# AI стартап: как запустить продукт с нейросетью в 2026

> Практический playbook для AI-стартапа: tech stack, юнит-экономика, MVP за 4 недели, типичные ошибки. Конкретные цифры и рекомендации.
> Author: Roman Belov · Published: 2026-07-04 · Source: https://futurecraft.pro/ru/blog/ai-startup-launch-2026/

В Q1 2026 венчурные фонды вложили около $285–330 млрд в стартапы — по разным оценкам CB Insights ($285,5 млрд), Crunchbase (~$300 млрд) и KPMG ($330,9 млрд). 80% этих денег — в AI-компании (Crunchbase): бóльшая часть концентрируется в мегараундах OpenAI, Anthropic, xAI, Waymo. Seed-раунды AI-стартапов проходят по заметно более высоким оценкам, чем не-AI проекты: типичный AI-seed 2026 года — $10M при $40–45M post-money против $5M при ~$25M post-money двумя годами ранее (TechCrunch на данных Carta, март 2026).

Цифры впечатляют. Но за ними — конкретная причина: запускать AI-продукт стало дешевле и проще, чем когда-либо. API крупнейших моделей доступны за копейки, инфраструктура зрелая, инструменты стандартизированы.

Этот playbook — для тех, кто хочет запустить AI-продукт. Не теоретический обзор рынка, а конкретный план: какой стек выбрать, сколько это стоит, как построить MVP за 4 недели, какие ошибки гарантированно сожгут деньги.

## Почему 2026 — лучшее время для AI-стартапа

### API стали доступными

Два года назад GPT-4 стоил $30 за миллион входных токенов. Сегодня GPT-5.4 — $2.50 за тот же миллион. Снижение в 12 раз. Claude Sonnet 4.6 — $3/M input, $15/M output. DeepSeek V4 Flash — $0.09/M input, $0.18/M output.

Средний запрос пользователя (500 токенов input, 1000 токенов output) на GPT-5.4 стоит $0.0163. На DeepSeek V4 Flash — $0.0002. Тысяча пользователей, делающих по 20 запросов в день (20 000 запросов/день, ~600 000/мес) — около $9 750/мес на GPT-5.4 или $135/мес на DeepSeek V4 Flash.

AI перестал быть статьёй расходов, которая убивает юнит-экономику. Он стал commodity.

### Инфраструктура зрелая

Supabase даёт полноценный бэкенд за $25/мес. Vercel деплоит фронтенд за $20/мес. Langfuse отслеживает каждый AI-запрос бесплатно (self-hosted). LiteLLM маршрутизирует между провайдерами — open-source, бесплатно.

Всё это существовало и раньше. Разница 2026 — эти инструменты стали production-ready. Документация, комьюнити, готовые интеграции. Стартап из одного человека может собрать инфраструктуру уровня серии A за выходные.

### Юнит-экономика сходится

Типичный AI SaaS: подписка $20/мес, cost per user $2–5/мес (AI + инфра). Gross margin 75–90%. Сопоставимо с классическим SaaS, где gross margin 80–85%.

Два года назад AI-расходы съедали 30–50% выручки. Сегодня — 10–15%. Тренд продолжается: каждые 6 месяцев стоимость inference падает на 30–50%.

### Инвесторы ищут AI-стартапы

Около $285–330 млрд венчурного финансирования в Q1 2026 (CB Insights — $285,5 млрд, Crunchbase — ~$300 млрд, KPMG — $330,9 млрд). Раунды Series A у AI-стартапов заметно крупнее, чем у не-AI компаний, а средние значения дополнительно задирают мегараунды инфраструктурных игроков. Seed-стартапы с AI тоже получают премию к оценке: типичный AI-seed 2026 года закрывается по $40–45M post-money — против ~$25M у типичного seed-раунда двухлетней давности (TechCrunch на данных Carta).

Инвесторы понимают: окно возможностей открыто. Модели коммодитизируются, но применение в конкретных нишах — нет. Стартап, который решает конкретную проблему с AI, имеет шансы стать категорией.

## Выбор ниши: wrapper vs platform vs infra

Первый стратегический вопрос: на каком уровне стека вы строите?

