AI Product Manager — как составить ТЗ на внедрение ИИ в маркетинг

Вы давно мечтали использовать искусственный интеллект в маркетинге — автоматизировать рассылки, персонализировать рекламу, предсказывать поведение клиентов — но каждый раз останавливаетесь на этапе «а как это вообще написать?». Вы боитесь, что неправильно сформулируете техническое задание, и компания потратит сотни тысяч рублей, а результат будет на уровне «сделали, но не работает». Вы не знаете, какие параметры важны в ТЗ на ИИ, чем оно отличается от обычного маркетингового ТЗ и как не попасть в ловушку пустых обещаний «умных» решений. Эта статья — ваш путеводитель по созданию реального, рабочего и измеримого технического задания на внедрение ИИ в маркетинг. Здесь вы найдете не шаблон, а системный подход: от постановки задачи до выбора метрик успеха. Вы узнаете, как превратить абстрактную идею «надо бы ИИ» в конкретный план, который поймут разработчики, оценят менеджеры и принесет реальный рост бизнеса.

Почему обычное ТЗ не работает для ИИ-проектов

Многие маркетологи привыкли составлять технические задания по простой формуле: «нужно сделать баннер, который будет показываться на сайте», «надо настроить автоматическую рассылку по корзине» или «подключить CRM». Эти задачи четкие, линейные и легко измеримы. Но когда речь заходит об искусственном интеллекте, эта логика перестает работать. Почему? Потому что ИИ — это не инструмент, а система, которая учится. Он не выполняет жесткие команды, как робот на конвейере. Он анализирует данные, ищет закономерности, делает прогнозы — и иногда ошибается. Если вы напишете ТЗ как для обычной автоматизации, вы получите не «умный маркетинг», а дорогую игрушку, которая в лучшем случае перестанет работать через месяц.

Представьте, что вы просите ИИ «сделать рекламу более привлекательной». Что это значит? Кто определяет, что «привлекательно»? Какие метрики использовать — кликабельность, конверсия, время на странице? Какие данные использовать для обучения? Сколько времени нужно на обучение модели? Что делать, если модель начинает предлагать неуместные предложения? Без ответов на эти вопросы ИИ-проект обречен на провал. Именно поэтому ТЗ на ИИ требует совершенно другого подхода — более глубокого, аналитического и междисциплинарного.

Важно понимать: AI Product Manager — это не просто маркетолог, который «сдал задачу» разработчикам. Это человек, который умеет переводить маркетинговые цели на язык машинного обучения. Он должен понимать, что такое обучающая выборка, как работает классификация, почему качество данных важнее алгоритма и как оценивать точность модели. Без этих знаний вы рискуете стать заложником технических специалистов, которые будут говорить на своем языке, а вы — просто утверждать «похоже на то, что нужно».

Чем ТЗ на ИИ отличается от обычного маркетингового ТЗ

Сравните два варианта технического задания:

• Обычное ТЗ: «Сделать автоматическую рассылку писем по корзине, которая отправляется через 2 часа после добавления товара. Письмо должно содержать название товара, цену и кнопку «Оформить заказ».
• ТЗ на ИИ: «На основе истории поведения пользователей (просмотры, добавления в корзину, отказы от покупки) предсказать вероятность завершения сделки в течение 24 часов. На основе этого прогноза отправить персонализированное письмо с уникальным предложением (скидка, бесплатная доставка, отзыв эксперта). Цель — увеличить конверсию в покупку на 15% за 3 месяца. Использовать данные из CRM, Google Analytics и логов сайта за последние 12 месяцев. Модель должна объяснять, почему она предложила именно это предложение — для понимания маркетологами».

Разница очевидна. В первом случае — инструкция для бота. Во втором — постановка научной задачи с измеримым результатом, условиями и требованиями к интерпретируемости. Вот ключевые отличия:

1. Фокус не на функции, а на результате. В обычном ТЗ пишут «нужно сделать X». В ИИ-ТЗ — «нужно достичь Y, используя X».
2. Требования к данным — центральный элемент. Никто не спрашивает, какие данные у вас есть в обычном ТЗ. В ИИ-проектах это первое, что нужно уточнить — иначе проект не начнется.
3. Нет «одного правильного решения». В обычной автоматизации есть 1 способ сделать рассылку. В ИИ — десятки алгоритмов, и каждый даст разный результат. ТЗ должно задавать критерии выбора.
4. Нужно описывать не только «что», но и «как». Как будет происходить обучение? Кто будет проверять результаты? Как часто модель нужно переобучать?
5. Метрики успеха — обязательны. В обычном ТЗ «улучшить» — это неизмеримо. В ИИ-ТЗ каждый показатель должен быть конкретным: «увеличить конверсию с 2,1% до 2,7%», «сократить время ответа клиенту с 15 минут до 2».

