Брифінг по AI: коли AI справді допоможе, а коли

Це для людей, які чують “давайте додамо AI” від команди, інвесторів або партнерів, і відчувають незручність: ніби треба погоджуватись, бо інакше нас вважатимуть відсталими.

Чому це болить

“Додаймо AI” — це, можливо, найдорожча фраза 2026 року в IT-проектах. За нею завжди стоїть один із трьох мотивів:

Команда хоче спробувати щось нове — і це нормальне бажання, але ми за нього платимо.
Інвестор або партнер хоче бачити “AI” в pitch deck — модне слово, яке відкриває розмови. Чи відкриває для нас — питання.
Хтось дійсно бачить, як AI вирішить нашу конкретну проблему — це третій випадок, який зустрічається рідше за два перших.

Проблема в тому, що зовні всі три ситуації виглядають однаково: “давайте додамо AI”. Як їх розрізнити?

Я працюю в AI-проектах щодня — від production AI-систем до використання AI у власному робочому потоці. І за 8 років роботи у бізнес-аналізі, з останніми 3 в AI-orientованих проектах, я бачив достатньо ситуацій “додамо AI”, щоб зробити простий фільтр з 3 запитань. Зараз поділюся.

3 запитання-фільтри: чи дійсно нам треба AI

Перед будь-яким рішенням “додаємо AI” — ставимо ці три запитання. Якщо хоча б на одне відповідь “ні” або “не знаю” — або переосмислюємо рішення, або робимо маленький експеримент, а не повноцінну інтеграцію.

Фільтр 1: чи допоможе AI бажаному результату?

Не “чи це модно”, не “чи це ‘тренд’”, а: який конкретний бізнес-результат покращиться, якщо AI-фіча запрацює добре?

Поганий аргумент:

“Наш чат-бот буде розумнішим — користувачам сподобається.”

Хороший аргумент:

“Зараз наша служба підтримки відповідає на 200 запитань на день. 70% запитань — повторювані (як поповнити рахунок, як знайти квитанцію). Якщо AI-помічник зможе відповідати на ці 70% — звільнимо 4 з 6 операторів, економія $X на місяць.”

Різниця між цими формулюваннями — це різниця між “цікаво спробувати” і “робимо, бо знаємо, що це поверне $X на $Y вкладень”.

Без бізнес-метрики, на яку ми орієнтуємось, AI-фіча перетвориться на нескінченний проект “вдосконалення”. Бо ніколи не буде “достатньо розумно”.

Фільтр 2: чи є у нас дані?

AI-моделі не вгадують — вони витягують закономірності з даних, які бачили. Якщо у нас немає даних для конкретної задачі — AI не запрацює, скільки б грошей ми не вклали.

Простий тест: чи зможемо ми за тиждень зібрати 200-500 прикладів того, як виглядає правильна відповідь?

“Класифікація вхідних звернень по 5 категоріях” — ймовірно, у нас уже є місяці історії з ручною класифікацією. AI можна навчити.
“Прогнозування, який клієнт відмовиться від послуги через 3 місяці” — потрібна історія минулих відмов з контекстом. Якщо ми ведемо CRM 2+ роки — є шанс. Якщо стартанули 4 місяці тому — ні.
“AI-помічник, який пише унікальні відповіді клієнтам у нашому tone of voice” — модель загальна, дані обмежені. Тут реалістично — використовувати готову модель (Claude, GPT) із промптом, а не “тренувати свою”.

Якщо в розмові немає чіткого “ось наші дані” — AI-фіча буде дорогим експериментом.

Фільтр 3: чи готові ми терпіти помилки?

AI помиляється. Завжди. Питання тільки в тому, як часто і наскільки боляче ця помилка коштує.

Уявимо два сценарії:

Сценарій A: AI підказує користувачу, який рецепт спробувати на вечерю. Помилка — користувач не оцінив підказку. Біль — мінімальний.

