Как я оцифровал свой 15-летний опыт в e-commerce и собрал AI-сервис за 4 недели

Привет, Радар! Меня зовут Бизикин Сергей. Я работаю в диджитал уже более 20 лет, из которых последние 15+ занимаюсь аналитикой в электронной коммерции и крупных интернет-проектах (Спортмастер, Яндекс, Эльдорадо, SimpleWine). Последние 8 лет в ведущем ИТ-интеграторе AWG.

Цель этой статьи — поделиться опытом и на практике доказать, что сегодня порог входа в разработку собственных ИТ-решений практически исчез. Глубокая экспертиза в предметной области (будь то UX, аналитика или продажи) теперь гораздо важнее умения писать код вручную. Если вы когда-нибудь ловили себя на мысли «вот бы сделать сервис, который автоматизирует мою ежедневную рутину», но останавливались из-за отсутствия команды разработчиков — этот материал для вас.

Мы на Product Radar:

UX Vision

Автоматический UX-аудит. Нейросеть найдет проблемы в интерфейсах и даст советы по их улучшению.

12

• Инструменты для владельцев сайтов
• Нейросети для поддержки клиентов
• Сервисы аналитики
• 🔥Хочу максимальную прожарку

47

Почему я решил оцифровать свой опыт?

Обычный экспертный UX-аудит крупного проекта — это довольно дорогое удовольствие. Ценник на качественный разбор интерфейса от топовых агентств начинается от 100 000 рублей и легко уходит в бесконечность, а сам процесс занимает недели. Для малого бизнеса это просто неподъемная сумма, а для самих агентств на этапе пресейла — непозволительная роскошь по времени.

Я решил проверить: можно ли превратить 15 лет работы в индустрии в программный код, если ты сам — не разработчик? В этой статье я подробно расскажу, как с помощью концепции AI-инжиниринга и LLM-модели Gemini 3.1 Pro я создал цифрового двойника UX-аналитика, который делает его работу за 3 минуты.

Идея, которая ждала своего часа 10 лет

Я мечтал о подобном сервисе еще в 2015-м. Но тогда мы были ограничены примитивными алгоритмами, которые могли максимум проверить контрастность текста или наличие атрибута alt у картинок. Настоящий UX — это не про теги, это про логику, управление вниманием и глубокое понимание психологии поведения покупателя.

В ноябре 2025 года, после выхода Google Antigravity и модели Gemini 3 Pro, я понял: технологии наконец-то догнали мои запросы. Новые модели научились не просто «видеть» изображение, но и понимать его структуру, распознавать элементы и оценивать взаимодействие на уровне опытного UX-аналитика.

AI-инжиниринг: как собрать SaaS, не будучи разработчиком

Я — аналитик. Мой потолок в программировании — это Python-скрипты для обработки и анализа данных в Pandas/Polars, дашборды на Streamlit и работа с БД. Я умею читать код и понимаю логику, но построить архитектуру современного веб-приложения с нуля — это совершенно другой уровень.

Популярный сейчас термин «Vibe Coding» звучит красиво, но я бы назвал свой подход AI-инжинирингом. Это не просто «разработка на вайбе», а построение четкой архитектуры, где ИИ выступает в роли исполнительного механизма, а человек — в роли системного инженера. Моим напарником и «руками» стал Google Antigravity (агентская среда разработки).

Почему Google? Выбор платформы и экономика лимитов

На момент старта разработки в феврале 2026 года мой выбор в пользу Google был прагматичным. Если смотреть на актуальные рейтинги, модели Gemini уверенно держат первое место в задачах Vision — обработке и анализе изображений. Для UX-сервиса, где всё строится на «зрении» нейросети, это был решающий фактор.

Второй момент — экосистема. Google запустил свою IDE Antigravity, которая давала бесшовную интеграцию. На старте они предлагали очень щедрые лимиты даже на стандартном тарифе Gemini Pro за $20. Однако реальность такова, что сейчас «профессионально» работать на 20-долларовых тарифах (будь то Google, OpenAI или Anthropic) практически невозможно — в лимиты упираешься очень быстро.

Я перешел на подписку Google Ultra. Она стоит $250 в месяц, что для разработчика ощутимо, но мне повезло: в феврале я попал на промо-акцию, и ближайшие три месяца подписка обходится мне в $125. За эти деньги я получил те самые мощности, которые позволяют комфортно разрабатывать сервис.

Методология работы в Antigravity: Skills, Rules, Workflows

Просто общаться с агентом в IDE — путь к хаосу. Чтобы Antigravity не превратил проект в спагетти-код, я выработал жесткую систему работы.