### AI Wrapper

**Что это:** приложение поверх существующей модели (GPT-5, Claude) с интерфейсом под конкретную задачу.

**Примеры:** AI-копирайтер для email-маркетинга, AI-ассистент для юристов, AI-аналитик финансовой отчётности.

**Плюсы:**
- Быстрый запуск — MVP за 2–4 недели
- Низкие капитальные затраты — нет своей модели
- Фокус на UX и domain expertise

**Минусы:**
- Низкий moat — конкурент повторит за неделю
- Зависимость от провайдера API — OpenAI меняет pricing, вы подстраиваетесь
- «Смерть от фичи» — если OpenAI/Anthropic добавят вашу функцию в свой продукт

**Когда работает:** глубокая экспертиза в нише + данные, которых нет у конкурентов. Юридический AI-ассистент, обученный на 100K реальных контрактов, — это wrapper с moat. Ещё один «перепиши текст красивее» — нет.

### AI Platform

**Что это:** продукт, где AI — один из ключевых компонентов. Ценность создаётся через комбинацию AI, данных и workflow.

**Примеры:** платформа для автоматизации customer support (AI + тикеты + аналитика), AI-powered CRM (AI + pipeline + интеграции).

**Плюсы:**
- Сильный moat через данные и интеграции
- Высокий switching cost — клиент не уйдёт после настройки
- Возможность network effects

**Минусы:**
- Дольше до MVP — 2–3 месяца минимум
- Сложнее продавать — нужно объяснить ценность платформы, а не AI
- Выше burn rate

**Когда работает:** когда вы строите систему, а не фичу. Когда AI — один из компонентов, но не единственная причина, по которой клиент платит.

### AI Infrastructure

**Что это:** инструменты для разработчиков AI-продуктов. Observability, gateway, orchestration, evaluation.

**Примеры:** Langfuse (observability), LiteLLM (gateway), Weights & Biases (MLOps).

**Плюсы:**
- Огромный TAM — каждый AI-стартап ваш клиент
- Сильный moat через интеграции и привычку
- Предсказуемая модель роста (developer adoption)

**Минусы:**
- Конкуренция с open-source (и с крупными игроками)
- Долгий цикл продаж для enterprise
- Нужна глубокая техническая экспертиза

**Для первого AI-стартапа:** начинайте с wrapper или platform. Infrastructure требует опыта, команды и длинного runway. Wrapper — если хотите валидировать идею за месяц. Platform — если есть domain expertise и готовность инвестировать 3–6 месяцев.

## Tech stack для AI-стартапа

### Frontend: Next.js + Tailwind CSS

Next.js — стандарт для AI-продуктов в 2026. App Router, Server Components, Streaming — всё нужно для AI-приложений. Streaming особенно важен: пользователь видит ответ модели посимвольно, а не ждёт 10 секунд.

Tailwind CSS — утилитарный CSS-фреймворк. Скорость разработки UI в 2–3 раза выше, чем с обычным CSS. AI-ассистенты (Claude Code, Cursor, Windsurf, GitHub Copilot coding agent) генерируют Tailwind-код значительно лучше, чем кастомный CSS — потому что Tailwind-классы однозначны и предсказуемы.

**Альтернативы:** Remix (если SSR критичен), Astro (если контентный сайт с AI-фичами), SvelteKit (если команда знает Svelte). Но Next.js — safe default.

**UI-библиотеки:** shadcn/ui — копируемые компоненты, полный контроль. Работает с Tailwind из коробки. Не тянет зависимости — компоненты копируются в проект.

### Backend: Supabase

Supabase заменяет 5 сервисов одним:

| Компонент | Что делает | Альтернатива без Supabase |
|---|---|---|
| PostgreSQL | База данных | Managed Postgres ($50+/мес) |
| GoTrue | Аутентификация | Auth0 ($23+/мес), Clerk ($25+/мес) |
| PostgREST | REST API | Ручной Express/Fastify |
| Storage | Хранилище файлов | AWS S3 + настройка |
| Edge Functions | Serverless (Deno) | Vercel Functions / AWS Lambda |
| pgvector | Vector search | Pinecone ($70+/мес) |
| Realtime | WebSocket подписки | Pusher ($49+/мес) |

**Стоимость:** Free (500 MB, 50K MAU) → Pro ($25/мес, 8 GB, 100K MAU). Реальные расходы на Pro: $35–75/мес с учётом usage fees.

**Почему Supabase, а не Firebase:** SQL, предсказуемый pricing, pgvector для AI, self-hosted опция, нет vendor lock-in. Firebase лучше только для mobile-first с offline sync.

**Когда Supabase НЕ подходит:** высоконагруженный realtime (1M+ concurrent connections), строгие compliance requirements (HIPAA, PCI DSS на начальном этапе), heavy compute на бэкенде.

### AI: Claude API + OpenAI API + LiteLLM

Не привязывайтесь к одному провайдеру. В 2026 моделей слишком много, и лучшая модель меняется каждые 3 месяца.