Сценарій B: AI приймає рішення, чи видати кредит клієнту. Помилка — або не видали тому, кому треба, або видали тому, хто не поверне. Біль — конкретні гроші або репутаційні наслідки.

У сценарії A ми спокійно ставимо AI у виробництво з 70-80% точністю — і покращуємо з часом. У сценарії B 70-80% точності неприйнятно. Тут потрібно або 95%+, або AI як помічник людині (показує рекомендацію, людина приймає рішення), або взагалі ще зачекати з AI.

Перед тим як казати “так”, чесно собі відповідаємо: скільки коштує одна помилка? Якщо ціна — задоволення користувача, можна сміливо. Якщо ціна — гроші, репутація, життя — або підвищуємо планку точності, або робимо AI-помічника, не AI-вирішувача.

Брифінг AI-фічі: 5 пунктів

Якщо ми пройшли три фільтри і хочемо рухатись далі — перед тим як підписувати договір на AI-фічу, варто запитати у виконавця документ на 2-3 сторінки з п’ятьма розділами. Це і є брифінг AI-фічі.

1. Задача в одне речення

“AI-помічник класифікує вхідні запити в нашу службу підтримки за 5 категоріями з точністю не менше 85%.”

Не “AI зробить нашу підтримку розумнішою”, а конкретна задача, яку можна перевірити з годинником у руці.

2. Метрика успіху і базова лінія

Скільки відсотків точності зараз має ручний процес? Що ми вважатимемо “запрацювало”? Що ми вважатимемо “не вийшло — закриваємо”?

Якщо в брифінгу немає цих чисел — AI-фіча перетвориться на нескінченний проект “трішки покращити”.

3. Дані для навчання і тестування

Звідки беремо дані? Скільки прикладів є зараз? Як забезпечуємо якість даних? Чи маємо право їх використовувати (особливо персональні)?

Це часто найслабша секція в AI-пропозиціях. Команди люблять говорити про модель і алгоритми — і недооцінюють, скільки роботи треба вкласти в дані.

4. План на випадок, коли AI помилився

Що бачить користувач, коли AI видав щось дурне? Як він може повідомити про помилку? Чи є людина, яка перевіряє складні випадки? Хто і за яким графіком оновлює модель?

Без цього плану AI-фіча запрацює в перші 2 тижні, потім почне погіршуватись, і через місяць ми будемо думати, як її вимкнути без втрати лиця.

5. Юридичні питання

Чи обробляємо ми персональні дані? Чи відповідаємо вимогам GDPR / КЗПД? Якщо AI приймає рішення про користувача (кредит, доступ до послуг) — чи маємо ми право робити це автоматично, чи треба згода людини на кожне рішення?

Це питання, на яке відповідає юрист, а не команда розробників. Чесний виконавець скаже: “це питання до вашого юриста, ось перелік речей, які варто з ним обговорити”. Нечесний — “та все буде нормально, не переймайтесь”.

Червоні прапори: коли AI краще не додавати

Три ситуації, у яких AI — це майже завжди помилка:

Прапор 1: дані сирі або їх немає

Якщо нам пропонують AI-фічу, а на питання “які дані будемо використовувати?” немає чіткої відповіді — це AI-маркетинг, не AI-продукт. Без даних не буде моделі, скільки б ми не платили.

Прапор 2: помилки коштують життя або великих грошей

Медицина, безпека на транспорті (особисто я працював у безпеково-критичній сфері кілька років, тому до цих кейсів ставлюсь особливо обережно), правосуддя, фінанси з великими сумами. У цих галузях AI не виключений — але формат завжди такий: AI-помічник людині, не AI-вирішувач. І це треба чітко прописати в брифінгу.

Прапор 3: ROI не рахується

Якщо на запитання “як ми будемо знати, що AI-фіча окупилась” відповідь “ну, юзерам сподобається” — це не бізнес-задача. AI коштує. Розробка, інфраструктура (хмарні обчислення для моделей дорогі), підтримка, постійне переобучення моделі. Без чіткого розуміння, як це повернеться, ми відкриваємо нескінченну статтю видатків.