В рамках одного диалога я ставлю либо одну большую задачу, либо несколько мелких. В конце каждого диалога обязательно прошу ИИ сделать саммаризацию и обновить файл SUMMARY.md. В этом файле фиксируется актуальное состояние архитектуры, последние изменения и текущий статус проекта. Это «внешняя память» ИИ, которая позволяет не терять контекст при создании новых диалогов.

Вся работа в Antigravity строится на трех фундаментальных концепциях:

Skills
Что это: специализированные знания + инструменты.
Аналогия: специализация.
Пример: “Как делать ревью кода”.

Rules
Что это: жесткие правила и гайдлайны проекта.
Аналогия: правила поведения сотрудника.
Пример: “Пиши на TypeScript”.

Workflows
Что это: пошаговые инструкции.
Аналогия: чек-лист / инструкция.
Пример: “Как задеплоить проект”.

Один из примеров — мой workflow для деплоя. Раньше подготовка проекта к выкатке на сервер требовала ручных проверок и команд. Для автоматизации этих шагов я создал workflow, с помощью которого весь деплой запускается одной командой, после чего ИИ сам собирает билд, добавляет коммит и пушит.

CI/CD с автоматическим деплоем

Как только Antigravity делает пуш в GitHub, на стороне Timeweb Cloud срабатывает триггер. В нем развернуто приложение через App Platform, которое автоматически забирает обновленный репозиторий, анализирует последний коммит и запускает деплой на основе Dockerfile.

Это позволяет мне не отвлекаться на DevOps-задачи и видеть изменения на «боевом» сервере через пару минут после запуска команды «/deploy».

Голос вместо клавиатуры: как я «проговаривал» свой сервис

Самый важный инсайт, который я вынес из процесса: твоя скорость в 2026 году ограничена исключительно скоростью ввода твоих мыслей. В AI-инжиниринге ты постоянно ведешь диалог с моделью. Печатать вручную длинные PRD (Product Requirements Document), описания функций и системные промпты — это долго, нудно и убивает продуктивность.

Изначально я начал использовать Wispr Flow, и это уже был прорыв. Механика простая: зажимаешь клавишу на клавиатуре, наговариваешь мысль, отпускаешь — и идеально распознанный текст уже в редакторе или чате с ИИ. Скорость работы увеличилась в четыре раза. То, на что раньше уходил бы час печати, теперь «проговаривается» за 15 минут.

Однако через некоторое время я перешел на более удобный для меня инструмент — Superwhisper.

Во-первых, он оказался банально выгоднее: месячная подписка на него стоит в два раза дешевле ($9 vs $18) при том же качестве. Но главное преимущество в другом — Superwhisper позволяет загружать и использовать локальные модели. Это значит, что вся обработка моего голоса происходит прямо на компьютере, а не в облаке. Результат — практически мгновенная расшифровка с минимальной задержкой.

Это дало неожиданные, но очень важные бонусы:

1. Качество промптов: когда ты говоришь, а не печатаешь, ты не ленишься разворачивать мысль. Промпты становятся более подробными, со всеми нюансами и контекстом, что критически важно для получения качественного кода от ИИ. Там, где я бы сократил предложение при печати, голосом я раскрываю все детали.
2. Тренировка речи: для человека на удаленке это отличная практика. Ты постоянно озвучиваешь мысли, выстраиваешь сложные предложения, тренируешь дикцию. Ты начинаешь осознавать огрехи своей речи и тут же пытаешься их исправить. Плюс, создается ощущение реального диалога с коллегой, что сильно поддерживает в процессе долгой разработки.

Дизайн без хаоса: Google Stitch и MCP-интеграция с Antigravity

Когда код пишется со скоростью мысли, легко утонуть в визуальном хаосе. Чтобы сервис выглядел профессионально и единообразно, я интегрировал в процесс Google Stitch.

Это AI-инструмент для визуального проектирования, который поддерживает интеграцию с IDE с помошью MCP-серверов (Model Context Protocol). Благодаря этому Antigravity может напрямую взаимодействовать со Stitch. Процесс выглядит так: я создаю макеты или компоненты прямо в интерфейсе Stitch, применяю стили, а Antigravity подхватывает эти данные для финальной верстки страниц. Это позволяет не только быстро создавать интерфейс «из коробки», но и загружать уже готовые макеты для их последующей адаптации.

