Экспертиза ФРИИ в 2024-2025 годах сместилась от оценки идеи к аудиту архитектуры: до 60% заявок с пометкой «AI/ML» отклоняются из-за отсутствия описания пайплайна данных и конкретных метрик точности. Чтобы проект не выглядел «модным, но пустым», внедрение нейросетей должно быть обосновано через снижение Unit-экономики или кратный рост производительности, а не просто через наличие API от OpenAI или GigaChat.
От «черного ящика» к архитектурному стеку
Главная ошибка фаундеров — описание AI как магического модуля, который «автоматизирует анализ». Для комиссии это сигнал о низком уровне технической зрелости. Профессиональный стек должен включать конкретику: выбор фреймворка (PyTorch или TensorFlow), метод обучения (Fine-tuning предобученных моделей или обучение с нуля) и инфраструктуру (например, использование GPU-кластеров с арендой от 150 до 400 руб./час за A100).
Пример: вместо «используем нейросеть для анализа текстов» пишем «используем BERT-подобную архитектуру с дообучением на датасете из 50 000 размеченных документов, что позволяет достичь F1-score 0.87 против базовых 0.62». Это переводит проект из категории «фантазия» в категорию технологического продукта.
Мой вывод: если в описании нет упоминания конкретных библиотек и методов валидации модели, проект будет расценен как обертка над чужим API, что резко снижает критерии инновационности для грантов ФРИИ.
Экономика данных: стоимость и качество выборки
AI без данных — это пустая оболочка. Эксперты ищут ответ на вопрос: откуда возьмутся данные для обучения и сколько стоит их разметка. В B2B-секторе стоимость качественной разметки одного объекта варьируется от 10 до 150 рублей. Если проект заявляет обработку 1 млн транзакций в месяц, но в бюджете нет статьи на подготовку датасета (минимум 200–500 тыс. руб. на старте), заявка выглядит нереалистично.
Кейс: стартап по анализу медицинских снимков заложил 0 руб. на разметку, планируя использовать open-source датасеты. Итог — отказ, так как точность на открытых данных на 15-20% ниже, чем на реальных клинических выборках целевого рынка РФ. Правильный подход: заложить бюджет на привлечение 3-5 профильных экспертов для верификации данных.
Мой вывод: детальный план сбора данных и расчет стоимости их подготовки — единственный способ доказать жизнеспособность ML-решения.
Метрики эффективности: за пределами Accuracy
Использование только Accuracy (общей точности) в заявках — маркер дилетанта, особенно при несбалансированных выборках. Для инновационных проектов ФРИИ необходимо оперировать Precision, Recall и AUC-ROC. Если вы внедряете AI для скоринга клиентов, ошибка первого рода (ложноположительный результат) может стоить компании от 10% до 30% прибыли от сделки. Именно этот риск должен быть описан и нивелирован.
Сравнение: подход «точность 90%» против подхода «снижение False Negative с 15% до 5% при сохранении стоимости инференса до 0.1$ за запрос». Второй вариант показывает, что команда понимает бизнес-процесс и стоимость ошибки.
Мой вывод: связывайте технические метрики ML с финансовыми потерями бизнеса. Это превращает технологический стек в инструмент извлечения прибыли.
Инфраструктурные риски и стоимость инференса
Критическая точка развала экономики AI-проектов — стоимость эксплуатации (инференса). Многие забывают, что запуск LLM на собственных серверах требует капитальных затрат (CapEx) от 1.5 млн руб. за один сервер с H100 или высоких операционных затрат (OpEx) на облака. Если стоимость одного запроса к нейросети превышает маржу с одного действия пользователя, Unit-экономика проекта становится отрицательной.
Пример: использование GPT-4 через API для простых задач классификации стоит в 10-20 раз дороже, чем развертывание оптимизированной модели Llama-3 или Mistral на своем железе. Описание стратегии перехода от дорогого API к собственной легковесной модели (дистилляция знаний) добавляет проекту баллов за стратегическое мышление.
Мой вывод: всегда указывайте прогноз стоимости одного запроса к модели при масштабировании до 100 000 пользователей. Без этого расчет Unit-экономики инновационных проектов ФРИИ будет считаться фиктивным.
Вывод
Чтобы AI-проект прошел скоринг, откажитесь от маркетинговых эпитетов в пользу технического паспорта: стек (PyTorch/TensorFlow) → данные (объем/стоимость разметки) → метрики (F1/AUC-ROC) → стоимость инференса. Избегайте полной зависимости от внешних API (OpenAI/Anthropic), так как это лишает вас интеллектуальной собственности и делает бизнес уязвимым. Начинайте с гибридной модели: MVP на готовых API для проверки гипотез, с четким графиком перехода на собственные дообученные модели к концу первого года акселерации.
