Спритність рук: як компанії продають псевдо-AI

💡 Усі статті, обговорення, новини про AI — в одному місці. Приєднуйтесь до AI спільноти!

В Україні, як і у світі загалом, AI стало новою обов’язковою етикеткою на технологічному ринку. Прокрутіть LinkedIn або перегляньте сайти компаній-розробників — і ви побачите AI-powered, ML- та data-driven на кожній сторінці. Але за цим хайпом стоїть простий факт: багато так званих AI-компаній насправді не створюють штучний інтелект — вони, у кращому випадку, просто орендують людей, які це роблять; у гіршому — тягнуть токени через API того самого ChatGPT чи Gemini або продають зібрані в безкоштовному n8n агенти як «унікальні AI-рішення».

І це вже перетворилося на серйозну проблему: замовники не в змозі відрізнити справжню експертизу від маркетингової приманки, через що втрачають не лише час і гроші, але й — що найприкріше! — надію та віру в технологію.

Вибір партнера для проекту з AI, ML або data science сьогодні — це не про перегляд портфоліо, а про читання між рядків. Чи є у них справжні інженери в команді — ті, хто може говорити про gradient descent, model drift і нормалізацію даних — чи лише акаунт-менеджери, які володіють мовою модних термінів? Чи вони проектують архітектури, чи просто перепродають чужу експертизу під своїм логотипом?

Справжня AI-компанія починається з математики, а не з маркетингу. Вона наймає людей, які вміють мислити ймовірностями, розуміють межі даних і знають, коли не варто застосовувати нейронну мережу. Перш ніж довірити підряднику свій AI-проект, варто навчитися відрізняти тих, хто справді створює інтелект, від тих, хто лише його брендує.

У цій статті я вирішив зібрати власний досвід і поділитися спостереженнями, які можуть бути корисними для потенційних замовників AI-послуг.

Міраж «AI-компаній»

Відтоді як ChatGPT став вірусним, майже кожна фірма з розробки ПЗ проголосила себе AI-компанією. Дехто навіть змінив головну сторінку за одну ніч — замінивши web and mobile development на AI and data science solutions. Ребрендинг зʼявився миттєво — експертиза ні.

Насправді багато таких компаній не мають жодного дата-сайєнтиста у штаті. Вони спираються на звичайних full-stack девелоперів, які можуть під’єднати API і назвати це AI-інтеграцією. Інші працюють як посередники — наймають фрилансерів або передають проекти на аутстафінг. Коли ви запитуєте про архітектуру моделі чи метрики оцінки, відповіді звучать підозріло як маркетингові тексти.

Саме тому перший крок у перевірці будь-якого потенційного AI-партнера — це не захоплюватися їхнім сайтом, а подивитися, хто насправді виконує роботу. Бо якщо ваша «AI-компанія» складається лише з сейлзів, рекрутерів і координаторів — без інженерів, які вміють читати confusion matrix, — ви купуєте не інтелект, а виставу.

Хто насправді у команді?

Перш ніж дивитися на кейси чи цінові пропозиції, подивіться на людей, які стоять за обіцянками. Справжня AI-робота — це математика, дані й дослідження. Її не виконати розробникам, які «вивчили TensorFlow минулого місяця». У команді мають бути фахівці з математики, статистики або фізики — ті, хто пояснить, чому модель поводиться певним чином, а не просто як її розгорнути.

Перегляньте профілі в LinkedIn. Ви бачите дата-сайєнтистів, ML-інженерів чи математиків? Чи компанія складається переважно з бізнес-девелоперів і delivery-менеджерів? Авторитетна AI-компанія має технічних лідерів — CTO та тех-лідів, які пишуть або рецензують код, а не лише керують бюджетом.

Звертайте увагу на тривожні сигнали:

• Усі ключові люди мають у назві посади growth або sales.
• Ніхто не згадує фреймворки, моделі чи алгоритми, з якими працював.
• Кейси виглядають як брошури з продажу — без згадки про розмір даних, точність або метрики.

