Эндрю Ын: как строить стартапы быстрее с помощью ИИ

На недавнем выступлении в Startup School акселератора Y Combinator известный эксперт в области искусственного интеллекта Эндрю Ын поделился практическим опытом создания технологических компаний. Базируясь на операционных процессах своей венчурной студии AI Fund, которая запускает в среднем один ИИ-стартап в месяц, он подробно разобрал ключевые тактики достижения product-market fit, трансформацию роли программистов и продакт-менеджеров, а также развенчал популярные медийные мифы вокруг ИИ-индустрии. Главным лейтмотивом встречи стала скорость исполнения (execution speed) как определяющий фактор выживания и успеха современного бизнеса.

🚀 Архитектура возможностей: Почему будущее за прикладным уровнем 1:08

В экспертном сообществе принято делить индустрию искусственного интеллекта на несколько технологических слоев. Условный «ИИ-стек» состоит из четырех основных уровней:

• Производители полупроводников (чипы и аппаратное обеспечение);
• Облачные провайдеры и гиперскейлеры (инфраструктура хранения и вычислений);
• Разработчики базовых моделей (Foundation Models);
• Прикладной уровень (Application Layer) — конечные программные продукты для пользователей и бизнеса.

Несмотря на то, что основное внимание медиа и инвесторов сейчас приковано к создателям масштабных LLM-моделей и производителям чипов, Эндрю Ын утверждает, что самые большие финансовые и стратегические возможности лежат именно на прикладном уровне. Его аргументация строится на простой экономической логике: чтобы существование полупроводниковых гигантов и облачных платформ было экономически оправданным, приложения должны генерировать гигантскую выручку, позволяющую окупать затраты на всю нижележащую инфраструктуру. Фаундеры стартапов должны понимать, что именно прикладной софт является главным драйвером монетизации всей индустрии.

🤖 Эра агентов: Как итеративные рабочие процессы меняют качество ИИ 2:10

По мнению Эндрю Ына, главным и самым важным технологическим трендом последнего времени стал переход к агентному ИИ (Agentic AI). Спикер с иронией отмечает, что с лета прошлого года маркетологи начали клеить ярлык «агент» абсолютно на любые программные продукты, из-за чего термин частично утратил свой первоначальный смысл. Однако с инженерной точки зрения за этим концептом стоит фундаментальный сдвиг в методологии работы с языковыми моделями.

Стандартное использование LLM напоминает требование к человеку написать сложное эссе с первого раза — от первого до последнего слова, без возможности использовать клавишу Backspace. Очевидно, что люди не способны выдать свой лучший текст в таких жестких линейных рамках, и ИИ сталкивается с аналогичной проблемой.

Напротив, агентный подход (Agentic Workflows) предлагает итеративный и гибкий рабочий процесс, состоящий из последовательных шагов:

1. Создание предварительного плана (аутлайна) документа ИИ-агентом;
2. Самостоятельный поиск дополнительной информации в веб-источниках и интеграция контекста;
3. Написание первого черновика;
4. Критический анализ собственного текста, поиск ошибок и запуск цикла редактирования.

Такой цикл многократного повторения внутренней цепочки рассуждений работает медленнее, но на выходе дает продукт кардинально более высокого качества. В практике AI Fund внедрение агентных воркфлоу стало решающим фактором, позволившим запустить сложные коммерческие проекты в сферах автоматизации юридического комплаенса, анализа комплексной медицинской диагностики и обработки договоров. В структуре ИИ-стека за последний год фактически сформировался самостоятельный слой — уровень агентной оркестрации (Agentic Orchestration Layer), значительно упростивший сборку интеллектуальных приложений.

🎯 Конкретика против абстракции: Секрет быстрого тестирования гипотез 4:48

Главный внутренний регламент AI Fund — работа исключительно с конкретными продуктовыми идеями. Эндрю Ын определяет конкретную идею как гипотезу, прописанную с детальностью, достаточной для того, чтобы инженер мог немедленно приступить к написанию кода.

Для наглядности спикер приводит примеры формулировок:

• Абстрактная идея: «Давайте использовать ИИ для оптимизации активов в сфере здравоохранения». Если дать эту задачу разным программистам, они построят совершенно разные и несвязанные системы. Из-за отсутствия четких рамок команда теряет скорость.
• Конкретная идея: «Давайте напишем софт, который позволит пациентам больниц бронировать свободные слоты на МРТ-аппаратах онлайн, чтобы минимизировать простой оборудования».