Если вы не видите разницы между этими двумя подходами — значит, ваше ТЗ на ИИ скорее всего окажется бесполезным. Это не просто «усложненная версия» обычного ТЗ. Это совершенно новый тип документа, требующий другого мышления.

Шаги к идеальному ТЗ: от идеи до конкретики

Составление ТЗ на ИИ — это не задача «написать пару абзацев». Это процесс, который требует подготовки, анализа и согласования. Пропустите хотя бы один шаг — и вы рискуете получить дорогостоящую ошибку. Ниже — пошаговая инструкция, которая поможет вам создать ТЗ, которое не просто «выглядит красиво», а реально приведет к результату.

Шаг 1: Определите реальную маркетинговую проблему

Начните не с «хочу ИИ», а с вопроса: «Какая проблема мешает моему бизнесу расти?»

Примеры реальных проблем:

• Вы тратите 40% бюджета на рекламу, которая не конвертирует — но не знаете, почему.
• Клиенты уходят с сайта после просмотра 2 страниц — и вы не понимаете, что их отталкивает.
• У вас есть 50 000 клиентов, но вы не знаете, кто из них готов купить дорогое предложение.
• Ваша служба поддержки перегружена одинаковыми вопросами, которые можно автоматизировать.

Важно: не описывайте проблему как «нужно улучшить маркетинг». Это слишком абстрактно. Опишите её как измеримый барьер. Например: «Конверсия с лендинга в заявку — 1,2%, а средняя по отрасли — 3,5%. Нам нужно поднять её до 2,8% за 4 месяца».

Если вы не можете ответить на вопрос «Что именно мы хотим изменить?» — ИИ вам не поможет. Он может найти закономерности, но он не заменит ясной цели.

Шаг 2: Проверьте, есть ли у вас данные

ИИ — это не волшебная палочка. Он питается данными. Без них он ничего не может сделать.

Задайте себе 4 вопроса:

1. Какие данные у вас есть? История покупок, поведение на сайте, отзывы, данные из CRM, email-рассылок, логи сервера? Сколько их? Где хранятся?
2. Какие данные нужны для решения задачи? Например, чтобы предсказать отток клиентов, вам нужно знать: частоту входа, размер последней покупки, время до следующей покупки, количество обращений в поддержку.
3. Данные качественные? Есть ли дубли, пропуски, ошибки в данных? Кто отвечает за их очистку?
4. Есть ли доступ к данным? Могут ли разработчики получить их? Есть ли API, доступ к базе данных, согласия на обработку персональных данных?

Практический кейс: компания по продаже cosmetics хотела использовать ИИ для персонализации рассылок. Но у них данные были в Excel-файлах, без единого уникального ID клиента. В 30% записей были дубли, в 20% — пустые поля. В результате проект затянулся на 3 месяца только на очистку данных, и бюджет ушел в «подготовительный этап». Не допустите такой ошибки. Проведите аудит данных до того, как начнете писать ТЗ.

Шаг 3: Сформулируйте задачу в терминах машинного обучения

Теперь вам нужно перевести маркетинговую цель в язык ИИ. Это критически важно.

Вот как это делается:

• Проблема: «Хочу, чтобы клиенты чаще покупали»
• Проблема в терминах ИИ: «Предсказать вероятность покупки в течение 30 дней на основе истории взаимодействий»

Вот основные типы задач, которые решает ИИ в маркетинге:

Тип задачи	Пример в маркетинге	Что нужно для ИИ
Классификация	Определить, кто из клиентов склонен к оттоку	Метки: «отток» / «не отток». Данные о поведении, покупках, обращениях
Прогнозирование (регрессия)	Предсказать сумму следующей покупки	История сумм, частота покупок, время между заказами
Кластеризация	Сегментировать клиентов на группы по поведению	Данные о действиях на сайте, частота визитов, средний чек
Рекомендательная система	Предложить товар, который клиенту понравится	История просмотров, покупок, рейтинги, схожесть товаров
Обработка естественного языка (NLP)	Автоматически отвечать на вопросы клиентов в чате	История диалогов, часто задаваемые вопросы, отзывы

Когда вы формулируете задачу, используйте глаголы: предсказать, классифицировать, кластеризовать, рекомендовать. Это показывает, что вы понимаете суть ИИ-задачи. Не пишите «сделать умную рекламу» — напишите «классифицировать пользователей по вероятности покупки в течение 7 дней».

