Техническое задание на разработку ИИ: шаблон и 5 главных ошибок заказчиков

Представьте, вы хотите построить дом. Вы приходите к архитектору и говорите: «Мне нужен дом. Красивый. Этажа два. И чтобы жить удобно было. Сколько стоит и когда будет готово?»

Что ответит профессионал? Он задаст вам сотню уточняющих вопросов:

• •«Дом для какой семьи? Сколько человек?»
• •«Какой стиль? Классика, хай-тек, шале?»
• •«Какие материалы? Кирпич, дерево, газобетон?»
• •«Какой участок? Есть ли уклоны, какие грунты?»
• •«Какие коммуникации подведены?»

Без ответов на эти вопросы любая оценка стоимости и сроков будет взята «с потолка» и, скорее всего, окажется неверной в разы. Разработка проекта на базе искусственного интеллекта — это то же самое строительство, только еще сложнее, ведь мы часто строим то, чего раньше не существовало.

Техническое задание (ТЗ) — это и есть тот самый архитектурный проект вашего будущего ИИ-решения. Это фундаментальный документ, который фиксирует цели, требования, ограничения и критерии успеха. Для команды разработки — это четкая инструкция, что делать. Для вас, как для заказчика, — это инструмент контроля и гарантия того, что вы получите именно тот результат, на который рассчитывали.

Многие заказчики недооценивают важность ТЗ, считая его формальностью. Результат — сорванные сроки, раздутый бюджет и итоговый продукт, который не решает исходную бизнес-задачу. «Мы думали, оно будет работать по-другому» — фраза, которую слышал каждый разработчик.

Эта статья — практическое руководство для тех, кто собирается заказать разработку ИИ. Мы не просто дадим шаблон ТЗ, но и разберем 5 самых частых и дорогих ошибок, которые совершают заказчики на этапе постановки задачи. Понимание этих ошибок сэкономит вам миллионы и месяцы работы.

Мы разберем:

• •Почему ИИ-проект — это не покупка «коробки с софтом», а R&D.
• •Из каких ключевых блоков состоит «железное» ТЗ на разработку нейросети.
• •Ошибка №1: «Сделайте нам хорошо» (проблема неопределенных целей).
• •Ошибка №2: «Данные? Какие данные?» (недооценка топливного бака).
• •Ошибка №3: «Нам нужна точность 99.999%» (погоня за идеалом).
• •Ошибка №4: «Просто кнопка "Анализ"» (игнорирование интеграции).
• •Ошибка №5: «А можно еще и…» (размывание скоупа).
• •Как правильно управлять ТЗ, если проект — это исследование.

---

Часть 1. Почему ТЗ на ИИ — это не ТЗ на сайт-визитку

Главное, что нужно понять: ИИ-проект в 90% случаев — это R&D (Research & Development), а не стандартная разработка.

Когда вы заказываете сайт, вы работаете в мире известных величин. Разработчик использует готовые фреймворки, библиотеки и плагины. Задача сводится к сборке из известных «кубиков», результат предсказуем, а смета — точна.

С искусственным интеллектом все иначе. Представьте, что вы не строите дом по типовому проекту, а пытаетесь вывести новый сорт яблок — сладких, как мед, и хранящихся по три года. У вас есть гипотеза: нужно скрестить «Антоновку» с «Гренни Смит» и поливать особым составом. Но вы не можете гарантировать, что через год получите именно тот результат, который задумали. Возможно, яблоки будут кислыми, или дерево заболеет. Вам придется пробовать разные подходы, менять «удобрения», анализировать промежуточные результаты. Это и есть R&D.

Мы не знаем наверняка, сработает ли модель на ваших данных, и вот почему:

• •При создании сайта разработчик точно знает, как сделать кнопку или форму обратной связи. Результат предсказуем.
• •При создании нейросети никто в мире заранее не может дать 100% гарантии, что на ваших конкретных данных (зашумленных, неполных, снятых в специфических условиях) удастся достичь точности распознавания, например, в 95%.

Мы можем строить гипотезы, использовать опыт похожих проектов, но финальный результат зависит от множества факторов, в первую очередь — от качества и репрезентативности данных. Поэтому ТЗ на ИИ должно быть гибким. Оно должно описывать не только финальный результат, но и процесс исследования: этапы, гипотезы, которые мы проверяем, и метрики, по которым оцениваем успех каждого этапа. ТЗ становится дорожной картой для эксперимента.

