AI-тренер,
который знает тебя
«Представьте, что вас попросили запустить новый продукт на основе искусственного интеллекта, который должен набрать минимум миллион пользователей в ближайшие полгода. Выберите конкретный продукт или сценарий с использованием ИИ и опишите шаги, которые вы предпримете для его запуска»
Рыночная возможность
Спрос есть и растёт → AI-дизрапшн не начался
61%
россиян ежедневно испытывают боль в спине — 30+ млн офисных работников
×5
рост цифрового фитнеса
за 3 года — с 7% до 35% проникновения
96%
пользователей уходит — текущие приложения
не помогают
В России нет AI-тренеров с контекстной адаптацией. Существующие решения — видеотеки (FitStars) или клубные приложения (DDX Fitness и другие) не подстраиваются под пользователя
Глобально ниша только формируется — окно для входа 12–18 месяцев
новый Продукт
Первый AI-тренер, который знает тебя
Создаем новую категорию продукта: AI генерирует персональную тренировку за секунды, зная контекст
Живой пример
Утро, 15 минут до выхода на работу, болит поясница, дома только коврик
AI-тренер дает 3 упражнения и рассказывает «почему кошка-корова снимает компрессию L4-L5»
Один сценарий на старте — утренняя разминка для спины
Архитектура
DSL-движок
Предметные правила генерируют тренировки с учётом инвентаря, противопоказаний, прогрессии и времени
LLM-слой
Онбординг, живые объяснения, мотивация, ответы на вопросы — ценность как у персонального тренера
Экономика почти как у приложения, ценность как у персонального тренера. Сначала отвечает
на вопросы — потом предлагает сам
Расширение сценариев — после подтверждения спроса
Стратегическое обоснование
Почему мы и почему сейчас
Почему именно сейчас
LLM существуют 3+ года, но фитнес до сих пор не прошёл через AI — задача оказалась сложнее, чем выглядит
Нужно не просто сгенерировать текст, а собрать тренировку с учётом многих ограничений. LLM без предметного движка делает это дорого и с ошибками
Решение — гибридная архитектура: построить DSL-механики на правилах для генерации + LLM для адаптации и живого общения
И у нас есть структурное преимущество — экосистема
Преимущества экосистемы
Своя LLM на своих GPU → контроль маржи
AI-ассистент → удержание через контекстные напоминания («Сидишь 3 часа — разомнись»)
Музыка, карты, данные экосистемы → дифференциация, которую автономный стартап не повторит
Сон, шаги, плейлисты → предиктивный тренер на горизонте
Первый, кто соберёт это вместе — определит категорию нового AI-продукта
Роадмап
Как запускаем: стартап → экосистема
1
Проверка спроса: 3 мес
Пилот в мессенджере — один сценарий
Цель: повторные тренировки (PMF)
Критерий остановки: 14-дневное удержание <N%
2
Рост: 6 мес
Переход в приложение при подтверждении спроса
Новые сценарии тренировок, интеграция с голосовым ассистентом
Цель: устойчивое удержание выше рынка
3
Экосистемный рычаг: 12 мес
Интеграция в экосистему
Расширение на питание, спортинвентарь
Цель: экосистемная дифференциация
AI становится умнее: Адаптация к профилю → Адаптация к ситуации → Анализ по камере → Предиктивный тренер
Цель
300–500K MAU через 12 месяцев
Наша ставка — 300–500K MAU за 12 месяцев с экосистемным рычагом, миллион пользователей будет производной от MAU (не отдельной задачей)
Бенчмарки рынка
Контекстная адаптация — главный драйвер удержания. Фитнес продукты с похожей архитектурой показывают результаты в верхнем квартиле рынка
Down Dog
DSL-движок → $8.2M выручки при 5 FTE
Zing Coach
Компьютерное зрение → +25% M1-удержание
Ценность для экосистемы
Продукт удерживает подписчиков экосистемы — модель Apple Fitness+ / Amazon Prime Video
Ключевая гипотеза: AI-тренер снижает отток из подписки
Проверим через A/B — если гипотеза верна, экономика продукта меняется принципиально
За кадром
Прозрачность: об использовании AI при подготовке кейса
Каждое решение обосновано, цифры проверены по первоисточникам, гипотезы прошли стресс-тест
Процесс и методология
Проведено 6 фаз исследований: на каждой — сходимость гипотез, проверка данных, фиксация решений
Методология проверки каждой гипотезы: генерация → углубление → стресс-тест → защита → уточнения/решение
Отсечённые гипотезы
AI-документы → отказ после пивота (fallback)
AI-стилист → не прошёл фильтр аудитории
AI-презентации → фича в чужом продукте
AI-фитнес → прошёл 4 фильтра и стресс-тест
Стресс-тестирование (ролевые дебаты агентов)
5 экспертных ролей
Инвестор, growth-маркетолог, продакт, CTO, адвокат дьявола — для стартап-гипотез
4 роли C-level
VP Product, VP Growth, CFO, CTO — для экосистемной валидации
Роль AI и роль автора решения кейса
AI — инструмент для исследования, генерации гипотез и стресс-тестирования
Автор — постановка задач, фреймворк принятия решений, критическая оценка результатов, финальные решения