Чтобы у проекта был стандарт, я создал файл DESIGN.md. В нем я описал всю дизайн-систему: основные цвета, типографику, поведение кнопок и правила использования компонентов. Теперь при создании любой новой страницы Antigravity сначала обращается к этому файлу. Это гарантирует, что интерфейс будет выглядеть цельно, а не как лоскутное одеяло из случайных идей нейросети.

Gemini Live: «прожарка» интерфейса в прямом эфире

Еще один инструмент, который перевернул мой процесс разработки интерфейса — это Gemini Live (модель Gemini 3.1 Flash Live Preview, доступная в AI Studio на текущий момент). Если Superwhisper помогал мне быстро писать код, то Gemini Live стала моим персональным «дизайнером».

Работает это магически: я запускаю Gemini Live и шарю ей свой экран. Благодаря низкой задержке и аудио-диалогу, мы общаемся в реальном времени: я просто вожу курсором по элементам страницы и спрашиваю: «Слушай, а как тебе этот блок регистрации? Что тут лишнее? Что можно улучшить, чтобы конверсия в подписку выросла?».

Gemini Live видит видеопоток моего экрана и тут же отвечает голосом: «Слушай, у тебя тут слишком много обязательных полей, пользователю лень это заполнять. А еще кнопка “Зарегистрироваться” визуально спорит с заголовком за внимание, давай сместим акцент…». По сути, это онлайн-консультация с экспертом. Я получаю мгновенную критику и идеи по улучшению прямо в процессе разработки, не дожидаясь долгих тестов на реальных пользователях.

Первые проблемы: геоблокировки API

Разработка шла бодро, пока я не столкнулся с суровой реальностью. API Google AI Studio начал беспощадно банить запросы из-за географии. Я переключился на корпоративную платформу Гугла Vertex AI, арендовал сервер на Timeweb Cloud в Нидерландах (Timeweb Cloud я выбираю для реализации в свой проект из-за того, что там уже есть много готовых приложений и установок, которые можно развернуть за пару кликов и 5 минут, буквально.), но через неделю Google видимо «вычислил» принадлежность и этого пула IP-адресов, после чего даже с нидерландского сервера перестали отправляться запросы.

Ситуация была патовая: сервис практически готов, но «мозг» (API Gemini) недоступен.

Для решения возникшей проблемы я решил использовать платформу Vercel как прокси для общения с API Google Vertex. Почему именно Vercel? Когда ты разрабатываешь на Next.js, Vercel — это путь наименьшего сопротивления. Я развернул там легкий прокси-скрипт (конечно, также созданый с помощью ИИ). Vercel здесь сработал как идеальный, масштабируемый шлюз с минимальными задержками, который «прозрачен» для Гугла. Теперь мой основной сервер отправляет запрос на Vercel, а тот стучится в API. Скорость почти не пострадала, а стабильность стала 100%. При этом бесплатного тарифа хватает для того, чтобы размещать и запускать небольшие проекты.

Стресс-тест для Google: нагрузочное тестирование на API

После того как я наладил стабильный доступ к модели, встал следующий вопрос: а что будет, когда сервисом начнут пользоваться множество пользователей одновременно? Сможет ли связка Vercel + Vertex AI выдержать такую нагрузку? Или Google просто начнет блокировать запросы, когда их количество превысит определенный лимит?

Для ответа на этот вопрос я сделал специальный инструмент для нагрузочного тестирования. Он позволяет запускать большое количество одновременных запросов к AI.

Мы задаем количество параллельных запросов и интервал между запусками, чтобы понять, при какой нагрузке начнутся ошибки.

Результаты превзошли мои ожидания. Vertex AI через Vercel отлично справлялся с нагрузкой. Никаких блокировок или серьезных задержек в ответах я не зафиксировал. Это подтвердило, что архитектура готова к реальному продакшену и масштабированию.

Безопасность и закон: где лежат данные?

Когда мы переходим от пет-проекта к коммерческому инструменту, вопрос безопасности данных встает особенно остро. На этапе MVP я использовал облачный Supabase (платформа с открытым исходным кодом, предоставляющая функции Backend-as-a-Service на базе реляционной базы данных PostgreSQL), что позволило настроить базу данных буквально за несколько минут. Но для работы в России это недопустимо — данные граждан РФ должны храниться внутри страны согласно ФЗ-152.

Решение пришло быстро: я развернул self-hosted версию Supabase на мощностях Timeweb Cloud в российском дата-центре.

У провайдера есть готовая опция деплоя Supabase через Docker «в один клик». Буквально за 30 минут я получил полностью готовую, изолированную инфраструктуру на локальных серверах. Это дало проекту юридическую чистоту, независимость от зарубежных облаков и минимальный пинг. Теперь я могу сказать точно пользователямпользвоателям и проверяющим структурам: ваши данные не покидают границы РФ.