Справжня AI-компанія не боїться показати технічний бік своєї команди. Бо у цій галузі експертиза — це не те, що можна віддати на аутсорс, це те, що потрібно мати.

Чи ставлять вони правильні запитання?

Компетентна AI-компанія не поспішає сказати «так». Вона починає з питань — іноді незручних. Перш ніж написати жоден рядок коду, правильний партнер хоче зрозуміти ваші дані, проблему та мету.

Вони запитають, які у вас дані, наскільки вони чисті, чи придатні для навчання. Вони уточнять, чи справді проблема вимагає машинного навчання — чи можна розв’язати її простішими методами. Вони запитають, як ви будете вимірювати успіх: точність, повноту, ROI?

Якщо розмова схожа на складну співбесіду, а не на яскраву презентацію — це добрий знак. Справжні AI-фахівці за природою скептики. Вони не продають мрії — вони перевіряють гіпотези.

Натомість стережіться підрядників, які обіцяють «робочу модель за два тижні» ще до того, як побачили ваші дані. Якщо компанія уникає розмов про якість даних або постановку задачі, це не економія часу — це прихована некомпетентність. Бо у світі AI найрозумніша відповідь на питання замовника далеко не завжди «так, зробимо», а часто це зустрічне запитання «чому? для чого вам це?»

Математика — не опція

Штучний інтелект — це не магія, а математика в дії. За кожною «розумною» системою рекомендацій чи чат-ботом стоять рівняння, ймовірності та алгоритми оптимізації, які хтось має по-справжньому розуміти. Без цієї основи «AI-розробка» перетворюється на вгадування з гарною візуалізацією.

Справжній AI-інженер говорить мовою градієнтів, функцій втрат і регуляризації. Він може пояснити, що таке overfitting, чому модель деградує з часом, і як збалансувати точність і повноту. Вони не сприймають фреймворки як чорні скриньки — вони знають, що відбувається всередині.

Тому математичний бекграунд — це не перевага, а вимога. Програміста можна навчити користуватися PyTorch, але неможливо за тиждень навчити мислити статистично. Компанія без математичної культури може створити щось, що виглядає як AI — але це не буде вчитися і не проживе довго.

Програміст пише код, який працює. AI-інженер створює моделі, які розуміють.

Власний розум проти орендованого

Інтелект не можна віддати на аутсорс. Якщо «AI-експертиза» компанії зникає разом із фрилансером — це не експертиза, це оренда робітників.

Справжні AI-можливості повинні бути всередині компанії. Це інженери, які експериментують, публікують, тестують свої дані. Коли компанія справді створює системи машинного навчання, у ній формується культура цікавості: інженери ставлять під сумнів припущення, менеджери говорять мовою метрик, знання накопичуються.

Аутсорс-фабрики ж ставляться до AI як до чергової послуги поряд із QA чи UI-дизайном. Вони можуть написати код, але не створюють інтелектуальний капітал. Коли контракт закінчується — закінчується й розуміння продукту.

Тому оцінюючи AI-підрядника, запитайте не лише що вони зробили — а хто залишиться після. Бо через місяці після релізу вам потрібні не лише дані, а й логіка, яка стоїть за ними.

Уникнути несправжнього AI-партнера

Після презентацій і кейсів зверніть увагу на головне — людей, з якими ви працюватимете. Не логотип і не брендбук, а людські профілі. Якість AI-зробленого завжди віддзеркалює глибину команди.

Подивіться далі за посадові назви. Багато компаній називають своїх працівників AI Engineers або Data Scientists, але без відповідної освіти це лише етикетка. Перевірте, що саме вони вивчали: математику, статистику, інформатику? Чи це короткий онлайн-курс після загальнотехнічного диплома? Онлайн-освіта — чудово, але кілька бейджів Coursera не зроблять з людини інженера, здатного створити готову до продакшену модель.

Добрі ознаки:

• Формальна освіта або досвід досліджень у математиці, статистиці чи ML.
• Робота з реальними даними, а не лише «AI-дашбордами».
• Публікації, профілі на Kaggle або GitHub з експериментами.

