Создание AI приложений в 2025: Уроки из опыта запуска 5 продуктов в App Store
Ландшафт приложений на основе ИИ кардинально изменился
Когда мы запустили iHux в 2024 году, создание приложения на основе ИИ означало борьбу с API моделей, управление затратами на токены и надежду на то, что ваши подсказки будут работать последовательно. Год и пять выпущенных продуктов спустя ландшафт выглядит совсем иначе. Инструменты созрели. Паттерны устоялись. И ожидания пользователей от приложения на основе ИИ возросли драматически.
Мы выпустили приложения, охватывающие компьютерное зрение, обработку естественного языка, генеративный ИИ и интеллектуальную автоматизацию. Каждое научило нас чему-то новому о том, что работает — и что не работает — когда вы даёте машинное обучение в руки пользователям. Вот пять самых больших уроков.
Урок 1: Локальный вывод уже не опционален
Каждое приложение, которое мы выпустили и полагается исключительно на облачные API, имеет более высокий отток пользователей, чем те, которые используют локальное МО. Причина проста: пользователи ожидают мгновенного ответа. Круговое путешествие API в 500 мс, которое кажется приемлемым в демонстрации, ощущается болезненно медленным, когда вы используете приложение 20 раз в день.
CoreML и TensorFlow Lite позволяют нам запускать модели менее чем за 50 мс на современных телефонах. Для наших приложений компьютерного зрения мы полностью перенесли обнаружение объектов на устройство, используя пользовательские модели YOLOv8, преобразованные в формат CoreML. Результат? Показатели удержания в 3 раза выше и отзывы App Store, которые специально хвалят скорость.
Ключевое понимание: используйте облачные API для тяжёлых генеративных задач (создание текста, создание изображений), но запускайте классификацию, обнаружение и простой вывод локально. Этот гибридный подход даёт вам лучшее из обоих миров — мощные функции ИИ с отзывчивостью, похожей на нативное приложение.
На iOS в частности, Apple Neural Engine делает локальный вывод невероятно эффективным. Модели, которые разряжали бы батарею на старых устройствах, работают бесшумно в фоне на чипах A16+. Если вы создаёте приложения с ИИ для iOS и не используете CoreML, вы оставляете огромный потенциал производительности на столе.
Урок 2: Инжиниринг подсказок — это на самом деле дизайн продукта
Лучшие специалисты по инжинирингу подсказок в нашей команде — это не те, кто больше всего знает о LLM, а те, кто лучше всего понимает пользователя. Создание системной подсказки — это в фундаментальном смысле упражнение в UX: чего ожидает пользователь? Какой тон должен быть в ответе? Какие ограничения предотвращают плохой опыт?
Сейчас мы подходим к разработке подсказок с той же строгостью, что и к дизайну UI: исследование пользователей, итерации, A/B-тестирование и непрерывное совершенствование на основе реальных данных использования. Мы версионируем наши подсказки в Git, отслеживаем метрики производительности для каждой версии подсказки и запускаем автоматизированные наборы оценки перед развертыванием изменений.
Один практический метод, который хорошо сработал: создайте тестовый стенд для подсказок, который запускает 100 разнообразных входных данных против вашей подсказки и оценивает результаты. Это выявляет граничные случаи до того, как их найдут ваши пользователи. Обычно мы тестируем с входными данными на нескольких языках, с разным уровнем специфичности и намеренно враждебными запросами.
Урок 3: Выпустите сначала самую простую версию
Наше самое успешное приложение началось как однооконный инструмент с одной функцией AI. Никакого потока онбординга, никакой системы аккаунтов, никакого премиум-уровня. Просто камера, направленная на проблему, и AI, который её решает. Именно эта простота помогла нам достичь 10 000 загрузок на первой неделе.
Искушение с AI-приложениями — продемонстрировать всё, что может делать модель. Сопротивляйтесь этому. Пользователи хотят, чтобы одно дело было сделано исключительно хорошо, а не десять дел сделаны адекватно. Это особенно верно для AI-функций, где надёжность важнее, чем широта возможностей.
Наш процесс MVP следует строгому правилу: определите единственное ключевое взаимодействие с AI, реализуйте его, протестируйте с 10 реальными пользователями, затем решите, что добавить дальше. Функции вроде учётных записей пользователей, настроек, обмена данными и премиум-уровней добавляются позже — только после того, как мы доказали, что основное ценностное предложение работает.
Урок 4: Обработка ошибок — это ваш реальный UX
AI-модели дают сбой. Они галлюцинируют, превышают время ответа, возвращают мусор. Разница между приложением на 3 звезды и приложением на 5 звёзд — это не то, насколько умён ИИ, а то, как элегантно приложение справляется с ошибками. Каждое взаимодействие с ИИ в наших приложениях имеет три состояния: загрузка, успех и интеллектуальная ошибка.
Интеллектуальная ошибка означает, что приложение не просто показывает стандартное сообщение об ошибке. Оно объясняет, что пошло не так простым языком, предлагает, что может попробовать пользователь, и предоставляет альтернативный путь. Для распознавания изображений это может означать показ топ-3 предположений вместо одного. Для генерации текста это может означать предложение повторить попытку с более простым запросом.
Мы также встраиваем пороги уверенности в каждое предсказание. Если модель менее чем на 80% уверена, мы показываем результат иначе — с оговорками, альтернативами или опцией ручного переопределения. Эта прозрачность создаёт доверие и значительно снижает количество негативных отзывов.
Урок 5: Отслеживайте всё в production
AI-приложения деградируют незаметно. Модель, которая работает идеально при тестировании, может дрейфовать в production, когда пользовательские входные данные отклоняются от ваших обучающих данных. Мы узнали об этом на собственном опыте, когда одно из наших приложений начало возвращать плохие результаты для определённой категории изображений, которых мы не видели при тестировании.
Теперь мы отслеживаем метрики производительности модели в production: средние баллы уверенности, частоту ошибок, процентили задержки и сигналы удовлетворённости пользователей (они повторили попытку? они поделились результатом?). Любое значительное отклонение запускает оповещение. Этот слой наблюдаемости уловил проблемы ещё до того, как пользователи их заметили.
Что дальше для iHux
Мы удваиваем усилия в области локального AI, изучаем мультимодальные модели, которые объединяют компьютерное зрение и обработку языка, и расширяемся в корпоративный сегмент, где AI может автоматизировать повторяющиеся рабочие процессы. Разрыв между тем, что возможно с помощью AI, и тем, что на самом деле поставляется как отполированный продукт, остается огромным — и это именно та сфера, в которой мы работаем.
Если вы создаете приложение на базе AI и хотите избежать ошибок, которые мы допустили, свяжитесь с нами. Мы выпустили достаточно продуктов, чтобы знать, что работает — и, что более важно, что не работает.