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

Вопрос
Как построить научно строгую систему, которая находит проверенные стартап-возможности по открытым сигналам спроса?
Как сделано
Исследование ChatGPT Deep Research о проекте системы.