Тривожні сигнали:

• Широкі посади типу AI Expert без академічного чи дослідницького бекграунду.
• Стрибок із бізнес-девелопменту або програмування в Head of AI.
• Роль у кейсах обмежується AI integration чи automation setup.

У разі сумнівів попросіть зустріч із інженерами, не лише менеджером. Справжня компанія із задоволенням представить технічних лідерів, які можуть говорити про архітектуру, пайплайни даних і оцінку моделей. Прислухайтеся: чи вони говорять про валідацію моделей, точність і упередженість, чи повторюють «cutting-edge AI» і «predictive insights»? Це різниця між наукою і продажами.

Практична порада: відкрийте LinkedIn, знайдіть кількох працівників компанії і перегляньте їхню активність. Вони діляться дослідженнями, обговорюють алгоритми, експериментують? Чи лише репостять мотиваційні цитати? Це найшвидший спосіб зрозуміти, чи AI-компетенція компанії побудована на розумі, чи лише на намірах.

Не довіряйте корпоративному сайту — довіряйте інженерам.

Вони створюють чи перепродають?

Наприкінці перевірки залишиться одне питання: ця компанія справді створює інтелект — чи лише перепродає його?

Справжній AI-партнер володіє процесом від даних до продакшену. Він може пояснити, як навчаються, тестуються та перевіряються моделі. Має власні репозиторії, експерименти, метрики. Його інженери говорять конкретно — про вибір ознак, точність моделі, цикли ітерацій, — а не метафорами про «революцію в галузі».

Посередники, навпаки, живуть непрозорістю. Вони говорять про «ресурси», «швидкість виконання» і «масштабовані команди», але не можуть сказати, хто писатиме код і чи буде ця людина в команді через місяць і через рік. Їхня цінність — у націнці, а не в майстерності.

Простий тест: запитайте, що буде після деплойменту. Ті самі інженери моніторитимуть і перенавчатимуть модель з часом, чи просто зникнуть після релізу? Справжні AI-компанії ставляться до моделей як до живих систем — вони відстежують зміни, вимірюють drift і перенавчають, коли змінюються дані. Посередники просто відвантажують файл і йдуть до наступного клієнта.

Також перевірте, чи є у компанії власні внутрішні проекти або дослідницькі ініціативи. Навіть невеликі лабораторії експериментують із відкритими наборами даних або публікують прототипи. Це свідчить про цікавість і впевненість — дві риси, потрібні для довгострокового партнерства.

Бо врешті-решт AI — це не товар. Це поєднання мислення, математики й досвіду. Якщо компанія не розвиває ці якості всередині, ви наймаєте не команду — ви орендуєте контакти.

Якщо в них у офісі немає математиків — у їхньому продукті немає AI.

Як виглядає справжній інтелект у бізнесі

Вибір AI або data science-партнера — це не про красиві кейси чи гучні продажі. Це про тих, хто справді розуміє AI. Справжню експертизу видно в деталях: у питаннях, які вони ставлять, у людях, яких наймають, у математиці, яку можуть пояснити без слайдів.

Солідна AI-компанія не женеться за кожним проектом; вона відбирає їх. Вона ставить під сумнів нечіткі ідеї, визначає вимірювані результати і не будує моделі на слабких даних. Вона інвестує у своїх людей — математиків, статистиків і дослідників, які не просто користуються фреймворками, а ставлять під сумнів їхні обмеження.

Оцінюючи підрядників, ігноруйте штампи типу «інновація» і «прорив». Дивіться на мислення, а не на риторику. Запитайте про дані, архітектуру, метрики й відсоток невдач. Дізнайтеся, хто буде перенавчати модель через пів року і через рік — і хто зрозуміє, чому вона помилилась, якщо так станеться.

Бо різниця між справжньою AI-компанією і її імітацією не лише у технології, а у культурі мислення. Справжній AI починається там, де закінчуються модні слова — з людей, які досі вірять, що тільки числа говорять правду.