Спикер подчеркивает парадокс предпринимательства: абстрактные и размытые идеи часто собирают массу комплиментов от друзей и коллег. Когда фаундер говорит, что планирует глобально оптимизировать медицину, окружающие восхищаются масштабом задумки. Однако абстрактность защищает автора от ошибок, тогда как конкретика заставляет рисковать. Для стартапа жизненно важно быть конкретным, поскольку это единственный способ быстро верифицировать или опровергнуть гипотезу и двигаться дальше.

💡 Интуиция эксперта вместо медленных данных 6:47

Поиск качественных продуктовых гипотез требует долгого погружения в индустрию. Эндрю Ын вспоминает, что перед запуском образовательной платформы Coursera он годами изучал специфику онлайн-обучения, общался со студентами и преподавателями, формируя внутреннее видение продукта. В Y Combinator этот процесс называют «блужданием по лабиринту идей» (wondering the idea maze).

Когда человек долго и глубоко размышляет над проблемой, его интуиция (gut feeling) становится невероятно точным инструментом для принятия мгновенных решений. Спикер признает, что как специалист по Data Science он должен был бы топить за опору на аналитику. Однако для ранних стартапов классический сбор и анализ данных зачастую оказывается слишком медленным процессом, тормозящим операционную скорость. Интуиция профильного эксперта — гораздо более эффективный механизм принятия оперативных решений на старте.

Стратегия успешного стартапа в любой момент времени должна быть сфокусирована на проверке одной четкой гипотезы. У молодой компании нет ресурсов, чтобы хеджировать риски и проверять десять направлений одновременно. Нужно двигаться в одну точку с максимальным упорством до тех пор, пока рынок и реальные данные не докажут ошибочность суждения. В этот момент необходимо совершить мгновенный разворот (pivot) в сторону новой конкретной идеи.

При этом Эндрю Ын предостерегает от хаотических метаний: если каждый разговор с клиентом заставляет вас полностью менять курс, это индикатор того, что у вас слишком слабая база знаний о выбранном секторе. В таком случае необходимо привлечь в команду эксперта с более глубоким пониманием рынка.

🛠️ Одноразовый код и революция в разработке прототипов 8:57

Традиционный цикл создания ИИ-приложений состоит из написания софта (задача инженерии) и сбора обратной связи от пользователей (задача продукт-менеджмента). Основной риск для стартапа заключается в создании продукта, который в итоге окажется никому не нужен. Современные ИИ-ассистенты для написания кода радикально ускоряют прохождение этого цикла.

Эндрю Ын разделяет разработку софта на два принципиально разных направления:

• Поддержание и развитие масштабного production-кода коммерческих систем. По разным оценкам аналитиков, здесь ИИ дает прирост производительности разработчиков на 30–50%.
• Создание быстрых прототипов (quick and dirty prototypes) для тестирования гипотез. На этом направлении скорость программирования благодаря ИИ возрастает минимум в 10 раз.

Прототипы создаются изолированно, им не нужна глубокая интеграция со старыми базами данных и сложной инфраструктурой, а требования к их безопасности и масштабируемости на этапе эксперимента минимальны. Спикер открыто признается, что регулярно дает своей команде спорную установку: «Пишите небезопасный код». Если скрипт запускается локально на ноутбуке разработчика, тратить время на защиту от взлома бессмысленно. Сделать архитектуру безопасной и масштабируемой необходимо позже — перед отправкой внешним пользователям.

Благодаря такому подходу стартапы могут серийно создавать по 20 прототипов за короткий срок, чтобы на практике нащупать работающие фичи. Парадигма оценки кода также изменилась. Раньше исходный код считался ценнейшим и дорогим активом. Сегодня, когда стоимость разработки упала, код стал расходным материалом. Команды AI Fund могут за месяц трижды полностью переписать кодовую базу и изменить схему данных с нуля, если этого требует проект.

В контексте управления Джефф Безос часто использовал терминологию «односторонних» и «двухсторонних» дверей:

• Односторонняя дверь — стратегическое решение, которое крайне сложно или дорого отменить (например, выбор архитектуры технологического стека в прошлом);
• Двухсторонняя дверь — решение, которое можно легко и дешево развернуть обратно, если вы передумали.

Эндрю Ын отмечает, что благодаря снижению стоимости инженерии выбор ИИ-инструментов, баз данных и фреймворков для стартапа постепенно превращается из односторонней двери в двухстороннюю.

Эволюция ИИ-инструментов разработки при этом движется колоссальными темпами:

• 3–4 года назад: появление систем автодополнения строк (GitHub Copilot);
• Недавнее прошлое: ИИ-ориентированные среды разработки (Cursor, Windsurf);
• Настоящее время: высокоагентные автономные ИИ-инженеры (Claude Code, глубокое использование моделей уровня o3).