Шаг 4: Определите метрики успеха — и только их

Ваше ТЗ должно содержать конкретные, измеримые, достижимые, релевантные и ограниченные по времени метрики. Это не «улучшить конверсию», а:

• «Увеличить конверсию с 1,2% до 2,5% за 90 дней»
• «Сократить время ответа клиенту в чате с 12 минут до 45 секунд»
• «Снизить отток клиентов на 18% за квартал»
• «Увеличить средний чек на 12% за счет персонализированных предложений»

Важно: метрики должны быть связаны с бизнес-целями. Если ваша цель — увеличить прибыль, то метрика должна быть «рост прибыли», а не «рост кликов». Многие компании ошибаются именно здесь: они оптимизируют «показы» или «открытия», а не деньги в кармане.

Также укажите, как вы будете измерять результат. Через Google Analytics? CRM-систему? А/В тестирование? Сколько времени займет сбор данных после запуска?

Шаг 5: Опишите ограничения и риски

Хорошее ТЗ не только говорит, что нужно сделать — оно предупреждает: «что может пойти не так». Это уберегает вас от сюрпризов.

Перечислите:

• Технические ограничения: «Данные хранятся в устаревшей системе, доступ только по запросу», «Нет API для интеграции с платформой доставки»
• Правовые ограничения: «Нельзя использовать данные о геолокации без явного согласия», «Не разрешено хранить данные более 6 месяцев»
• Ограничения по времени: «Проект должен быть запущен до старта сезонной кампании»
• Ограничения по бюджету: «Не более 450 тыс. рублей на разработку»
• Ограничения по персоналу: «У нас нет внутреннего аналитика — нужно обучать сотрудников»

Также укажите возможные риски:

• «Модель может давать смещенные рекомендации, если данные несбалансированы»
• «Клиенты могут воспринимать персонализацию как вторжение в приватность»
• «Если модель будет ошибаться — это может повредить репутации бренда»

Эти пункты не делают ТЗ «тяжелым» — они делают его честным. Команда разработчиков оценит вашу осознанность. А вы — сэкономите время и деньги на переработках.

Шаг 6: Определите, кто будет отвечать за результат

Это один из самых игнорируемых пунктов. Кто будет следить за тем, чтобы ИИ работал? Кто проверит результаты? Кто будет переобучать модель, если она «забудет» все?

Нужно ответить на три вопроса:

1. Кто владелец результата? Маркетолог? Руководитель отдела продаж? Директор по цифровым технологиям?
2. Кто будет мониторить качество? Как часто? Каждую неделю? Раз в месяц?
3. Кто будет решать, когда модель надо переобучить? Если конверсия упала — кто поймет, что это проблема модели, а не сезонности?

Важно: не делайте ИИ «черным ящиком». Если маркетолог не понимает, почему ИИ предложил конкретную скидку — он не будет доверять системе. Поэтому в ТЗ нужно требовать: «Модель должна предоставлять объяснения своих рекомендаций» — например, «Предложение сделано потому, что клиент смотрел товары из категории X и не покупал в течение 14 дней».

Что обязательно должно быть в ТЗ на ИИ для маркетинга

Если вы забудете один из этих пунктов — ваше ТЗ не сработает. Вот список обязательных разделов, которые должен содержать любой документ на внедрение ИИ в маркетинг:

1. Цель проекта

Формулировка: «Цель — увеличить конверсию с лендинга на 18% за счет персонализации рекламных предложений, используя данные о поведении пользователей».

Что должно быть: ясная, измеримая цель. Не «улучшить маркетинг», а конкретный KPI.

2. Маркетинговая проблема

Формулировка: «Конверсия с лендинга — 1,2%, в то время как конкуренты показывают 3-4%. Причины: универсальные предложения, отсутствие персонализации».

