The post has been translated automatically. Original language: Russian
Everyone is adding AI now, but half of the projects end up with an expensive toy that doesn't affect the metrics. We share our practice on how to approach this in an engineering way.
1. First the task, then the technology
Not "let's screw up the AI", but "what specific pain will it cover". AI really pays off where there is routine, volume, and text: support, application processing, content generation, and knowledge base search. If the task is solved by ordinary logic or a simple script, do not complicate it.
2. Don't train your model. Use the API
A common mistake of early teams is to try to "train a neural network." In 99% of cases, this is unnecessary and ruinous. Take ready-made LLMs through the API (Anthropic, OpenAI, Google, etc.), and use according to your specifics: industrial engineering — correctly formulated instructions close most cases; RAG (retrieval-augmented generation) — connecting your knowledge base/documents so that the model responds to your data rather than "hallucinating"; Fine-tuning — only when everything else has already been squeezed out and a stable narrow format is needed.
3. Keep the person in the loop
Especially at the start: the AI prepares a draft/response, and the human confirms it. This protects against errors in client communications and gives you the data on which the system becomes more accurate.
4. Consider the cost and speed from the first day
Two parameters that kill AI features in the product: the price per request and the latency. Practice: cache duplicate answers, choose a model for the task (don't take the top one where the easy one is enough), set limits. The same feature on a "cheap" and "expensive" model may differ significantly in cost with the same result.
5. Set limiters (guardrails)
AI in a product without a framework = risk. Minimum: filtering of unwanted input/output, clear boundaries of "what the assistant doesn't talk about", folback on a live person, logging for error analysis.
6. A quick start in a week, not a quarter
A working approach: take one narrow scenario (for example, AI answers to the 20 most frequent customer questions), assemble a prototype on the API in a few days, test it on real requests, measure the effect, and only then scale. A small working case is more useful than a large "AI-platform" plan in a presentation.
A short checklist before implementation: ✅ there is a specific task with a measurable metric The API + prompt/RAG path has been chosen, rather than learning from scratch , the cost of the request and latency are calculated , there is a man in contour and guardrails You start with one narrow scenario
Вы не программист, но вам нужно нанять того, кто им является, — и понять, хорош ли он. Ситуация, в которой легко ошибиться на большие деньги. Разбираем, как оценить разработчика без технического бэкграунда.
1. Сначала поймите, кто именно нужен
«Разработчик вообще» не существует. Есть frontend (то, что видит пользователь), backend (логика и данные), мобильная разработка. Определите под задачу, кого ищете, — иначе наймёте не того.
2. Не гонитесь за модным стеком
Важен не набор модных технологий в резюме, а способность решить вашу задачу. Спросите не «что вы знаете», а «как бы вы подошли к нашей задаче».
3. Как оценить без техзнаний
Дайте небольшое оплачиваемое тестовое на реальной мини-задаче. Попросите независимого эксперта посмотреть код и прошлые проекты. Проверьте портфолио вживую — не скриншоты, а работающие продукты.
4. Смотрите на софт-скиллы
Хороший разработчик умеет объяснить сложное простыми словами, задаёт уточняющие вопросы и честно оценивает сроки. Если на старте всё «легко и быстро» без вопросов — это тревожный сигнал.
5. Красные флаги
Обещает всё и сразу, не уточняет детали задачи, не может понятно объяснить, что делал раньше, нечего показать из реальных проектов, называет срок не думая.
6. Договоритесь о процессе заранее
Как вы ставите задачи и принимаете работу, кому принадлежит код и доступы, что будет, если сотрудничество закончится. Право на код и доступы к репозиториям и серверам должны оставаться у вас.
Главное: нетехническому основателю не нужно уметь писать код — нужно уметь проверить результат и выстроить процесс. Самый простой ход — привести на собеседование независимого технического эксперта.
💬 Как вы нанимали первого разработчика? Поделитесь опытом в комментариях 👇
Share