💼 Почему каждому нужно учиться кодить 14:23

Эндрю Ын категорически не согласен с популярными советами экспертов, которые рекомендуют молодым людям отказываться от изучения программирования на том основании, что ИИ скоро полностью автоматизирует этот процесс. По его мнению, это худший карьерный совет в истории. С упрощением инструментов количество людей, занимающихся разработкой, должно расти, а не сокращаться. Когда индустрия переходила от перфокарт к клавиатурам, а от ассемблера — к высокоуровневому COBOL, тоже звучали заявления, что программисты больше не понадобятся, но история доказала обратное.

Спикер озвучивает свою контраверсивную позицию: в будущем программировать должны абсолютно все сотрудники компаний, независимо от их роли. В AI Fund базовыми навыками кодинга обладают финансовый директор (CFO), HR-директор, рекрутеры и даже сотрудник на ресепшене. Умение автоматизировать свои задачи силами ИИ делает их кратно эффективнее в своих прямых обязанностях.

Ключевой навык будущего — умение четко объяснить компьютеру, какой именно результат вам нужен. В качестве примера Ын приводит создание иллюстраций для своего курса по генеративному ИИ на Coursera с помощью нейросети Midjourney. Сотрудник команды, разбиравшийся в истории искусств, детально задавал стилистику, палитру и жанры, получая идеальные изображения. Сам Эндрю, не имея этих знаний, мог лишь писать абстрактные промпты вроде «сделай мне красивые картинки с роботами», и результат выходил посредственным. Понимание логики работы систем и умение направлять ИИ (steering AI) останется главным конкурентным преимуществом специалистов.

📊 Новый баланс сил: Два Продакта на одного Разработчика 17:08

Поскольку инженеры начали писать код со сверхзвуковой скоростью, узким горлышком (bottleneck) в стартапах внезапно стал продукт-менеджмент — процесс сбора фидбека, генерации продуктовых смыслов и проектирования интерфейсов.

Исторически в Кремниевой долине существовали негласные пропорции распределения штата:

• 1 продакт-менеджер (PM) на 4 инженеров;
• 1 продакт-менеджер на 7 инженеров.

Сейчас эта пропорция стремительно ломается. Эндрю Ын поделился свежим кейсом: одна из проектных команд AI Fund при планировании штатного расписания впервые в его практике предложила соотношение 1 PM на 0,5 инженеров. То есть команда запросила двух продакт-менеджеров на одного программиста, поскольку один разработчик с ИИ-ассистентами закрывает задачи быстрее, чем продакты успевают собирать требования и проектировать воркфлоу. Спикер признает, что пока сам не знает, насколько эффективна такая пропорция на практике, но это явный маркер тектонических сдвигов в структуре ИИ-команд. В выигрышном положении оказываются технические продакты, умеющие кодить, и инженеры с сильным продуктовым чутьем.

☕ Партизанский маркетинг: Кафе и лобби отелей как лаборатории фидбека 18:40

Для синхронизации с сумасшедшей скоростью разработки лидерам стартапов необходим эффективный арсенал тактик быстрого получения обратной связи. Эндрю Ын выстраивает иерархию таких инструментов от самых быстрых (но менее точных) к медленным (но репрезентативным):

1. Собственная интуиция фаундера — самый быстрый способ. Если вы глубокий эксперт в предметной области, вы можете мгновенно принимать качественные продуктовые решения.
2. Интервью с друзьями и коллегами — тест прототипа на трех приятелях внутри команды.
3. Тестирование на незнакомцах — привлечение от 3 до 10 случайных людей. Эндрю Ын рассказал, что его излюбленный метод — сидеть в лобби отелей или сетевых кофейнях с высоким трафиком, вежливо подходить к людям и просить их потестировать прототип софта. Многие посетители кафе откровенно скучают или прокрастинируют, поэтому они с радостью отвлекаются на помощь стартаперам.
4. Закрытый альфа-тест — отправка прототипа пулу из 100 доверенных тестеров.
5. A/B-тестирование — классический инструмент Долины, который в современных реалиях стал одним из самых медленных методов валидации фич из-за долгого времени настройки, раскатки инфраструктуры и ожидания накопления метрик.

Спикер рекомендует использовать данные медленных тестов (например, результаты A/B-тестирования) не просто механически для выбора варианта А или Б, а для калибровки собственного продуктового чутья. Если ваши ожидания разошлись с цифрами теста, нужно сесть и детально проанализировать, в чем именно ваша ментальная модель поведения пользователя оказалась ошибочной, чтобы в следующий раз принимать мгновенные интуитивные решения точнее.

🧬 К комбинаторике Лего-кирпичиков ИИ 21:29

Знание тонкостей ИИ дает стартапам фундаментальное преимущество перед конкурентами, поскольку эти компетенции пока не стали массовыми. Ошибка в выборе архитектуры может стоить компании трех месяцев движения в тупиковом направлении.

