Система сигналов спроса для поиска стартап-возможностей
Проект системы, которая собирает проблемы из открытых обсуждений, оценивает их по восьми факторам и проверяет, можно ли построить бизнес на их решении.
Цифры исследования
от 41 до 62
человеко-месяца, примерно, оценивает исследование на первую серьёзную версию предложенной системы
Сумма таблицы этапов в исследовании
более 100
языков охватывает предложенная модель поиска, поэтому русские и английские данные лежали бы в одном индексе
Гибридный поиск с переранжированием
семь
успехов из десяти: иллюстрация 70%, а не подтверждение калибровки
Предложенная проверка калибровки. Цель, а не результат
Три предложенных веса из восьми факторов
- 20% острота боли
- 15% частота
- 15% готовность платить
- остальные пять факторов
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
- Santhanam et al., ColBERTv2
- Chen et al., BGE M3 embedding
- Grootendorst, BERTopic
- Ratner et al., Snorkel
- Ash et al., BADGE batch active learning
- Chernozhukov et al., double debiased machine learning
- Wager and Athey, causal forests
- Gebru et al., Datasheets for datasets
- Mitchell et al., Model cards for model reporting
- Вопрос
- Как построить научно строгую систему, которая находит проверенные стартап-возможности по открытым сигналам спроса?
- Как сделано
- Исследование ChatGPT Deep Research о проекте системы.