---

Часть 2. Анатомия «железного» ТЗ: Шаблон для заказчика

Хорошее ТЗ — это баланс между бизнес-требованиями и техническими деталями. Оно должно быть понятно и директору, и ведущему Data Scientist.

Вот ключевые разделы, которые должны быть в вашем документе.

Раздел 1: Бизнес-цели и постановка задачи

Это фундамент. Если он кривой, весь «дом» развалится. Здесь нельзя писать абстрактно, нужны цифры и факты.

• •

  1.1. Проблема:

  • •Опишите «боль» вашего бизнеса. Что сейчас работает не так, где вы теряете деньги или время?
  • •Пример: «Сотрудники склада тратят до 30% времени на ручной поиск нужной ячейки, что приводит к задержкам в отгрузке N заказов в день и потерям X рублей в виде штрафов от маркетплейсов».
  • •Вопросы для самопроверки: Можете ли вы измерить эту боль в деньгах/часах/штуках? Почему эта проблема важна именно сейчас?
• •

  1.2. Цель проекта:

  • •Что должно измениться после внедрения ИИ? Цель должна быть измеримой (SMART).
  • •Пример: «Снизить время комплектации заказа на 20% за 3 месяца за счет внедрения системы навигации на базе компьютерного зрения. Целевой показатель — среднее время от получения заявки до упаковки заказа не более 15 минут».
  • •Вопросы для самопроверки: Как мы поймем, что проект успешен? Какой конкретный показатель в отчете должен измениться?
• •

  1.3. Пользователи системы:

  • •Кто будет конечным пользователем продукта? Кладовщик с ТСД, менеджер, аналитик?
  • •Пример: «Основные пользователи — кладовщики (15 человек, сменный график). Уровень владения ПК — базовый. Интерфейс должен быть максимально простым и работать на промышленных ТСД с ОС Android».
• •

  1.4. Ожидаемый экономический эффект:

  • •Как вы планируете окупить инвестиции? (Сокращение ФОТ, снижение брака, рост продаж).
  • •Пример: «Планируемое сокращение времени на комплектацию (20%) позволит обрабатывать на 150 заказов в сутки больше без расширения штата, что принесет дополнительную выручку Y рублей. Экономия на штрафах составит Z рублей в месяц».

Раздел 2: Описание данных

Это самый важный раздел для ИИ-проекта. Данные — это топливо для нейросети. Нет качественных данных в нужном объеме — нет работающей модели.

• •

  2.1. Источники данных:

  • •Откуда мы будем брать данные для обучения и работы системы? (Камеры видеонаблюдения, архивы документов, CRM, ERP).
  • •Пример: «Данные для обучения — видеопоток с 15 стационарных IP-камер Hikvision (модель X), установленных на складе. Разрешение 1920x1080, 25 fps. Архив хранится на видеосервере в течение 30 дней».
• •

  2.2. Формат и объем:

  • •В каком виде существуют данные? (Видео H.264, JPG, PDF, XLS). Какой объем данных доступен? (100 часов видео, 10 000 документов).
  • •Пример: «Доступно около 500 часов видеоархива. Данные о заказах и товарах находятся в 1С: WMS в виде SQL-таблиц».
• •

  2.3. Разметка данных:

  • •Есть ли размеченные данные? Если нет, кто и как будет их размечать?
  • •Пример: «Размеченных данных нет. Необходимо разработать инструкцию для разметчиков и силами подрядчика разметить 10 000 bounding box'ов с товарами на полках».
• •

  2.4. Примеры данных:

  • •Приложите к ТЗ 10-20 репрезентативных примеров данных (хороших, плохих, типичных, редких). Это критически важно для первой оценки.
  • •Пример: приложить видео с разных камер, в разное время суток (дневное/искусственное освещение), с бликами, с частично перекрытыми объектами.
• •

  2.5. Конфиденциальность:

  • •Есть ли в данных персональная или коммерческая тайна? (152-ФЗ). Это определит, можно ли использовать облака или нужна on-premise инфраструктура.

Раздел 3: Функциональные требования

Что конкретно система должна делать? Этот раздел описывает логику работы и взаимодействие с пользователем.

