# Система сигналов спроса для поиска стартап-возможностей

Я хотел способ находить стартап-идеи, который не зависит от вкуса или хитрого промпта. Я попросил ИИ спроектировать систему как исследовательскую задачу: откуда берутся данные, как их ранжировать и как идею доказать или убить.

Это проект системы, а не продукт, который я построил, и не список найденных возможностей.

## Что я нашёл
- Предложенная система сохраняет источник каждого утверждения. Сбор, поиск, извлечение данных и оценка рынка связаны с экспериментами, которые проверяют, нужен ли людям результат.
- Всплески поиска и шум в соцсетях лишь слабые намёки. Система должна оценивать боль, цену обходного пути, повторяемость, кто покупатель, сигналы бюджета и готовность платить. Поэтому в неё входят обсуждения, трекеры задач, отзывы, вакансии и тендеры.
- Исследование предлагает связать поиск спроса с экспериментальной проверкой. Сравнение существующих инструментов остаётся предварительным. Google Trends показывает интерес в поиске, Semrush и подобные показывают внимание, а общие платформы ИИ помогают строить конвейеры. Сами продукты я не проверял.
- Поиск должен быть гибридным и многоязычным: по ключевым словам, по векторам и с переранжированием, на модели, которая знает более 100 языков, чтобы русские и английские данные лежали в одном индексе.
- У каждой идеи есть оценка по восьми заданным факторам, например тяжесть боли 20%, частота 15% и готовность платить 15%. Эти веса только предложены. Взвешенная оценка задаёт приоритет, а не вероятность. Отдельную вероятностную модель нужно калибровать по заранее определённым исходам на отложенных данных. Например, семь успехов из десяти иллюстрируют смысл 70%, но десяти случаев недостаточно для проверки калибровки.
- Проверка идёт лестницей от дешёвого к дорогому: тренды в поиске, заявленная боль, лендинги и рассылки, ручной пилот и затем настоящие тесты. Снижение дисперсии и разность разностей могут помочь оценить эффект, если дизайн исследования поддерживает их допущения; сами по себе эти методы не гарантируют, что удачную неделю не примут за доказательство.
- Исследовать можно широко, а действовать только с явного одобрения: тратить деньги, писать людям, менять живые материалы. Первую серьёзную версию исследование оценивает примерно от 41 до 62 человеко-месяцев.

## Как это сделано
Исследование получено 17 мая 2026 года в ChatGPT Deep Research. Оно опирается на опубликованные работы по поиску, кластеризации тем, слабому обучению и планированию экспериментов, а также на документацию существующих инструментов. ИИ искал и писал черновик. Вопрос задал я. Возможности инструментов и правила платформ актуальны на эту дату.

## Источники
- [Lewis et al., Retrieval-augmented generation for knowledge-intensive NLP](https://arxiv.org/abs/2005.11401)
- [Santhanam et al., ColBERTv2](https://arxiv.org/abs/2112.01488)
- [Chen et al., BGE M3 embedding](https://arxiv.org/abs/2402.03216)
- [Grootendorst, BERTopic](https://arxiv.org/abs/2203.05794)
- [Ratner et al., Snorkel](https://arxiv.org/abs/1711.10160)
- [Ash et al., BADGE batch active learning](https://arxiv.org/abs/1906.03671)
- [Chernozhukov et al., double debiased machine learning](https://arxiv.org/abs/1608.00060)
- [Wager and Athey, causal forests](https://arxiv.org/abs/1510.04342)
- [Gebru et al., Datasheets for datasets](https://arxiv.org/abs/1803.09010)
- [Mitchell et al., Model cards for model reporting](https://arxiv.org/abs/1810.03993)