**Текущий расклад цен (июнь 2026):**

| Модель | Input ($/M tokens) | Output ($/M tokens) | Контекст | Для чего |
|---|---|---|---|---|
| Claude Opus 4.8 | $5.00 | $25.00 | 1M | Сложный анализ, coding |
| Claude Sonnet 4.6 | $3.00 | $15.00 | 1M | Баланс качества и цены |
| Claude Haiku 4.5 | $1.00 | $5.00 | 200K | Простые задачи, классификация |
| GPT-5.5 | $5.00 | $30.00 | 1M | Флагман для сложных задач и agentic workflows |
| GPT-5.4 | $2.50 | $15.00 | 1M | Универсальная, выгодна в batch-режиме |
| Gemini 3.5 Flash | $1.50 | $9.00 | 1M | Google-экосистема, быстрые agentic задачи |
| Grok 4.3 | $1.25 | $2.50 | 1M | Дешевле флагманов при высоком качестве |
| DeepSeek V4 Flash | $0.09 | $0.18 | 1M | Budget-задачи, классификация |

**LiteLLM** — open-source AI gateway с единым OpenAI-совместимым интерфейсом для 150+ провайдеров (теперь включая MCP-агенты). Зачем:

- **Fallback**: Claude упал → автоматически переключается на GPT-5.4
- **Cost routing**: простые запросы → Haiku, сложные → Opus
- **Load balancing**: распределение между API-ключами для обхода rate limits
- **Единый формат**: один и тот же код работает с любым провайдером

Установка: Docker-контейнер, конфиг в YAML. Self-hosted, бесплатно. Enterprise (SSO, RBAC, аудит) — custom pricing, уточняйте у вендора.

**Альтернатива:** Vercel AI Gateway — managed-вариант без собственного хостинга. Единый API для 20+ провайдеров, budgets, usage monitoring, fallbacks, нулевая наценка (BYOK). Подходит, если уже деплоите фронтенд на Vercel.

### Observability: Langfuse

Langfuse — open-source платформа для мониторинга AI-запросов. В 2026 это уже не просто трейсинг — полноценная AI engineering платформа. Self-hosted — бесплатно. Cloud — от $29/мес (Core: 100K events, безлимит пользователей).

**Что отслеживает и умеет:**
- Каждый запрос к модели: input, output, latency, cost
- Цепочки вызовов (traces): если запрос проходит через несколько моделей
- Prompt management: версионирование промптов, A/B-тестирование
- User feedback: привязка оценок пользователей к конкретным запросам
- Стоимость: breakdown по моделям, пользователям, фичам
- Evals: datasets, experiments, LLM-as-judge для оценки качества ответов

**Почему это критично для стартапа:** без observability вы не знаете, сколько тратите на AI, какие промпты работают, где пользователи недовольны. Это как запускать веб-приложение без аналитики.

**Self-hosted:** Docker Compose, PostgreSQL + ClickHouse + Redis + S3. Для стартапа достаточно одного VPS за $20/мес.

### Deployment: Vercel + Supabase

**Vercel:** Hobby (бесплатно, для прототипа) → Pro ($20/мес, для продакшена). Автоматический CI/CD из GitHub, preview deployments, edge network.

**Cloudflare Pages:** Альтернатива Vercel. Бесплатный план щедрее (unlimited bandwidth). Лучше для static sites и edge computing. Хуже для серверных Next.js-фич.

**Итого: стоимость инфры на старте**

| Сервис | План | Стоимость/мес |
|---|---|---|
| Supabase | Pro | $25 |
| Vercel | Pro | $20 |
| AI API | Usage | $5–150 |
| Langfuse | Self-hosted (VPS) | $0–20 |
| Домен | .com | $1 |
| **Итого** | | **$51–216** |

Для сравнения: аналогичная инфраструктура на AWS (RDS + Cognito + S3 + Lambda + CloudWatch) — $300–500/мес минимум. И недели на настройку вместо часов.

## AI-архитектура

### RAG vs Long Context

**Long context** — запихнуть все данные прямо в промпт.

Контекстные окна в 2026: Claude Opus 4.8 — 1M токенов, GPT-5.4 — 1M. Даже Haiku 4.5 держит 200K. 200K токенов — это ~150K слов, или ~500 страниц текста. Для большинства задач этого хватает.

**Когда Long Context достаточно:**
- База знаний < 100 страниц
- Данные не меняются часто
- Прототип / MVP
- Нужна простота реализации

**Стоимость Long Context:** если каждый запрос отправляет 100K токенов контекста, на GPT-5.4 это $0.25 за запрос только за input. 1000 запросов/день — $250/день. Prompt caching снижает до $0.125, но это всё равно дорого.