• •

  3.1. Основные функции:

  • •Пример: «Система должна в реальном времени распознавать номера автомобилей, въезжающих на территорию, определять их марку и модель, и сопоставлять с заявкой в YMS-системе».
• •

  3.2. Пользовательские сценарии (Use Cases):

  • •Опишите по шагам, как пользователь будет взаимодействовать с системой.
  • •Пример: «1. Водитель подъезжает к КПП. 2. Камера №1 фиксирует госномер. 3. Система распознает номер с точностью 98%. 4. Система отправляет запрос в YMS. 5. YMS подтверждает заявку. 6. Система подает сигнал на открытие шлагбаума. 7. Весь процесс занимает не более 3 секунд».
• •

  3.3. Нефункциональные требования:

  • •Требования к надежности, масштабируемости.
  • •Пример: «Система должна работать в режиме 24/7 с доступностью 99.5%. Система должна масштабироваться для подключения до 5 новых КПП в течение года».

Раздел 4: Требования к точности и производительности

Это компромисс между идеальным результатом и бюджетом. Важно найти золотую середину, которая решает бизнес-задачу.

• •

  4.1. Ключевые метрики:

  • •Как мы будем измерять качество работы ИИ-модели? (Точность, полнота, F1-score).
  • •Пример: «Точность распознавания номера (Precision) должна быть не менее 98%, полнота (Recall) — не менее 95% на тестовой выборке, предоставленной заказчиком».
• •

  4.2. Скорость работы:

  • •За какое время система должна выдавать результат? Например: «Время от попадания автомобиля в кадр до открытия шлагбаума — не более 2 секунд».*
• •

  4.3. Нагрузка:

  • •Сколько запросов в минуту/час/день система должна обрабатывать?
  • •Пример: «Пиковая нагрузка — до 10 автомобилей в минуту на одном КПП».

Раздел 5: Требования к интеграции и инфраструктуре

ИИ-модель — это «мозг», но ему нужно «тело» и «нервная система», чтобы взаимодействовать с внешним миром и вашими бизнес-процессами.

• •

  5.1. Интеграция:

  • •С какими существующими системами (1С, CRM, СКУД) должен обмениваться данными наш ИИ-модуль?
  • •Пример: «Нужна двусторонняя интеграция с 1С:WMS по REST API. Описание методов API предоставляет наш IT-отдел».
• •

  5.2. Инфраструктура:

  • •Где будет развернута система? На ваших серверах (on-premise) или в облаке (Yandex Cloud, VK Cloud)?
  • •Какие есть требования к ОС (Windows, Linux)?
  • •Пример: «Система должна быть развернута на нашем сервере. Характеристики сервера: CPU ..., RAM ..., GPU Nvidia Tesla T4. ОС — Astra Linux».

---

Часть 3. Пять смертных грехов при написании ТЗ

А теперь — о главном: об ошибках, которые превращают потенциально успешный проект в дорогостоящую катастрофу.

Ошибка №1: Цель «Сделайте нам искусственный интеллект»

• •Как звучит: «Нам нужен ИИ для оптимизации логистики», «Хотим нейросеть для улучшения клиентского сервиса».
• •В чем проблема: Это не цель, а направление мысли. Без конкретной, измеримой бизнес-метрики проект превращается в бесконечный R&D без видимого результата. Команда разработки не понимает, что именно нужно оптимизировать и как измерить успех.
• •Последствия: Бюджет тратится на «исследования», которые не приносят измеримой пользы бизнесу. Через полгода директор спрашивает: «Где результат?», а команда может показать только красивые графики обучения модели.
• •Как исправить: Вернуться к разделу 1.1 ТЗ. Какую конкретную «боль» вы лечите? Сформулируйте цель в цифрах.
  • •Плохо: «Оптимизировать логистику».
  • •Хорошо: «Снизить средний пробег курьера на 15% за счет динамического построения маршрутов, что сэкономит 200 000 рублей в месяц на ГСМ».