Что должно быть: понимание, почему сейчас работает плохо. Без этого ИИ — решение без проблемы.

3. Данные: источники, объем, качество

Формулировка: «Используются данные из CRM (120 000 записей), Google Analytics (пользовательские события за 18 месяцев), рекламные кампании (CTR, CPM, конверсии). Данные очищены от дублей и ботов. Пропуски в данных — менее 5%».

Что должно быть: список источников, объем данных, их актуальность, качество. Без этого — проект не стартует.

4. Техническая задача

Формулировка: «Построить модель классификации, которая определяет вероятность покупки в течение 7 дней на основе истории просмотров, корзин и времени последнего визита».

Что должно быть: тип задачи (классификация, регрессия и т.д.), входные данные, выходные данные.

5. Метрики успеха

Формулировка: «Основной KPI — рост конверсии с лендинга до 2,5% за 90 дней. Дополнительные: рост среднего чека на 10%, снижение показателя отказов на 8%».

Что должно быть: конкретные цифры, временные рамки, метод измерения.

6. Ограничения и риски

Формулировка: «Данные доступны только в формате CSV. Нет API для интеграции с рекламными платформами. Ограничение по бюджету — 500 тыс. рублей. Возможный риск: клиенты могут воспринять персонализацию как навязчивость».

Что должно быть: все, что может сломать проект.

7. Ответственные и сроки

Формулировка: «Ответственный за маркетинг — Иван Петров. Ответственный за техническую реализацию — команда Data Science. Сроки: сбор данных — до 15 июня, обучение модели — до 30 июля, запуск пилота — 15 августа».

Что должно быть: имена, роли, дедлайны.

8. Требования к интерпретируемости

Формулировка: «Модель должна предоставлять объяснения для каждого рекомендованного предложения: «Предложение сделано потому, что пользователь просматривал товары категории Y и не совершал покупки более 14 дней».

Что должно быть: возможность понять, почему ИИ сделал вывод. Это критично для доверия маркетологов.

9. План тестирования и валидации

Формулировка: «Перед запуском в продакшн — А/В тест: 50% пользователей получают персонализированные предложения, 50% — стандартные. Сравнение конверсии и оттока».

Что должно быть: как вы будете проверять, что ИИ работает лучше, чем старый способ.

10. План поддержки и развития

Формулировка: «Модель должна переобучаться раз в месяц. Данные должны автоматически обновляться из CRM. План развития: через 6 месяцев добавить данные из соцсетей».

Что должно быть: как будет жить модель после запуска. ИИ — это не «включил и забыл».

Эти 10 пунктов — фундамент любого успешного ИИ-проекта в маркетинге. Не пропускайте ни один из них. Если вы не можете ответить на вопрос по какому-либо пункту — проект еще не готов к ТЗ.

Какие ошибки чаще всего делают при составлении ТЗ на ИИ

Даже если вы прочитали все выше, есть типичные ошибки — и они разрушают проекты на 80%.

Ошибка 1: «Сделайте ИИ, который будет делать всё»

Это самая распространенная ошибка. Люди хотят «умную систему», которая будет делать маркетинг за них: генерировать контент, писать рекламные тексты, настраивать кампании, отвечать в чате. Но ИИ — не магия. Он работает только на конкретных задачах. Если вы пытаетесь «все в один проект», вы получите систему, которая ни на что не справляется.

Как избежать: начните с одной маленькой задачи. Например, «предсказывать отток клиентов» или «рекомендовать товары на главной». Успешный пилот — лучше, чем неудачная «всевластная система».

Ошибка 2: Не проверить данные перед запуском

Сколько раз мы слышали: «У нас есть данные!». А потом оказывается — 60% записей без телефонов, в 40% — дубли, в 25% — неверные метки. ИИ обучается на плохих данных — и выдает бред. Это как учить врача по старым учебникам с ошибками.

Как избежать: требуйте от команды «Data Quality Report» до начала работы. Пусть покажут, какие данные они получили и как их очистили.

Ошибка 3: Нет метрик — нет ответственности

«Мы запустили ИИ, теперь маркетинг стал умнее». А насколько умнее? Никто не знает. Если нет метрик — вы не можете оценить успех. И тогда вам легко сказать: «ИИ не работает». А на самом деле — вы просто не знали, что измерять.

Как избежать: до запуска проекта договоритесь, что вы будете измерять. Запишите это в ТЗ.