**RAG (Retrieval-Augmented Generation)** — хранить данные в векторной базе, искать релевантные фрагменты, отправлять в промпт только их.

**Когда RAG необходим:**
- База знаний > 500 страниц или растёт постоянно
- Данные обновляются часто (документация, тикеты)
- Нужна атрибуция — пользователь хочет видеть источник
- Стоимость Long Context выходит за бюджет

**RAG с Supabase:** pgvector — расширение PostgreSQL для vector search. Не нужен отдельный Pinecone ($70+/мес) или Weaviate. Вектора хранятся рядом с остальными данными, в той же базе.

```sql
-- Создание таблицы для документов с embeddings
create table documents (
  id bigserial primary key,
  content text,
  embedding vector(1536),
  metadata jsonb,
  created_at timestamptz default now()
);

-- Индекс для быстрого поиска
create index on documents
  using ivfflat (embedding vector_cosine_ops)
  with (lists = 100);

-- Поиск похожих документов
select content, 1 - (embedding <=> query_embedding) as similarity
from documents
order by embedding <=> query_embedding
limit 5;
```

**Рекомендация:** начинайте с Long Context. Переходите на RAG, когда данные перерастут контекстное окно или стоимость станет проблемой. Преждевременная оптимизация через RAG — одна из главных ошибок AI-стартапов.

**Следующий шаг после RAG — Hybrid routing:** router определяет тип запроса и выбирает стратегию. Простой вопрос с чётким ответом → Long Context. Поиск по актуальной базе знаний → RAG. Сложный многошаговый запрос → RAG + несколько вызовов модели. Эта архитектура снижает стоимость при минимальной потере качества — но нужна только после того, как простой RAG уже работает.

### Prompt management

Промпты — это код. Они должны версионироваться, тестироваться и деплоиться как код.

**Langfuse Prompt Management:**
- Промпты хранятся в Langfuse, не в коде приложения
- Версионирование: каждое изменение — новая версия
- A/B-тестирование: 50% трафика на prompt v1, 50% на prompt v2
- Rollback: если новая версия хуже — откат в один клик
- Labels: `production`, `staging`, `experiment`

**Паттерн для стартапа:**

```typescript
// Получаем промпт из Langfuse по имени и label
const prompt = await langfuse.getPrompt("summarize-document", {
  label: "production"
});

// Используем промпт с переменными
const compiled = prompt.compile({
  document: userDocument,
  language: "ru"
});

// Отправляем в модель
const response = await litellm.completion({
  model: "claude-sonnet-4-6",
  messages: [{ role: "user", content: compiled }]
});
```

Промпт можно изменить в UI Langfuse без деплоя приложения. Это критично для итераций — prompt engineering требует десятков правок в день.

### Multi-provider: LiteLLM

Конфигурация LiteLLM для стартапа:

```yaml
model_list:
  # Основная модель для сложных задач
  - model_name: "smart"
    litellm_params:
      model: "claude-sonnet-4-6"
      api_key: "os.environ/ANTHROPIC_API_KEY"

  # Fallback для сложных задач
  - model_name: "smart-fallback"
    litellm_params:
      model: "gpt-5.5"
      api_key: "os.environ/OPENAI_API_KEY"

  # Быстрая модель для простых задач
  - model_name: "fast"
    litellm_params:
      model: "claude-haiku-4-5"
      api_key: "os.environ/ANTHROPIC_API_KEY"

  # Budget-модель для классификации
  - model_name: "budget"
    litellm_params:
      model: "deepseek/deepseek-v4-flash"
      api_key: "os.environ/DEEPSEEK_API_KEY"

router_settings:
  routing_strategy: "latency-based"
  num_retries: 3
  timeout: 30
  fallbacks:
    - smart: ["smart-fallback"]  # При сбое Claude — переключаемся на GPT-5.5
```

**Маршрутизация по задачам:**
- Классификация, извлечение данных → `budget` (DeepSeek V4 Flash, $0.09/M)
- Генерация ответов, саммаризация → `fast` (Haiku, $1/M)
- Анализ, reasoning, код → `smart` (Sonnet, $3/M)

Разница в стоимости между «всё на Sonnet» и «маршрутизация по задачам» — 3–5x. При масштабе это тысячи долларов в месяц.

### Caching

**Prompt caching** (нативный у Anthropic и OpenAI): если начало промпта повторяется между запросами (системный промпт, контекст), провайдер кэширует его. Экономия: до 90% на input-токенах.