Ошибка №2: «Данные есть, где-то на сервере лежат»

• •Как звучит: «Данных у нас полно, несколько лет копили. Начнем проект, а там разберемся».
• •В чем проблема: Это самая частая и самая дорогая ошибка. Начало проекта без аудита данных — это как начинать стройку без геологической разведки. Может оказаться, что данные «лежат» в нечитаемых форматах, они неполные, «грязные» (с ошибками, выбросами) или их недостаточно для обучения.
• •Последствия: Проект встает на паузу на несколько месяцев, пока идет авральный сбор, очистка и разметка данных. Бюджет на этот этап может превысить стоимость самой разработки ИИ.
• •Как исправить: Провести аудит данных до старта основной разработки. Соберите и покажите подрядчику примеры. Честно ответьте на все вопросы из раздела 2 ТЗ. Помните: данные — это топливо. Нет топлива — нет проекта.

Ошибка №3: «Нам нужна точность 99.999%»

• •Как звучит: «Система не должна ошибаться. Вообще. Никогда».
• •В чем проблема: В реальном мире 100% точности не существует. Но каждый следующий процент точности после 95-97% дается экспоненциально сложнее и дороже. Повышение точности с 98% до 99% может стоить столько же, сколько достижение первых 98%. Часто бизнес-задача эффективно решается и при 95% точности.
• •Последствия: Бесконечная «полировка» модели, которая сжигает бюджет, но не дает значимого бизнес-эффекта. Проект не запускается в эксплуатацию, потому что «точность еще не идеальна».
• •Как исправить: Определить достаточную точность. Посчитайте «цену ошибки». Что страшнее: если система пропустит бракованную деталь (False Negative) или если она ошибочно назовет браком хорошую (False Positive)? Исходя из этого, зафиксируйте в ТЗ приемлемые метрики. Иногда выгоднее иметь точность 95% и одного оператора для проверки спорных случаев, чем платить в 3 раза больше за 98%.

Ошибка №4: «Просто сделайте модуль, а мы его сами прикрутим»

• •Как звучит: «Нам от вас нужен только "умный" алгоритм. С интеграцией мы сами разберемся».
• •В чем проблема: ИИ-модель бесполезна в вакууме. Она должна быть встроена в реальный бизнес-процесс. Если заранее не продумать, как модель будет получать данные и отдавать результат, как будет выглядеть интерфейс для пользователя, то вы получите идеально работающий, но абсолютно бесполезный «черный ящик».
• •Последствия: Готовый ИИ-модуль месяцами лежит «на полке», потому что у внутреннего IT-отдела нет ресурсов или компетенций для его интеграции. Или, что еще хуже, его интегрируют так, что он тормозит всю систему или неудобен для пользователей.
• •Как исправить: Детально прописать раздел 5 ТЗ. Описать пользовательские сценарии. С самого начала привлекать к обсуждению ТЗ ваших IT-специалистов, которые будут заниматься внедрением. В идеале — заказывать разработку «под ключ», включая интеграцию.

Ошибка №5: «Пока делаете, мы придумали еще одну фичу...»

• •Как звучит: «А давайте, пока система распознает каски, она еще и будет следить, чтобы рабочие не курили в неположенном месте?»
• •В чем проблема: Размывание скоупа (scope creep) — главный враг сроков и бюджета. Каждая новая «маленькая хотелочка» — это потенциально новые данные, новая разметка, дообучение модели и новое тестирование. Проект рискует никогда не закончиться.
• •Последствия: Сроки и бюджет проекта увеличиваются в 2-3 раза. Команда демотивирована постоянными изменениями. Финальный продукт получается перегруженным и нестабильным.
• •Как исправить:
  • •Заморозить требования на время этапа/спринта.
  • •Все новые идеи фиксировать в бэклоге для будущих версий продукта.
  • •Начинать с MVP (минимально жизспособного продукта), который решает одну, но самую главную проблему.
  • •Выпустить его, получить обратную связь и только потом развивать.

---

Часть 4. ТЗ как живой документ: Гибкое управление проектом

Итак, мы выяснили, что ИИ-проект — это R&D. Значит ли это, что ТЗ бесполезно? Нет. Это значит, что управлять им нужно по-другому. ТЗ — это не высеченный в граните закон, а стартовая точка и ориентир.

Проект стоит разбить на короткие этапы (спринты) по 2-4 недели.

1. •

   Планирование спринта:

   • •Берем часть ТЗ, например, «проверить гипотезу о достижимости 95% точности на данных X».
2. •

   Работа в спринте:

   • •Команда проводит эксперименты, обучает модели.
3. •

   Демонстрация:

   • •В конце спринта команда показывает реальный, работающий прототип и конкретные цифры: «На этих данных мы достигли точности 87%. Чтобы достичь 95%, нам нужно еще Y данных и Z времени».