Ошибка 4: ИИ — не замена человеку

Некоторые думают, что ИИ может заменить маркетолога. Это опасное заблуждение. ИИ — инструмент. Он не понимает бренд, эмоции клиентов, тренды в культуре. Он работает с числами. Без человека ИИ может сделать ужасные ошибки: предложить крем для лица клиенту, который мужчина и не пользуется косметикой. Или предложить дорогое изделие человеку с низким доходом.

Как избежать: в ТЗ пропишите: «Модель должна быть подтверждена маркетологом перед запуском». Человек — финальный контролер.

Ошибка 5: Нет плана на будущее

Вы запустили модель. Она работает 2 месяца. Потом перестала. Почему? Данные изменились. Клиенты стали иначе вести себя после запуска новой кампании. Но никто не переобучил модель — и она начала ошибаться. И вы думаете: «ИИ не работает». А на самом деле — вы просто забыли, что ИИ требует поддержки.

Как избежать: в ТЗ обязательно укажите: «Модель должна переобучаться раз в месяц. Данные автоматически обновляются из CRM».

Ошибка 6: Вы не знаете, что такое «хороший» ИИ

Если вы не можете объяснить разработчику, что значит «хорошая модель» — вы не сможете оценить результат. Вы думаете, что «точность 90%» — это хорошо. А если у вас 95% клиентов не покупают? Тогда модель, которая говорит «не купит» для всех — тоже 95% точна. Но бесполезна.

Как избежать: узнайте базовые метрики: precision, recall, F1-score. Попросите команду показать не просто «точность», а полноту и качество предсказаний на реальных клиентах.

Как выбрать AI Product Manager для составления ТЗ

Если вы не эксперт в ИИ — вам нужен человек, который умеет переводить маркетинговые цели на язык машинного обучения. Это AI Product Manager — не разработчик, не аналитик, а мост между отделами.

Как его выбрать?

Признаки хорошего AI Product Manager:

• Имеет опыт в маркетинге. Он знает, как работает реклама, CRM, email-маркетинг. Не просто «технарь».
• Понимает основы машинного обучения. Знает, что такое классификация, регрессия, кластеризация. Может объяснить это на простом языке.
• Не продает «волшебство». Говорит: «Это сложно. Нужны данные. Не гарантирую результат» — а не «мы сделаем ИИ, который будет делать всё за вас».
• Работает с метриками. Всегда спрашивает: «Как мы будем измерять успех?»
• Имеет портфолио реальных кейсов. Не просто «работал с ИИ», а «снизил отток на 20% для клиента в ритейле».

Вот как проверить кандидата:

1. Задайте вопрос: «Как бы вы составили ТЗ на ИИ для улучшения ретаргетинга?»
2. Слушайте ответ: если он говорит «нужно использовать нейросеть», а не начинает с вопроса «Какие данные у вас есть?» — это плохой специалист.
3. Попросите пример: «Расскажите, как вы составили ТЗ на прошлом проекте». Если ответ — общие фразы, без деталей — откажитесь.
4. Проверьте коммуникацию: может ли он объяснить «регрессию» простыми словами? Если нет — ему не хватает навыка перевода.

Хороший AI Product Manager — это не тот, кто знает все алгоритмы. Это тот, кто умеет задавать правильные вопросы — и заставляет вас думать глубже.

Где взять шаблон ТЗ на ИИ для маркетинга

Шаблоны — это не панацея, но они дают структуру. Вот базовый шаблон, который вы можете использовать:

Шаблон ТЗ на внедрение ИИ в маркетинг

1. Цель проекта:

Опишите, что вы хотите достичь. Формулировка: «Цель — увеличить [метрику] на [%] за [период]».

2. Текущая проблема:

Что мешает? Почему сейчас не работает? Приведите цифры.

3. Целевая аудитория:

Кто получает рекомендации? По каким критериям выделяете?

4. Источники данных:

CRM, Google Analytics, логи сайта, рекламные платформы. Укажите формат (API/CSV), объем, период.

5. Техническая задача:

Классификация? Прогнозирование? Кластеризация? Укажите входные и выходные данные.

6. Метрики успеха:

Основной KPI, дополнительные. Как измерять? Где смотреть?

7. Ограничения:

Бюджет, сроки, доступ к данным, законодательные ограничения.