Anthropic: кэшированные токены стоят $0.30/M для Sonnet (вместо $3.00). Условие: кэшируемая часть > 1024 токенов, prompt prefix совпадает.

**Response caching** (на вашей стороне): если пользователь задаёт тот же вопрос — не отправлять в модель, отдать кэшированный ответ.

```typescript
// Простой response cache на Redis
const cacheKey = hash(model + JSON.stringify(messages));
const cached = await redis.get(cacheKey);

if (cached) {
  return JSON.parse(cached);
}

const response = await litellm.completion({ model, messages });
await redis.set(cacheKey, JSON.stringify(response), "EX", 3600);
return response;
```

**Semantic caching:** вместо точного совпадения — поиск похожих запросов через embeddings. «Как настроить Supabase?» и «Настройка Supabase» — один и тот же запрос. LiteLLM поддерживает semantic caching из коробки.

### Evals: AI-продукт нельзя безопасно обновлять без тестов

Промпт изменили, стало лучше или хуже? Без evals — не знаете. Это главное слепое пятно большинства MVP.

**Минимальный eval setup:**
- Golden dataset из 30–50 реальных запросов с ожидаемыми ответами — собирается в первую неделю после запуска
- Regression eval в CI: при изменении промпта автоматически прогоняются тесты
- LLM-as-judge: модель оценивает качество ответов по критериям (точность, тон, формат)
- Online evals: оценка production-трейсов через Langfuse

**Инструменты:**
- **Langfuse** — datasets, experiments, LLM-as-judge встроены в observability-платформу. Один стек вместо двух.
- **promptfoo** — open-source eval framework с поддержкой CI/CD и red teaming (prompt injection, jailbreak, PII-утечки).

Главное правило: eval dataset создаётся до изменения промпта, а не после. Иначе вы тестируете то, что уже оптимизировали под конкретные случаи.

### MCP: новый канал интеграций

Model Context Protocol (MCP) в 2026 стал стандартом подключения AI-продуктов к внешним инструментам и данным. Его поддерживают Claude, ChatGPT, Cursor и другие клиенты.

**Почему это важно для стартапа:** MCP-сервер — это не просто API. Это канал дистрибуции. Если ваш продукт умеет работать как MCP-сервер, пользователи могут подключить его к любому AI-клиенту, который поддерживает MCP.

**Когда добавлять MCP-слой:**
- Продукт управляет данными или выполняет действия, которые нужны в других AI-контекстах
- Целевая аудитория — разработчики или технически продвинутые пользователи
- Есть понятный набор инструментов (tools), которые логично экспортировать

**Минимальная безопасность MCP:**
- Audit log всех tool calls
- Scoped tokens — каждый tool получает только нужные права
- Approvals для деструктивных действий
- Валидация входных параметров по schema

LiteLLM с версии 2026 поддерживает MCP-серверы в routing-конфиге — можно добавить external tools наравне с моделями.

## Юнит-экономика AI-продукта

### Cost per query

Средняя стоимость одного AI-запроса зависит от модели, длины промпта и ответа.

**Типичный запрос** (500 input tokens, 1000 output tokens):

| Модель | Cost per query | 10K queries/day | 300K queries/month |
|---|---|---|---|
| Claude Opus 4.8 | $0.0275 | $275/day | $8,250/мес |
| GPT-5.5 | $0.0325 | $325/day | $9,750/мес |
| Claude Sonnet 4.6 | $0.0165 | $165/day | $4,950/мес |
| GPT-5.4 | $0.0163 | $163/day | $4,875/мес |
| Gemini 3.5 Flash | $0.0098 | $98/day | $2,925/мес |
| Claude Haiku 4.5 | $0.0055 | $55/day | $1,650/мес |
| Grok 4.3 | $0.0031 | $31/day | $938/мес |
| DeepSeek V4 Flash | $0.0002 | $2/day | $68/мес |

**Реалистичный сценарий для стартапа на старте:**
- 500 DAU, 10 запросов/день = 5000 запросов/день
- Микс моделей: 70% Haiku ($0.0055) + 20% Sonnet ($0.0165) + 10% Opus ($0.0275)
- Средний cost per query: $0.0099
- Месячные расходы на AI: ~$1,485

С prompt caching (–50% на input) и response caching (–20% запросов): ~$1,100/мес.

