Как мы сделали лучший на рынке продукт для учителей английского, а Pearson его испортили - часть 2

В предыдущем посте я описывал, какой продукт мы разработали. Вы накидали очень много реакций! Сегодня я расскажу, что произошло.

Проект вышел на рынок с названием Smart Lesson Generator (гениально). И это совершенно другой продукт. Компания не использовала ни одну из наших наработок. Продукт является частью экосистемы Pearson и представляет по своей сути обертку для GPT, которая с помощью RAG генерирует уроки на основании существующих материалов Pearson. А в самих уроках она генерирует только тексты и ничего более. Демо этого убожества можно посмотреть тут. А на скринах вы можете увидеть наши впечатления от запуска.

Как это произошло?
Причина 1 - новые политики и ограничения на найм привели к сливу нашей команды
После назначения нового CEO произошло самое неприятное - приостановили работу со всеми сотрудниками компании, кто был на контракте, а не в штате. Под раздачу попала почти вся команда акселлератора, включая меня и ребят, кто делал Teaching PAL, т.к. мы не проживали в странах, где есть офисы компании. Обещали разобраться до февраля, потом до марта, апреля. Все это время я мониторил рынок и описывал будущие фичи продукта, работая бесплатно и копя материалы, чтобы быстрее вернуться. В итоге все угасло, подробнее писал тут. Новая стратегия предполагала исключительно найм в штат в ограниченных локациях. Разрешено стало нанимать только в Испании. В США и других локациях запрет на найм. Бюджет на одного специалиста - смехотворный. Не называю конкретные цифры, но ЗП ML-инженера зажали настолько, что она меньше, чем ЗП ML-инженера в РФ. Отвалились мы сами и все крутые кандидаты в команду.

Причина 2 - проект реализовала другая команда
Эти ребята не проводили исследований, они не делали тестов, им не нужно было защищать продукт и все то, что было в него вложено, они не знали, почему были приняты те или иные решения. Они просто как наемники сделали то, что им было сказано. К проекту даже не допустили моего бывшего руководителя - единственного, кто остался в компании и был в контексте проекта.

Причина 3 - растрата ресурсов и бюрократия
Подробно про политику Shared Teams и согласования я писал вот тут. Из-за всего этого мы ОЧЕНЬ ДОЛГО разрабатывали MVP. Арендованный дизайнер работал очень медленно. Мне с трудом удалось слить его с проекта и выбить бюджет на найм своего диза, который обходился нашему бюджету более, чем в 2 раза дешевле с учетом налогов. Мы работали долго, медленно и прожгли просто нереальные суммы на разработку MVP. Если бы не это - нам бы удалось сделать запуск еще в 2023, а не тянуть до 2025.

Причина 4 - компания побоялась себя дизраптить
Pearson - это паблишер. Основной бизнес компании держится на бумажных учебниках. И пока конкуренты переводили образование в цифру, Pearson продолжали держаться за бумажки, потому что была существующая база, которая приносила прибыль. Они не хотели отходить в сторону. А еще у компании есть пресловутая GSE - шкала измерения уровня, аналог CEFR, которую она пихала ПРОСТО ВЕЗДЕ. Проблема была в том, что наш MVP не мог генерить контент четко по уровням GSE (мог CEFR), для этого нужно было обучать модель либо использовать RAG. Я предлагал забить хер на GSE, сделать лонч MVP по общепринятой шкале, а в процессе дообучить модельку, но меня послали нафиг. В итоге они сделали запуск просто на RAG и все…

Причина 5 - не AI-first
Чтобы сделать крутой AI-продукт - нужно, чтобы AI рассматривался как ключевой элемент стратегии, а не дополнительная фича. Продукт не захотели рассматривать как самостоятельную единицу. Его решили встроить в экосистему для существующих пользователей. Никакого B2C. Вместо диверсификации через AI и привлечения новых пользователей, компания выбрала сделать обертку GPT для старой аудитории. Так Teaching Pal из продукта с потенциалом превратился в Smart Lesson Generator

Накидайте еще реакций и в последнем посте цикла я напишу, какие уроки я для себя извлек, работая над этим проектом.

#кейсы@NGI_ru