8. Требования к интерпретируемости:

Должна ли модель объяснять решения? Как?

9. План тестирования:

А/В тест? Прототип? Пилотная группа?

10. Поддержка и развитие:

Как часто переобучать? Кто будет следить за качеством?

11. Ответственные:

Имя, должность, контакты для каждой роли.

12. Сроки:

Этапы: сбор данных — ..., обучение — ..., тестирование — ..., запуск — ...

Сохраните этот шаблон. Заполните его под свою задачу. И не бойтесь — он не должен быть идеальным с первого раза. Главное — чтобы вы понимали, что пишете.

FAQ

Как выбрать, какой тип ИИ использовать для моей задачи?

Ответ: начните с вопроса — что вы хотите получить? Если нужно предсказать, купит ли клиент — используйте классификацию. Если хотите узнать, какая сумма будет в следующем заказе — используйте регрессию. Если нужно сгруппировать клиентов по поведению — кластеризация. Начните с одного типа задачи, не пытайтесь сразу сделать всё.

Стоит ли использовать готовые решения типа ChatGPT вместо кастомного ИИ?

Ответ: готовые решения (например, ChatGPT) полезны для генерации текстов, ответов в чате или анализа отзывов. Но если вы хотите персонализировать рекламу, предсказывать отток или управлять бюджетом кампаний — нужны кастомные модели, обученные на ваших данных. Готовые решения не знают вашу аудиторию — и не могут работать на уровне бизнес-целей.

Как понять, что ИИ работает лучше, чем старый способ?

Ответ: запустите A/B тест. Половине клиентов показывайте старые предложения, половине — новые ИИ-рекомендации. Сравните конверсию, средний чек, отток. Если ИИ показал лучшие результаты — он работает. Без сравнения вы не сможете оценить его эффективность.

Сколько времени занимает внедрение ИИ в маркетинг?

Ответ: от 2 до 6 месяцев. Первый месяц — сбор и очистка данных. Второй — обучение модели. Третий — тестирование и запуск пилота. Часто компании ожидают «быстрого результата», но ИИ требует времени. Успех зависит от качества данных, а не скорости.

Можно ли внедрить ИИ без технической команды?

Ответ: нет. Даже если вы используете готовые платформы (например, Google AI или Yandex Cloud), вам нужен человек, который настроит интеграцию, поймет логику и сможет интерпретировать результаты. Без технической поддержки ИИ превращается в «черный ящик» — и вы не сможете его контролировать.

Какие инструменты чаще всего используют для ИИ в маркетинге?

Ответ: Google Cloud AI, Yandex DataLens, Microsoft Azure ML, Python (библиотеки scikit-learn, TensorFlow), Power BI для визуализации. Выбор зависит от данных и бюджета. Главное — не выбирать по популярности, а по тому, поддерживает ли инструмент работу с вашими данными.

Что делать, если ИИ начал давать странные рекомендации?

Ответ: немедленно остановите его. Проверьте данные — возможно, появилась аномалия (например, всплеск ботов). Проверьте метрики — не упал ли KPI. Запустите ручной аудит: возьмите 50 случайных рекомендаций и проверьте, насколько они логичны. Если проблема системная — переобучайте модель или корректируйте данные.

Заключение: ИИ — это не технология, а новый способ мышления

Внедрение искусственного интеллекта в маркетинг — это не покупка «умного софта». Это трансформация подхода. Вы перестаете действовать по интуиции и начинаете строить решения на данных. Вы перестаете «думать, что клиенты хотят» — и начинаете измерять, что они действительно делают. ИИ не заменяет маркетолога — он усиливает его. Но только если вы умеете правильно сформулировать задачу.

Если вы прочитали эту статью до конца — у вас уже есть все инструменты, чтобы составить рабочее ТЗ. Вы знаете:

• Чем ИИ-ТЗ отличается от обычного
• Какие шаги нужно пройти, чтобы не потратить деньги впустую
• Какие ошибки убивают 80% проектов
• Как выбрать правильного специалиста
• Что должно быть в ТЗ, чтобы его не отклонили

Теперь самое время взять шаблон, открыть файл и начать. Не ждите идеальных данных — начните с того, что есть. Пишите ТЗ как для человека, а не для машины. И помните: лучший ИИ — это тот, который помогает людям принимать лучше решения. А не тот, что «умнее всех».