### Маржинальность

**Формула:**

```
Gross Margin = (Revenue - COGS) / Revenue

COGS для AI SaaS:
- AI API costs (60-80% от COGS)
- Infrastructure (Supabase, Vercel, etc.)
- Third-party services
```

**Пример расчёта:**

| Метрика | Значение |
|---|---|
| Paying users | 500 |
| ARPU | $20/мес |
| MRR | $10,000 |
| AI costs | $1,485/мес |
| Infrastructure | $200/мес |
| Total COGS | $1,685/мес |
| **Gross Margin** | **83.2%** |

83% gross margin — здоровый показатель для SaaS. Индустриальный стандарт — 70–85%. Если gross margin < 60% — проблема в AI-расходах или pricing.

### Pricing strategy

**Per-seat (подписка на пользователя):**
- Просто для пользователя: $20/мес — и всё
- Проблема: heavy users сжигают маржу. 1% пользователей делают 50% запросов
- Решение: usage caps (1000 запросов/мес на базовом плане)

**Per-usage (оплата за использование):**
- Честно: платишь за то, что используешь
- Проблема: непредсказуемые счета отпугивают пользователей
- Сложнее прогнозировать revenue

**Hybrid (рекомендация):**
- Базовая подписка ($15–25/мес) + включённый лимит (500–2000 запросов)
- Overage: $0.02–0.05 за дополнительный запрос
- Enterprise: безлимит по договорённости

**Пример тарифной сетки:**

| План | Цена | Включено запросов | Overage |
|---|---|---|---|
| Starter | $15/мес | 500 | $0.03/запрос |
| Pro | $29/мес | 2,000 | $0.02/запрос |
| Business | $79/мес | 10,000 | $0.015/запрос |
| Enterprise | Custom | Безлимит | — |

При средней себестоимости запроса ~$0.01 и overage $0.02 — маржа на overage ~50%. Основная прибыль — с подписки пользователей, которые не выбирают лимит (а таких 60–70%).

## MVP за 4 недели

Четыре недели — реалистичный срок для solo-founder или маленькой команды (2–3 человека). Условие: чёткий scope, дисциплина, использование AI-ассистентов для разработки.

### Неделя 1: Spec + Design + DB schema

**Дни 1–2: Спецификация**
- Одностраничный PRD: проблема, решение, целевая аудитория, ключевые метрики
- User stories: 5–7 core stories, не больше
- Определите, что НЕ входит в MVP — это важнее, чем что входит

**Дни 3–4: Design**
- Wireframes в Figma / Excalidraw — 5–8 экранов максимум
- Design system: возьмите shadcn/ui, не изобретайте. Кастомизация — цвета и шрифты
- Mobile-first: большинство пользователей придут с мобильных

**Дни 5–7: Database schema + Setup**
- Supabase проект: создание, настройка RLS с первого дня
- Схема базы данных: таблицы, связи, индексы
- Git-репозиторий, CI/CD (GitHub → Vercel), линтеры, структура проекта

**Результат недели:** spec, wireframes, рабочий проект на Vercel с подключённым Supabase. Пустой, но деплоящийся.

### Неделя 2: Auth + Core features

**Дни 8–9: Аутентификация**
- Supabase Auth: email + Google OAuth минимум
- Protected routes, middleware, session management
- Onboarding flow: 2–3 шага, не больше

**Дни 10–14: Core features (без AI)**
- Основной CRUD: создание, чтение, редактирование, удаление сущностей
- Dashboard / основной экран
- Settings / profile

**Ключевой принцип:** продукт должен быть полезен БЕЗ AI. AI усиливает ценность, но не заменяет её целиком. Если без AI продукт бесполезен — вы строите wrapper, а не продукт.

**Результат недели:** рабочее приложение с авторизацией и core-функциональностью. Можно показать пользователю.

### Неделя 3: AI-интеграция + UI polish

**Дни 15–17: AI backend**
- LiteLLM setup: Docker, конфигурация моделей, fallbacks
- Langfuse интеграция: трейсинг, prompt management
- API endpoints для AI-функций: streaming, error handling

**Дни 18–19: AI frontend**
- Streaming UI: посимвольный вывод ответа модели
- Loading states, error states, retry logic
- Usage counter: показать пользователю, сколько запросов осталось

**Дни 20–21: UI polish**
- Responsive design: проверка на мобильных
- Edge cases: пустые состояния, ошибки, таймауты
- Performance: оптимизация загрузки, lazy loading

**Результат недели:** полноценный продукт с AI-функциональностью. Работает, выглядит прилично.

### Неделя 4: Testing + Launch

**Дни 22–23: Тестирование**
- End-to-end тесты ключевых flow (auth → core feature → AI)
- Нагрузочное тестирование AI-endpoint (что будет при 100 concurrent запросах?)
- Security: RLS проверка, rate limiting, input validation

