаундером, який самостійно згенерував прототип: логін, дашборд, кнопки на місцях. Продукт автоматично обробляв заявки на повернення товарів і вирішував, чи схвалити чи скасувати запит клієнта.
Фаундер бачив умовні 94% точності. Я дивився на 6% помилок, які визначають, чи виживе продукт у продакшені. Здається, зі 100% для early-stage це взагалі не проблема. Тепер порахуємо:
- З 1 000 заявок 60 отримують хибне рішення — легітимне повернення скасовано.
- Клієнт замовляв на $150 — система каже «ні».
- 60 людей помножити на чарджбеки, втрачену лояльність і повторні звернення в сапорт — бізнес втрачає не лише $9 000, а й репутацію на рівному місці.
Якщо це стосується спам-фільтра — лист потрапив у «Вхідні» замість «Спаму» — переживеш. Але коли AI аналізує медичний знімок і помиляється на ті ж відсотки — хтось не дізнається про рак вчасно. У Big Tech AI не аналізує лікарняні рецепти: ризик, що модель сплутає 30 мг з 60 мг, неприйнятний.
Чим раніше фаундер це почує від інженера, а не від клієнтів, тим дешевше коштуватиме урок.
Кібербезпека — чек від хакерів
Окрема тема — кіберзахист, який у багатьох стартапах відсутній як явище. З Джей-Сі Каррутерсом, президентом кібербезпекової компанії Snowfensive, ми ходили на світову security-конференцію, щоб зрозуміти, як стартапи використовують AI для захисту.
За його словами, більшість компаній дізнається про злам, коли хакер уже в системі витягує дані. «Часто перший сигнал приходить не зсередини компанії, а ззовні — від клієнта, вендора або правоохоронців», — каже він. До моменту, коли шифрувальник блокує системи або вилітають акаунти, уже треба ліквідовувати наслідки.
Базовий захист обходиться дешевше, ніж думають: MFA, захист ендпоінтів, логування, менеджмент вразливостей — для більшості компаній це кілька (максимум кілька десятків) тисяч доларів на рік: «Проблема не у грошах, а в пріоритетах», — каже Джей-Сі. Стартапи інвестують реактивно — коли клієнт вимагає, інвестор запитує або час займатися наслідками, бо безпека не відчувається терміновою, поки щось не змушує. Плюс переконання: «Ми занадто маленькі, щоб нас атакували».
Хмарні провайдери з «інструментами захисту від Amazon» дають відчуття безпеки, але дірки живуть усередині продукту, особливо коли код пише AI. Без ручної перевірки навіть Anthropic може злити приватні дані: 31 березня 2026 року компанія випадково злила вихідний код Claude Code — і за добу він розійшовся у 84 000 копій на GitHub. Хтось просто не додав один рядок у файл винятків.
Не всім потрібна LLM
- Поширений міф: AI «все розуміє».
Код детерміністичний: true/false або конкретне число. Нейронка працює інакше — серед десятків тисяч можливих наступних слів (токенів) вона прогнозує найімовірніше, а не обчислює правильну відповідь.
Наприклад: «Компанія залучила…» → найімовірніше продовження — «інвестиції» або «$2 млн».
Ймовірність «космос» чи «гітара» — майже нульова.
Інколи найімовірніший варіант — правильний. Інколи він лише звучить правильно — це і є галюцинація.
- Другий misconception: згодовувати AI нову інформацію, щоб став розумнішим.
Моделі зафіксовані в часі. Одинаковий input дає ідентичний output. Коли ви щось пишете в чаті, навіть у датасеті, модель не стає кращою. Щоб навчити її, треба перетренувати зі свіжими даними і випустити нову версію.
Просте «хочу, щоб AI відповідав нашій документації» на практиці з’їдає х2, бо потрібна RAG-система з pipeline, індексацією, оновленням бази.
Спочатку розберіться, що підійде найкраще:
- LLM (GPT, Claude, Gemini), які генерують контент, код, текст.
- SML (small language models), які класифікують: спам-фільтри, модерація.
Найнебезпечніша пастка: повірити, що лише кастомний AI впорається. На розробку і тренування підуть окремий бюджет і команда девелоперів. Наприклад, у Каліфорнії один ML-інженер може коштувати під $1,5 млн на рік, а консультація — десь $15 000. Кастом без чітких цілей стане дуже дорогим способом з’ясувати, що він не потрібен.
На етапі прототипу потрібна не найрозумніша модель, а найдешевша, яка справляється. Багато AI-стартапів (IDE, платформи модерації, аналізу) працюють на SML, бо немає сенсу переплачувати за токени GPT-135 чи Cloud Nimbus3000, коли достатньо SLM на 7 млрд параметрів з fine-tuning під конкретний кейс. Або open-source, як-от Llama, заточить під себе коштує копійки порівняно з API LLM.
Те саме з інфраструктурою. Enterprise-підписка на AWS згорить ще до першого клієнта, в той же час Google Cloud дає стартапам $300 кредитів, а Azure ще більше. Навіть Render чи Cloudflare мають безплатні тіри. Масштабуванням треба займатися поступово, а не авансом.
Головна перевага стартапів — це швидкість. Коли Anthropic стандартизував MCP, а Google A2A, стартапи інтегрували їх за пару тижнів, тоді як у Walmart це зайняло місяці. У великих компаніях навіть нові AI-агенти мусять працювати з кодовою базою, яку тягнуть 10 років. Стартап не прив’язаний до старого коду. Хоча ризик буде завжди, платформа, на якій будуєш, може з’їсти твій продукт. Наприклад, Figma випустила Figma Make і відібрала ринок у стартапів, які конвертували дизайни в код. Те, що у стартапі було продуктом, у Figma стало однією з десятків фіч.
Витрачати швидкість на інфраструктуру замість пошуку product-market fit — дорога помилка. ChatGPT і безсонні ночі для швидшого MVP — найлегші 5% шляху. А за кожним AI-стартапом без інженерної бази вже стоїть черга нових, які допрацьовують свої 95%.
Більше про це
Автономність за $500: як AI змінює unit economics української оборонки
Будь-яку статтю можна зберегти в закладки на сайті, щоб прочитати її пізніше.
Партнерські матеріали