Почему скриншоты, а не прямая ссылка на сайт?

Часто спрашивают: «Почему нельзя просто вставить ссылку, чтобы скрипт сам сходил и всё проверил?». Я сознательно отказался от этого варианта по трем причинам:

1. Универсальность: если мы привязываемся к URL, мы ограничиваемся только вебом. Мой сервис же может анализировать мобильные приложения (iOS/Android), сложные интерфейсы админок и даже макеты в Figma, которые еще не превратились в код. Для аудита достаточно просто изображения.
2. Противодействие ботам: крупные платформы активно защищаются от скрапинга. AI часто детектируется как бот, и доступ блокируется. Скриншот же невозможно «забанить».
3. Проблема «всплывашек»: куки-баннеры и поп-апы подписки закрывают интерфейс для ботов. Скриншот, сделанный человеком в «чистом» виде, гарантирует, что мы анализируем именно то, что видит реальный покупатель, без лишнего визуального мусора.

Методология: Как зашить 15 лет экспертизы в промпт

Ценность сервиса не в том, что он использует ИИ, а в том, как он его использует. Чтобы добиться повторяемости результатов, я оцифровал свои знания в виде жесткой системы чек-листов и их «весов».

Я разбил аудит на проверки, основанные на своем опыте, в также стандартах Baymard Institute и Nielsen Norman Group.

Архитектура промптов: как я научил ИИ думать структурами, а не текстом

Одной из главных задач при создании AI-аналитика было добиться стабильности ответов. Если просто попросить нейросеть «посмотреть на скриншот и найти ошибки», каждый раз мы будем получать разный результат: сегодня она заметит кнопку, завтра — цвет заголовка, а послезавтра вообще уйдет в философские рассуждения о дизайне.

Чтобы превратить творчество ИИ в рабочий инструмент, я реализовал систему на базе JSON.

Дифференциация по типам страниц
Мы не «кормим» модель одним «универсальным» промптом. Для каждого типа страницы (Главная, Карточка товара, Листинг, Корзина/Чекаут) у нас подготовлен свой уникальный набор чек-листов.

• Как это устроено: на вход системе подается набор проверок в формате JSON. Например, для корзины это валидация отображения итоговой суммы и видимости кнопки оформления.
• Зачем это нужно: это резко повышает «фокусировку» модели. Она не ищет ошибки в корзине там, где их быть не может по определению, и отрабатывает только релевантные бизнес-кейсы.

JSON на входе: Почему это ускоряет обработку?
Все чек-листы передаются системе не в виде вольного текста, а как структурированные данные.

• Контекстная плотность: ИИ быстрее понимает иерархию требований (что критично, а что вторично).
• Минимизация «галлюцинаций»: четкая структура JSON ограничивает фантазию модели рамками конкретных параметров.
• Масштабируемость: добавление новой проверки в систему занимает секунды — достаточно просто дописать объект в конфигурационный JSON-файл.

JSON на выходе: Машиночитаемая аналитика

Это критически важная часть. Я требую от системы выдавать ответ строго в формате JSON. Мы полностью отказались от «простыни» текста в пользу структурированного объекта.

• Мгновенный парсинг: программе не нужно «вычленять» результат из полотна текста с помощью регулярных выражений. Мы сразу получаем готовые блоки: статус проверки, оценку серьезности (Severity) и описание проблемы.
• Исключение ошибок интерпретации: структурированный ответ гарантирует, что каждый параметр (например, status: “Fail”) всегда будет находиться в своем поле, что позволяет нам строить графики и отчеты в реальном времени.

Переход на JSON-native общение с ИИ повзолило построить систему, в которой данные передаются между модулями без потерь и искажений.

Для того, чтобы LLM-модель отдавала ответ в таком формате, необходимо в теле промпта прописать соответствующую структуру.

Математика оценки: Severity vs Status

Каждый пункт чек-листа имеет свой вес (Severity):

• High (3 балла): критичные вещи для конверсии (например, видна ли цена и кнопка покупки).
• Medium (2 балла): важные элементы юзабилити.
• Low (1 балл): косметические улучшения.

AI анализирует скриншот и присваивает статус (Status):

• Pass (1.0): проверка пройдена.
• Warning (0.5): частично выполнено.
• Fail (0): не выполнено.