**Дни 24–25: Landing page + Docs**
- Landing page: проблема → решение → CTA. Одна страница
- Документация: quick start, FAQ. Минимум
- Legal: Terms of Service, Privacy Policy (шаблоны)

**Дни 26–27: Soft launch**
- Beta-пользователи: 20–50 человек из целевой аудитории
- Feedback loop: встроенная форма обратной связи в продукт
- Мониторинг: Langfuse dashboards, Sentry для ошибок

**День 28: Public launch**
- Product Hunt, Hacker News, Reddit, Twitter/X
- Объявление в нишевых комьюнити
- Отслеживание метрик: signups, activation, retention (Day 1)

**Результат:** живой продукт с реальными пользователями.

## Типичные ошибки

### 1. Слишком сложная AI-архитектура на старте

**Симптом:** проект не запущен через 3 месяца, потому что вы строите идеальный RAG pipeline с re-ranking, query expansion и hybrid search.

**Реальность:** 90% AI-продуктов на старте работают с простым промптом + контекст. Без RAG, без fine-tuning, без сложных chain-of-thought пайплайнов.

**Правило:** если ваш AI-компонент занимает больше 200 строк кода на MVP — вы переусложняете. Начните с одного API-вызова. Усложняйте только когда упрётесь в ограничения.

### 2. Fine-tuning вместо prompt engineering

**Симптом:** «модель недостаточно хорошо отвечает, надо файнтюнить».

**Реальность:** 95% случаев решаются лучшим промптом. Fine-tuning нужен, когда:
- Нужен специфический формат вывода, который не достигается промптом
- Latency критична (fine-tuned модель быстрее, потому что промпт короче)
- Объём данных > 10K примеров с верифицированным качеством

**Стоимость fine-tuning:** подготовка данных (десятки часов), обучение ($50–500 за run), поддержка (повторять при каждом обновлении базовой модели). Сравните с: потратить 2 часа на промпт.

**Порядок:** Prompt Engineering → Few-shot examples → System instructions → RAG → Fine-tuning. Каждый следующий шаг — только после исчерпания предыдущего.

### 3. Игнорирование cost management

**Симптом:** первый счёт от OpenAI — $3,000 вместо ожидаемых $300.

**Почему происходит:**
- Нет usage limits per user
- Retry без backoff (ошибка → 10 повторных запросов → 10x стоимость)
- Логирование полного контекста в каждый запрос вместо кэширования
- Нет мониторинга (узнали о проблеме из счёта, а не из дашборда)

**Решение с первого дня:**
1. **Langfuse** — видеть стоимость каждого запроса в реальном времени
2. **Usage limits** — максимум N запросов на пользователя в день/месяц
3. **Alerts** — уведомление при расходах > $X/день
4. **Model routing** — простые задачи на дешёвых моделях

### 4. «AI-first» вместо «problem-first»

**Симптом:** «мы используем AI для...» — и дальше описание технологии, а не проблемы пользователя.

**Реальность:** пользователю безразлично, GPT-5 это, Claude или обученные голуби. Он платит за решение проблемы.

**Тест:** опишите продукт без слова «AI». Если описание теряет смысл — вы строите технологию, а не продукт.

- Плохо: «AI-ассистент для написания текстов»
- Хорошо: «Инструмент для маркетологов, который создаёт email-рассылки за 5 минут вместо 2 часов»

### 5. Отсутствие moat

**Симптом:** конкурент повторил ваш продукт за 2 недели.

**Что НЕ является moat:**
- Использование GPT-5 (доступно всем)
- «У нас лучше промпты» (промпты копируются)
- «Мы первые на рынке» (first mover advantage переоценён)

**Что является moat:**
- Проприетарные данные (10K верифицированных контрактов для юридического AI)
- Network effects (чем больше пользователей, тем лучше продукт)
- Интеграции (подключили 50 CRM — конкуренту понадобится год)
- Domain expertise (команда из юристов с 20-летним опытом)

### 6. Игнорирование безопасности

**Симптом:** prompt injection, утечка системного промпта, PII в логах.

OWASP LLM Top 10 2025 — актуальный ориентир для AI-продуктов. Ключевые риски:

- **Prompt injection** — пользователь манипулирует поведением модели через input
- **Sensitive data disclosure** — модель «раскрывает» системный промпт или данные других пользователей
- **Excessive agency** — агент выполняет действия с избыточными правами без подтверждения
- **Unbounded consumption** — пользователь провоцирует огромные затраты токенов (cost attack)
- **Supply chain risks** — уязвимости в сторонних MCP-серверах или плагинах