Такой подход позволяет:

• •Быстро проверять гипотезы: Не тратить год на проект, который окажется нежизнеспособным.
• •Гибко менять курс: Если выяснилось, что данные плохие, можно вовремя принять решение об их доразметке или смене подхода.
• •Вам, как заказчику, всегда быть в курсе дел и видеть реальный прогресс, а не отчеты.

ТЗ при этом может и должно уточняться после каждого спринта. Это абсолютно нормальный и здоровый рабочий процесс.

---

Заключение: ТЗ как начало диалога

Идеальное техническое задание, написанное заказчиком в полном отрыве от команды разработки, — это миф. Невозможно, не будучи специалистом в Data Science, предусмотреть все технические нюансы, ограничения моделей и подводные камни, связанные с данными.

Хорошее ТЗ — это не ультиматум, высеченный в камне, а начало продуктивного диалога. Вы, как эксперт в своем бизнесе, максимально подробно описываете проблему, цели и ограничения со своей стороны. Подрядчик, как эксперт в технологиях, помогает вам декомпозировать эту задачу, предлагает различные варианты решений, честно подсвечивает риски и помогает сформулировать корректные, измеримые и достижимые технические требования.

Именно поэтому лучшим и самым безопасным форматом работы является совместное написание или детализация ТЗ на этапе предпроектного анализа (Discovery Phase). Да, это платная услуга, но она абсолютно необходима. Она страхует обе стороны от провала, синхронизирует ожидания и гарантирует, что ваш сложный и дорогой «дом» будет построен на прочном фундаменте, по понятному архитектурному плану и точно в срок.

Ключевые выводы:

• •ТЗ на ИИ — это описание эксперимента, а не инструкция по сборке из готовых деталей.
• •Данные важнее алгоритмов. Начните проект с их глубокого аудита, а не с выбора модной нейросети.
• •Не гонитесь за 100% точностью, определите экономически обоснованный и достаточный для бизнеса уровень.
• •Продумывайте интеграцию и пользовательские сценарии с самого начала, иначе получите бесполезный «мозг в банке».
• •Начните с MVP и управляйте проектом гибко, по коротким спринтам, чтобы быстро видеть результат.
• •Не пишите ТЗ в одиночку — делайте это в тесном диалоге с командой разработки.

---

Словарь терминов для директора

• •

  ТЗ (Техническое задание) и R&D: ТЗ — это фундаментальный документ, определяющий требования и цели проекта. В контексте ИИ оно описывает не просто сборку из готовых частей, а R&D (Научно-исследовательские работы), то есть процесс создания нового продукта с элементами исследовательской неопределенности. Именно поэтому ТЗ на ИИ должно быть гибким.

• •

  SMART-цель и Use Case: Чтобы ТЗ было эффективным, оно должно оперировать конкретными понятиями. SMART-цель — это стандарт постановки задачи (она должна быть конкретной, измеримой, достижимой, релевантной и ограниченной во времени). А Use Case (пользовательский сценарий) — это пошаговое описание того, как конкретный пользователь (например, кладовщик) будет решать свою задачу с помощью будущей системы.

• •

  MVP (Minimum Viable Product) и Scope Creep: Чтобы не утонуть в деталях, разработка ведется итерациями. MVP — это минимально жизспособный продукт, первая версия системы, решающая одну, но самую главную проблему. Такой подход помогает избежать Scope Creep — неконтролируемого разрастания требований и «хотелок» в процессе разработки, которое срывает сроки и раздувает бюджет.

• •

  Precision (Точность) и Recall (Полнота): Две ключевые и часто конфликтующие метрики для оценки качества ИИ-модели. Precision показывает, как много из того, что система нашла, было правильным (минимизация ложных срабатываний). Recall показывает, как много из того, что нужно было найти, система действительно нашла (минимизация пропусков). Баланс между ними — важное бизнес-решение.

• •

  On-premise и Discovery Phase: On-premise — это вариант развертывания ПО на собственных серверах клиента, а не в облаке, что критично для компаний с высокими требованиями к безопасности данных. Решение об инфраструктуре, как и другие ключевые моменты, принимается на этапе Discovery Phase — предпроектного анализа, где проводится глубокое исследование и совместная разработка детального ТЗ, что минимизирует риски.