Product Radar
Привет, Радар! Меня зовут Станислав Баласанян. Я основатель KickCheck, сервиса, который по фотографиям оценивает риск подделки у брендовой обуви, одежды и аксессуаров. Я не программист и не писал код традиционным способом. Зато научился работать с ИИ как с командой технических консультантов: ставил задачи, сравнивал варианты, находил противоречия, тестировал результат и добивался, чтобы продукт решал задачу пользователя.
Расскажу, как прошёл путь от первого Телеграм-бота до сервиса с 2 000 пользователей и почему хорошего продукта оказалось недостаточно для продаж.
Проект на Product Radar:
ИИ-проверка подлинности брендовых вещей, кроссовок и сумок по фото за 30–60 секунд
Всю жизнь работал с людьми, а потом надолго остался дома
По образованию я эколог-экономист, но по специальности не проработал ни дня. С 1997 по 2007 год работал в пищевой промышленности и прошёл путь от рядового менеджера до генерального директора молокозавода. Там я научился управлять операционкой, следить за стандартами и работать с людьми. С 2007 по 2010 год жил за пределами России. С 2012 года руковожу собственной компанией: много лет занимался туризмом и организовывал мероприятия.
Бизнес шёл хорошо, но в какой-то момент жизненные обстоятельства заставили меня надолго остаться дома, и я выпал из привычного круга общения и активных проектов. Для человека, который всю жизнь управлял и работал с людьми, это оказалось непросто. Тогда я стал больше пробовать новые цифровые инструменты и постепенно пришёл к генеративному ИИ.
Как раз в 2023–2024 годах начался бум нейросетей. Программировать я не умел и синтаксиса языков не знал, зато у меня был большой управленческий опыт и много свободного времени.
Три нейросети спорили, я выбирал рабочий вариант
Курсов я не покупал. Просто садился и ставил нейросетям практические задачи, как будто передо мной сидят инженеры. Быстро понял, что одной модели доверять нельзя, и стал работать сразу с тремя: Claude, ChatGPT и Gemini. Они часто спорили и предлагали противоположные решения по коду и логике. Я тестировал их варианты, искал нестыковки и добивался от них рабочего решения.
Первым проектом стал Speechwriter, Телеграм-бот и PWA-приложение для расшифровки и редактирования текстов. Первую рабочую версию я собрал примерно за месяц. Подключить распознавание речи оказалось просто. Гораздо дольше я добивался, чтобы система выдавала чистый отредактированный текст без «галлюцинаций» и мусорных слов.
Когда бот заработал, я задумался, кому он нужен. Сделал посев в Телеграм-каналах для секретарей и помощников руководителей, то есть людей, которые каждый день расшифровывают голосовые шефа, протоколы совещаний и заметки. У них инструмент сразу прижился. Позже я заглянул в логи и увидел пользователей со всего мира: бот понимает десятки языков, и в него регулярно надиктовывают тексты на арабском, урду, корейском и японском.
Speechwriter работает до сих пор, я и сам им пользуюсь. Но для меня он остался учебным проектом. На нём я разобрался, как устроены боты, API и серверы, и захотел взяться за задачу посложнее.
ChatGPT перечислил признаки подделки, но не помог проверить мою пару
Идея KickCheck появилась из бытовой ситуации. Примерно полтора года назад мы с женой купили на маркетплейсе популярные кроссовки Adidas Samba. Дома я засомневался: материал верха на ощупь казался странным для заявленной кожи.
Я сфотографировал кроссовки и ярлыки и отправил снимки в ChatGPT. Ответ оказался осторожным и слишком общим. Нейросеть перечисляла возможные признаки подделки, но не объясняла, как проверить их на моей паре.
Как покупателю мне не хватило конкретики. Я хотел понять, какие данные можно сопоставить, что именно вызывает вопросы и насколько серьёзны расхождения.
Докопаться до истины я так и не смог, и мы сдали кроссовки обратно: носить сомнительную вещь не хотелось. Я поискал готовые сервисы проверки. Зарубежные не работали с российским рынком, а Телеграм-ботам, которые я нашёл, я не доверял.
В голове крутился вопрос: почему при всех возможностях ИИ нет инструмента, который разложит вещь по полочкам и выдаст аргументированный отчёт? Я решил сделать такой инструмент сам.
Ещё один чат с общими рассуждениями мне был не нужен
Мне не хотелось создавать очередной чат, который по фотографии выдаёт общее рассуждение. Поэтому в основе KickCheck лежат накопленная база моделей, правила анализа и структурированный отчёт. В базе больше 12 000 моделей обуви, одежды, аксессуаров, БАДов, косметики и парфюмерии от 330 с лишним брендов, и она постоянно пополняется.
Пользователь загружает фотографии вещи и её маркировки. Сервис помогает разобрать доступные признаки, сопоставить их с данными по модели и показать, что выглядит последовательно, а что требует внимания. На выходе человек получает понятный отчёт: оценку риска и объяснение, на каких фактах она основана.