Оценка каждого пункта чек-листа рассчитывается умножением веса данного пункта на его статус. Соответственно, если важность была high (3 балла), но в ходе проверки этот пункт был выполнен только частично (статус «Warning»), значит 3 умножается на 0,5 = 1,5 балла из 3.

Итоговая формула:

totalScore = (СуммаПолученныхБаллов / МаксимальнаяСуммаБаллов) * 100.

Это превращает субъективное «мне не нравится» в объективную бизнес-метрику, которую можно замерять в динамике.

Забавный случай в процессе разработки: UX пивной полки

На одном из этапов разработки я случайно загрузил в сервис фотографию реальной витрины с пивом в магазине вместо скриншота интерфейса. Самое интересное, что алгоритм, заточенный под анализ сайтов, не растерялся.

Он применил логику «диджитал-полки» к физической: оценил четкость ценностного предложения (ассортимент), навигацию (насколько легко найти конкретный сорт) и даже заметил, что акционные предложения (желтые ценники) видны, но не создают единого фокуса. ИИ выдал вполне рабочие рекомендации по мерчандайзингу, которые могли бы повысить «конверсию» в реальном магазине. Это лишний раз подтвердило, что качественный UX — это универсальные законы психологии восприятия, которые работают везде.

Честный «дисклеймер»: что сервис НЕ делает

Давайте будем откровенны: мой сервис не заменит глубокие качественные интервью с вашими реальными пользователями (CusDev) или многомесячное A/B-тестирование сложных гипотез.

Но мой инструмент снимает 80% проблем «гигиены» интерфейса, которые годами висят в бэклогах компаний из-за отсутствия ресурса аналитиков. Это база, которую нужно исправить еще до того, как вы позовете живых людей на тесты. Указав на очевидные проблемы с помощью ИИ за 3 минуты, вы сможете направить силы ваших UX-специалистов на действительно важные задачи.

Мой сетап AI-инженера на март 2026

Если вы вдохновились и хотите собрать что-то свое, вот актуальный список инструментов, которые я использую прямо сейчас для поддержки и развития проекта:

• Голосовой ввод: Superwhisper. Забудьте про клавиатуру. Использую локальные модели для мгновенной расшифровки голоса в текст с практически нулевой задержкой.
• Среда разработки: Google Antigravity. IDE, где ты работаешь в паре с ИИ-агентом, который видит контекст проекта.
• Модели: Gemini 3.1 Pro (для сложных архитектурных задач) и Gemini 3.1 Flash Live Preview (для мгновенного ревью интерфейса через видеопоток).
• Дизайн и прототипирование: Google Stitch с интеграцией через MCP-серверы. Позволяет генерировать макеты прямо из IDE и сразу превращать их в код.
• Инфраструктура: Timeweb Cloud для хостинга в РФ и Vercel для проксирования к заблокированным API AI-моделей.

Итоги и взгляд в будущее

За 4 недели я собрал продукт, на который раньше потребовались бы месяцы разработки и целая команда. Это и есть настоящая революция ИИ — он дает возможность масштабировать экспертные знания. Мой сервис не заменит полностью UX-специалистов, но он точно заменит рутинную работу по первичным аудитам.

Я здесь, чтобы найти первых пользователей и получить жесткую, но справедливую обратную связь. Готов бесплатно прогнать через UX Vision 10 ecommerce-проектов (все основные этапы воронки: главная страница, каталог, карточка товара и корзина с оформлением заказа) из сообщества в обмен на честный фидбек.

Приглашаю вас протестировать мой проект: UX Vision

Связь и фидбек

Если вам удобнее оставить фидбек или зарепортить баг в более формализованном виде, я поднял специальную доску для сбора предложений.

Ну а для тех, кто предпочитает личное общение — пишите мне напрямую в Telegram: @SergeyBizikin. Я открыт к любым предложениям и конструктивной критике.

Также подписывайтесь на мой Telegram-канал о внедрении AI в бизнес: AI x ROI.

Будем рады поддержке лайком или комментов на Product Radar:

UX Vision

Автоматический UX-аудит. Нейросеть найдет проблемы в интерфейсах и даст советы по их улучшению.

12

• Инструменты для владельцев сайтов
• Нейросети для поддержки клиентов
• Сервисы аналитики
• 🔥Хочу максимальную прожарку

47

⭐️ Эту статью написал «Друг Радара». Вы можете добавить свою статью или обсудить ее идею с нами в боте. Мы поможем на всех этапах подготовки и публикации статьи, а также разметим ее в сторисах нашего Telegram-канала @productradar_official. Редакция Блогов Product Radar бережно сохранила авторский стиль, орфографию и пунктуацию.