Дешева альтернатива: prompt-based прототип за тиждень

Тут — найкорисніша порада, яку я можу дати. Перед тим, як замовляти повноцінну AI-фічу за $30-50K, варто витратити 1 тиждень і $1-2K на prompt-based прототип.

Ідея проста: береться готова модель (Claude, GPT-4, аналоги), пишеться розумний промпт, який обгортає її в нашу задачу, і запускається на 50-100 реальних прикладах. За тиждень ми отримуємо:

Реалістичну оцінку, як AI справляється з нашою конкретною задачею.
Перші помилки і їх категорії.
Чисту відповідь на запитання: “це варто масштабувати чи ні”.

У одному з ілюстративних проектів, які я бачив, замовник хотів AI-фічу за $40K. Перед стартом ми зробили prompt-based прототип за тиждень за $1,5K. Результат: AI впорався з 60% задач, але у 40% помилявся в спосіб, який був неприйнятний (вигадував числа, яких немає в даних). Замовник передумав робити AI-фічу повноцінно, зекономив 38,5K, замінив план на просту автоматизацію без AI, яка коштувала $8K і дала 80% потрібної цінності.

Це не означає, що AI поганий. Це означає, що до повноцінної AI-фічі треба підходити через маленький дешевий експеримент, а не через одразу великий контракт.

Часті помилки на цьому етапі

Замовляємо AI-фічу, бо її замовляють конкуренти. Конкуренти можуть помилятись. У одному з проектів я бачив, як замовник “теж додав AI”, бо це зробив конкурент. Через рік виявилось, що в конкурента AI теж не запрацював — він просто маркетингом створював враження, що запрацював.
Не запитуємо про дані до підписання договору. Потім виявляється, що даних або немає, або вони не такі, як треба, і ми оплачуємо команду, яка три місяці їх “збирає” замість того, щоб робити продукт.
Очікуємо магію 100% точності. AI помиляється. Завжди. Якщо в нас немає плану на випадок помилки — у нас немає продукту.
Не пробуємо prompt-based прототип перед “повноцінною” розробкою. Це найдешевший крок, який економить нам половину бюджету в 6 проектах з 10.
Перепродаємо AI юзерам. Якщо в інтерфейсі написано “наш геніальний AI допоможе вам у всьому” — а він робить 30% помилок — користувачі переймуть. Краще скромно: “помічник на основі AI, працює в більшості ситуацій, перевіряйте важливі рішення з оператором”.

Що буде далі

Це останній пост серії про артефакти бізнес-аналізу. Усі 7 матеріалів разом — це коротка карта документів, які допомагають нам, як замовникам IT, не дати себе обдурити (часто несвідомо), не переплатити (часто з добрими намірами обох сторін) і не загубитись (часто від простої незнайомості з мовою).

Попередні пости серії, якщо щось пропустили:

Критерії приймання — що значить “готово”.
Брифінг до контракту — документ перед великим договором.
User story — як читати інструкції для команди.
Оцінка від IT-компанії — як читати чесно.
Карта ризиків — як знаходити те, що сховане.
Порівняння постачальників — апельсини проти апельсинів.

Якщо серія допомогла — поділимось з тим, хто зараз стартує свій IT-проект і не знає, з якого боку до цього всього підійти. Іноді одна стаття, прочитана вчасно, економить десятки тисяч.

Якщо ми зараз думаємо про AI-фічу в нашому продукті — варто витратити одну зустріч на чесну розмову, чи це справді потрібно. У Ascend Griffin ми робимо AI Workflow Audit — 2-3 години розмови, після якої стає зрозуміло, де AI справді допоможе, а де нам пропонують “AI”, щоб виглядати модно. Часто результат аудиту — рекомендація не робити AI-фічу зараз і зекономити бюджет на щось важливіше.

Брифінг по AI: коли AI справді допоможе, а коли — просто модно