Современный генеративный ИИ предлагает богатый набор готовых технологических блоков:

• Промпт-инжиниринг и агентские воркфлоу;
• Фреймворки оценки (evals) и защитные барьеры (guardrails);
• Архитектура RAG (Retrieval-Augmented Generation);
• Инструменты обработки голоса с низкой задержкой;
• Тонкая настройка (fine-tuning) и графовые базы данных.

Ын сравнивает эти блоки с разноцветными детальками конструктора Lego. Обладая одним белым кирпичиком (например, умением писать промпты), можно построить простую конструкцию. Добавляя черный (чат-боты), синий (RAG) и желтый (fine-tuning) блоки, разработчик получает экспоненциальный, комбинаторный рост вариантов сборки уникального ПО, которое никто на планете не мог создать еще год назад. Чтобы упростить этот процесс, Эндрю Ын с друзьями запустил open-source проект AI Suite, позволяющий разработчикам легко переключаться между различными поставщиками LLM-моделей. Внутри продуктов AI Fund замена базовой языковой модели на более свежую и эффективную часто происходит автоматически на основе регулярных тестов, без прямого участия руководства студии.

❓ Вопросы и ответы: Хайп вокруг Экзистенциальной угрозы, Индустрия Запугивания и Будущее Образования 26:40

В рамках сессии ответов на вопросы аудитории Эндрю Ын затронул ряд наиболее острых идеологических и экономических тем современной индустрии.

Развенчание мифов об угрозах ИИ

По мнению Эндрю Ына, концепт скорого достижения сильного ИИ (AGI) и сопутствующие ему панические нарративы об «экзистенциальной угрозе ИИ» и «случайном уничтожении человечества» являются абсурдным и намеренным хайпом. Спикер утверждает, что этот страх искусственно раздувается узкой группой крупных технологических компаний в PR-целях, для привлечения многомиллиардного финансирования и усиления своего политического влияния.

Аналогичным образом Ын оценивает тезисы о том, что из-за ИИ на планете скоро исчезнут рабочие места, или что новые ИИ-модели «одним щелчком пальцев» уничтожат тысячи стартапов (проблемы возникли лишь у единиц, вроде компании Jasper). Утверждения о том, что дата-центрам для ИИ необходима исключительно ядерная энергетика, а возобновляемые источники (солнце и ветер) не справятся, спикер также считает сильным преувеличением.

Ответственное использование вместо «AI Safety»

Спикер сознательно избегает популярного термина «безопасность ИИ» (AI Safety). По его словам, безопасность — это характеристика не самой технологии, а контекста ее применения.

«Производитель электродвигателя не может гарантировать, что его мотор не будет использован для создания бомбы. Двигатель можно поставить в аппарат ИВЛ, а можно в военный снаряд. Точно так же и ИИ — сам по себе он не является безопасным или опасным. Все зависит от ответственности людей, которые его применяют».

Эндрю Ын выразил сожаление, что громкие заголовки в прессе (например, в Wall Street Journal) часто раздувают сенсацию из рядовых контролируемых лабораторных экспериментов, пугая регуляторов.

Борьба за Open Source

Спикер открыто обвинил некоторых представителей крупного ИИ-бизнеса в попытках использовать регуляторное давление как оружие против open-source сообщества. Корпорации стремятся стать монопольными гейткиперами (как Apple и Google в мире мобильных ОС), чтобы никто не мог обучать или настраивать модели без их прямого одобрения.

Ын активно участвовал в лоббировании против жесткого калифорнийского законопроекта SB 1047, который накладывал бы на разработчиков удушающие юридические обязательства. Законопроект удалось заблокировать, но, по оценке спикера, угроза для открытых моделей (open-weight софта) со стороны монополистов все еще сохраняется, и за свободу инноваций нужно продолжать бороться.

Этика против денег и будущее EdTech

В рамках внутренней политики AI Fund стартапы регулярно проверяются на соответствие этическим нормам. Эндрю Ын рассказал, что студия полностью закрыла несколько технологических проектов с отличной подтвержденной экономикой и гарантированной финансовой прибылью исключительно из соображений этики — потому что руководство студии не захотело, чтобы подобные продукты существовали в мире.

Комментируя будущее образовательных технологий (EdTech), Эндрю Ын отметил, что индустрия находится в процессе масштабного экспериментирования (аватары, чат-боты, персональные тюторы вроде Coursera Coach, системы автопроверки заданий). Однако, вопреки ранним заявлениям хайпожоров о моментальной революции, финальная эффективная архитектура персонализированного обучения на базе агентных воркфлоу пока не сформировалась, и сектору предстоят годы упорной точечной работы.