Почему KickCheck никогда не скажет «100% оригинал»
Вердикт «оригинал» или «подделка» сервис не выносит, и это принципиальное решение. Одну и ту же модель могут шить на пяти–семи фабриках во Вьетнаме, Индонезии и Китае, и оттенок ниток или клей у них немного отличаются. Ни один эксперт в мире не даст по фотографиям стопроцентной гарантии.
Поэтому KickCheck показывает процент риска в одном из трёх диапазонов:
- 0–30%, низкий риск: на доступных фотографиях нет существенных противоречий.
- 31–65%, повышенный риск: есть признаки или ограничения, из-за которых нельзя сделать уверенный вывод.
- 66–100%, высокий риск: сервис нашёл заметные несоответствия или критические вопросы к маркировке и другим доступным данным.
KickCheck не заменяет решение человека. Сервис помогает принять его осознанно, с опорой на доступные факты.
Инвестиций я не привлекал. Код и архитектуру я собирал с помощью ИИ, поэтому тратился в основном на подписки на нейросети и инструменты разработки, VPS в Selectel и базы данных, API-токены распознавания и пошлину за патентную заявку в Роспатент.
Две тысячи пользователей и всего 22 оплаты
Сейчас в сервисе около 2 000 зарегистрированных пользователей. Платный детальный отчёт за 399 рублей купили 22 человека.
Конверсия низкая, и главную причину я вижу в недоверии. Люди, которые покупают брендовые вещи на вторичном рынке или маркетплейсах, и так насторожены: вокруг перепродажи крутится много мошенников. Когда незнакомый сайт просит 399 рублей за проверку, человек сомневается, не обманут ли его и здесь. Пока KickCheck не стал узнаваемым брендом, первую оплату получить трудно.
Кроме того, я почти не покупал рекламу: на тесты в Яндекс Директе ушло около 27 000 рублей. Почти все пользователи пришли органически. Их приводит каталог из 4 300 страниц с инструкциями по проверке конкретных моделей. Поисковики стабильно его индексируют, и люди находят KickCheck по запросам вроде «как отличить подделку Adidas Samba».
Лучше всего конверсию поднимает демо-доступ. Когда человек видит, насколько подробный отчёт получит, он больше доверяет сервису.
Финал отбора на крупном маркетплейсе и требование держать всё в России
Главным подтверждением, что технология работает, для меня стал интерес крупного бизнеса. KickCheck участвовал в отборе решений для премодерации карточек товаров на крупном маркетплейсе и вышел в финал из пяти команд. Маркетплейсу нужно было автоматически отсеивать подозрительные карточки ещё до того, как они попадут на витрину. Под эту задачу я расширил проверку на новые категории: спортивное питание, БАДы и парфюмерию.
Этот опыт дал мне два вывода. Во-первых, анализ бирок, составов и маркировки «Честный ЗНАК» хорошо масштабируется на потоковые проверки. Во-вторых, крупный российский бизнес требует, чтобы все серверы и нейросетевые мощности находились в России, по 152-ФЗ. Сейчас я закончил переносить ключевые компоненты на серверы Selectel в Москве.
Хорошего продукта оказалось мало
На старте я наивно думал, что за хорошим продуктом люди сами выстроятся в очередь и сразу начнут платить. Со временем понял, что в C2C одного продукта недостаточно. Не меньше значат доверие к бренду, понятная коммуникация и регулярное присутствие там, где находится аудитория. Если бы я начинал сейчас, с первого дня вёл бы публичный Telegram-канал и собирал сообщество вокруг борьбы с подделками.
Ограничения разработки без опыта тоже проявились. Нейросети пишут отличный код для отдельных функций, но не держат в голове архитектуру большой системы. Когда проект разросся до сотен файлов, они начали путаться в зависимостях. Мне пришлось стать строгим системным архитектором: я разбил проект на изолированные модули, покрыл его автотестами (сейчас их больше 170) и начал записывать каждое архитектурное решение.
Тем, кто делает продукт с ИИ, советую не спорить с нейросетью и не просить её «сделать красиво». Ставьте ей узкие задачи: написать одну функцию, тест или обработку конкретной ошибки. А готовый код перепроверяйте в двух-трёх других моделях.
Зачем я на Радаре
За год я хочу сделать KickCheck главным независимым сервисом проверки подлинности в СНГ, заключить регулярные контракты с маркетплейсами, комиссионными магазинами и логистическими компаниями и выйти на 1 000 платных проверок в месяц.
Насколько вырастет KickCheck, я не знаю. Зато теперь уверен, что для своего IT-продукта профессия разработчика не обязательна. Начните с небольшой задачи и двигайтесь дальше шаг за шагом.
На Радаре я ищу партнёров из ритейла, инвесторов, которым интересен рынок LegalTech и проверки подлинности, и специалистов по performance-маркетингу. Если вы работаете в одной из этих сфер или сами сталкивались с подделками, пишите.
Буду рады поддержке лайком и комментом на Product Radar:
ИИ-проверка подлинности брендовых вещей, кроссовок и сумок по фото за 30–60 секунд
⭐️ 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.
