Возвращаюсь с историей про то как мы AI в пресейле применяли.
ИИ тут не магическая кнопка "нажимаешь — и оно само напишет КП", в реальности все сильно сложнее.

Расскажу, как у меня устроен пресейл с AI: от сырого ТЗ до прототипа, который помогает выиграть время и показать заказчику, что мы его реально поняли.

Типичная ситуация — некий гос проект в регионе MENA.
На входе ТЗ на десятки страниц, половина информации бюрократическая вода, вторая — противоречива. Часто больше половины требований еще и на арабском. Без AI я бы потратил пару дней только на то, чтобы разложить все по полочкам.
Добавьте сюда что все данные сенситив: внутренние системы, процессы, инфраструктура. Просто залить все в ChatGPT — не вариант ни с точки зрения безопасности, ни с точки зрения комплаенса.

По опыту из прошлого я привычен к развертыванию закрытых контуров (привет Олегу и Налог-Сервису) поэтому и для решения этой задачи подошел с техническим уклоном.

Схема следующая:
1️⃣ Локальный контур
Сырые документы я отдаю в локально развернутую модель (в основном Qwen, иногда другие под настроение)
Ее задачи:
— вытащить структуру документа;
— декомпозировать требования;
— помочь собрать многоязычный текст в единую картину.
На этом шаге в закрытом контуре модель работает с самым сенситив слоем.
Результатом работы служит четкое и структурированное описание продукта

2️⃣ После я обезличиваю данные и оставляю только верхнеуровневое описание требуемого решения.
Имена, особенности инфраструктуры, сенситив данные заказчика — все старательно вычищается и остается только голый "скелет" проекта.

3️⃣ Дальше можно подключать классические ChatGPT/Gemini/etc.
Применяя фреймворки промпт-инженеринга, пошагово анализирую конкурентов, ЦА, боли и задачи, тем самым набирая критическую массу контекста о проекте.
На этом этапе AI помогает:
— уточнить домен и типичные сценарии;
— посмотреть, как проблему решают конкуренты;
— собрать список болей и ожиданий разных ролей.

Результат я формирую в structure output виде, может быть и плацебо, но мне помогает получать более стабильный результат. Функциональные блоки, ЦА, роли, гипотезы.
Это важно, потому что дальше все снова уезжает в локальный контур.

4️⃣ Теперь уже я в закрытый контур возвращаю представление о проекте, которое построено на понимании рынка, ЦА и их потребностей.
На этом этапе я прошу AI
— разложить всё на пользовательские флоу;
— описать edge cases;
— составить итоговый список функций.

Получаем хороший черновик. Эстимации, детали, приоритеты и здравый смысл остаются на команде, но стартуем мы уже не с пустого листа.

У нас есть юзкейсы и флоу, самое время подключить Figma Make.
Даем ей роли и сценарии — на выходе получается прототип, который очень похож на реальное приложение (вообще ни разу не про дизайн, просто драфт который можно взять за основу)

На встрече с заказчиком такой прототип работает как сильный айсбрейкер:
— показывает, что мы действительно разобрали их требования;
— помогает клиенту проговорить скрытые ограничения и ожидания;
— резко переводит разговор из абстрактного "сделайте нам систему" в обсуждение конкретных экранов и функций.

Частый фидбек в таких ситуациях: "Удивительно, что вы так быстро подготовили решение, это же почти готовый продукт"

Если чуть отойти от конкретных тулов, в этом подходе для меня важны несколько принципов:
— разделять контуры: всё, что может раскрыть сенситив данные, живет только в локальном периметре;
— AI помогает сделать каркас — и в разборе ТЗ, и в юзкейсах, и в прототипе AI дает драфт, но решение все равно за командой;
— думать в т.ч. про наглядность — прототип позволяет выстроить вокруг него предметный разговор с заказчиком и своей командой + может обеспечить вау-эффект

Для тех, кто участвует в подобных процессах, многое, думаю, откликнется.
Если подводить итог, то это не про "нейронка вместо человека", а про то, как за счет AI быстрее пройти путь от сырых RFP к общему пониманию решения и разговору с клиентом на языке сценариев и интерфейсов.

Сильно подробнее разбор этого кейса вы можете прочитать на VC