**Минимальная защита:**
- Не включайте секреты и внутренние инструкции в user-visible промпты
- Валидация input: длина, формат, содержание
- Rate limiting: по IP, по пользователю, по токенам
- Usage budget per user — максимальный расход токенов в день/месяц
- PII redaction: удаление персональных данных из логов Langfuse
- Отдельный системный промпт с инструкциями по безопасности
- Для агентов: allowlist разрешённых tools, approvals для деструктивных действий

## Fundraising для AI-стартапа

### Что инвесторы хотят видеть в 2026

Рынок перегрет, но деньги дают не всем. Инвесторы стали разборчивее. Вот что они оценивают:

**1. Defensibility (защищённость)**

«Что будет, если OpenAI выпустит вашу фичу завтра?» — первый вопрос на каждом питче. Ответ «у нас лучше UX» — не ответ.

Убедительные ответы:
- Проприетарные данные, которые нельзя получить через API
- Сетевой эффект: каждый новый пользователь улучшает продукт для остальных
- Глубокая интеграция в workflow клиента (высокий switching cost)

**2. Unit Economics**

Покажите, что вы понимаете свои расходы:
- Cost per query с разбивкой по моделям
- Gross margin по когортам
- LTV/CAC ratio > 3x

Стартап, который не может назвать свой cost per query — красный флаг.

**3. Traction**

Для Seed: работающий продукт + первые пользователи (100+), положительные отзывы, retention > 40% на Day 30.

Для Series A: $1–3M ARR, 100%+ YoY growth, понятный канал привлечения клиентов.

**4. Team**

Технический co-founder — обязателен для AI-стартапа. Инвесторы проверяют: кто в команде реально понимает AI, а кто использует ChatGPT для генерации питч-дека.

Domain expertise ценится выше технической. Юридический AI-стартап, основанный юристом с 10-летним опытом, получит раунд быстрее, чем тот же продукт от трёх разработчиков без юридического бэкграунда.

### Seed-раунд для AI-стартапа

**Типичные параметры (Q1 2026):**
- Размер: $2–5M
- Оценка (pre-money): $10–25M
- Что нужно: работающий MVP, первые пользователи, ясная vision
- Сроки закрытия: 2–4 месяца

**Что показать на питче:**
1. Demo продукта — работающий, не mockup
2. Метрики: users, retention, NPS
3. Unit economics: cost per query, gross margin, path to profitability
4. Market size: TAM/SAM/SOM с обоснованием
5. Competitive landscape: почему вы выиграете

### Альтернативы венчурному финансированию

Не каждому AI-стартапу нужен VC:

- **Bootstrapping:** при инфраструктуре $50–200/мес и AI-ассистентах для разработки, solo-founder может дойти до $10K MRR без внешних инвестиций
- **Revenue-based financing:** Pipe, Clearco — получите финансирование на основе MRR без разбавления долей
- **Гранты:** Y Combinator ($500K за 7% + MFN SAFE), Anthropic Claude Partnership Program, Microsoft for Startups ($150K Azure credits)
- **Angel investors:** $50K–500K за 5–10% на стадии идеи/MVP

## Чеклист: от идеи до запуска

```
□ Проблема валидирована (разговоры с 20+ потенциальными пользователями)
□ Ниша выбрана (wrapper / platform / infra)
□ Moat определён (данные / network effects / интеграции)
□ Tech stack зафиксирован (Next.js + Supabase + LiteLLM + Langfuse)
□ DB schema спроектирована (RLS с первого дня)
□ AI-архитектура: простой промпт, не RAG (на старте)
□ Multi-provider: минимум 2 модели через LiteLLM
□ Observability: Langfuse настроен
□ Evals: golden dataset 30+ запросов создан до изменения промптов
□ Usage limits: per-user caps
□ Cost alerts: уведомления при аномальных расходах
□ Pricing: hybrid (подписка + usage cap)
□ Landing page с CTA
□ 20+ beta-пользователей до public launch
□ Feedback loop встроен в продукт
```

## Итого

AI-стартап в 2026 — это не вопрос технологии. API доступны. Инфраструктура зрелая. Инструменты стандартизированы. Инвесторы готовы финансировать.

Вопрос — в исполнении. Конкретная проблема, конкретная аудитория, конкретная юнит-экономика. «Решение проблемы X для аудитории Y с помощью AI, которое стоит Z и приносит маржу W» — вот правильный фрейм.

Стек из этой статьи (Next.js + Supabase + LiteLLM + Langfuse) — не единственный вариант. Но он проверен, доступен, и один разработчик на нём запускает production-ready AI-продукт за $50–200/мес.

Начните с проблемы. Не с модели.