Дипкрафтинг: разбор методологий до первооснов вместе с ИИ

Основатель Product Lab Андрей Бадин рассказывает, как вместо вайбкодинга он занялся дипкрафтингом. Большая часть его работы с ИИ давно идет в режиме, для которого названия не нашлось, так что название пришлось придумывать самому. Ниже — история о том, что это за подход, из чего он состоит и во что упирается на практике.

С чего все началось

Термин вайбкодинг ввел Андрей Карпатый, и ввел он его максимально честно. Смысл в том, что ты отдаешься вайбу и перестаешь разбираться в происходящем: не читаешь диффы, принимаешь все подряд, а когда что-то ломается, просто просишь модель это починить. Карпатый сам оговорился, что для одноразовых проектов выходного дня такой режим вполне рабочий, и никакого другого статуса своей идее не приписывал.

Андрей Бадин тоже повайбкодил и довольно быстро обнаружил, что его тянет немного в другую сторону. Появление ИИ впервые сделало глубокое понимание доступным по времени, и вместо того чтобы отказываться от разбирательства, ему захотелось идти за пониманием до самых первооснов. Сначала он попробовал назвать это vibe creation, вайб-творчеством, но название не прижилось. То есть слово vibe уже занято под поверхностность и логику «авось залетит», а здесь речь ровно про обратное. В итоге пришлось называть вещь по сути, и получился дипкрафтинг, он же deep crafting.

Да, это еще один термин на -инг, и автор прекрасно понимает, как такое выглядит со стороны. Поэтому дальше речь пойдет о том, что за ним стоит.

Что такое дипкрафтинг

Если давать определение, то дипкрафтинг — это создание нового вместе с ИИ, в котором роли между человеком и моделью разведены и не смешиваются.

ИИ в этой конструкции работает сразу в трех амплуа: как библиотекарь, как исследователь и как критик. Он достает любое знание, до которого дотягивается, находит работы, на которые человек сам вышел бы разве что по счастливой случайности, и методично убивает идеи до тех пор, пока какая-нибудь из них не выдержит удар.

Человек в это время держит рамку. Он задает вектор, решает, до какой глубины имеет смысл копать в каждом конкретном случае, и сшивает между собой несвязанные области, которые модель сама никогда не соединит.

Само слово собрано из двух частей, и каждая отвечает за свою половину процесса. Deep — это про то, как глубоко ты разбираешь предмет, до самых его оснований. Craft — это про то, как ты собираешь его обратно, и здесь важно, что речь идет о ручной работе, а не о сборке из готовых блоков: ты снимаешь все лишнее до тех пор, пока не останется только то, что держит форму. По-русски все вместе и получается глубокое создание.

Четыре режима работы

За время практики схема сложилась в четыре режима. Формально они выстроены по порядку, но в реальной работе между ними мотает туда-сюда, и никакой линейности там нет.

Мета-уровень

Бывают области, в которых человек не эксперт и вдобавок не знает даже того, чего он не знает. Это классическая слепая зона: гуглить в ней нечего, потому что у тебя нет слов, из которых можно составить запрос.

В таком случае в модель уходит не вопрос, а проблематика вместе с ощущениями, примерно в такой формулировке: вот что я наблюдаю, вот что меня во всем этом смущает, какие здесь вообще существуют теории и как об этом принято думать в науке.

Дальше начинается движение сразу в две стороны, вверх к смыслам и вниз к формам. Оно продолжается до тех пор, пока не появится связка теории с практикой и карта области, по которой уже можно ходить самостоятельно.

Первоосновы

На этом уровне никакая теория и никакая методология не принимаются как данность, будь то JTBD или ТРИЗ.

ИИ работает здесь источником исследований со ссылками, и копать с его помощью можно сколько угодно глубоко, вплоть до нейробиологии и физики. Вопрос всегда один: на чем в действительности держится утверждение, которое двадцать лет подряд пересказывают как аксиому.

Тут нужна важная оговорка. Все, что модель выдает, приходится перепроверять и вычитывать, потому что она выдумывает ссылки, притягивает выводы и очень уверенно ошибается в деталях. Это отдельная работа, и времени она съедает много, но результат того стоит.

Когда методология уже разобрана до базовых элементов, остается задать себе несколько простых вопросов: что здесь упущено, что оказалось лишним и что из этого держит конструкцию, а что было декорацией. После такого разбора хорошо видно, что в предмете главное.

Новая система

Дальше человек проектирует собственную систему, связывает ее с теми первоосновами, до которых докопался, убирает лишнее и оптимизирует то, что осталось.

ИИ на этом этапе сначала идет как партнер по идеям, у него всегда можно посмотреть его версию решения. В этой роли он пока откровенно слаб, но время от времени ассоциативно выдает мысли, которых в голове не было.

А потом начинается то, ради чего вся конструкция и затевалась. Модель просят разнести собранное в клочья и найти в нем ошибки, просчеты и нестыковки. Вот здесь она хороша по-настоящему и живого места не оставляет. Процесс получается долгим, зато именно в нем идет кристаллизация: в системе остается только то, что выдержало разбор.

Методология

Когда теория наконец сходится, вылезает следующая проблема. Для людей она оказывается сложной, потому что у всего нового еще нет привычных слов, и история с самим дипкрафтингом тут показательна.

На этом этапе у модели просят варианты упрощения, структуризации и новых названий. В этой роли она снова слабее человека, но исправно подкидывает ассоциации и работает партнером по креативности.

Что у ИИ получается, а что нет

Если сложить все четыре режима вместе, картина по опыту Андрея выходит неровная.

Хорошо у модели получается поиск работ и исследований, до которых человек сам бы не добрался, критика уже собранной конструкции, которую она ломает жестко и по делу, и разведка незнакомой области в ситуации, когда ты не знаешь даже терминов.

Хуже у нее с отбором. Идей модель выдает много, и сильные среди них попадаются, но отличить сильную от пустой она не умеет — защищает обе одинаково уверенно. С упрощением и неймингом та же история: варианты дает, а окончательное решение все равно остается за человеком. Совсем грустно с фактурой, поэтому все идет со ссылками и все отправляется на перепроверку.

Именно отсюда и берется разведение ролей. Человеку в этой схеме достается ровно то, что ИИ делает плохо.

Зачем все это нужно

Схему Андрей осознал в процессе написания книги, выпуск которой он все откладывает, и причина отката сроков состоит ровно в этом: он дипкрафтит. Он разрабатывает методологию создания продуктов в эпоху ИИ и при этом сомневается, что ее вообще стоит называть продакт-менеджментом, потому что там работает другое мышление, идущее продуктовому на смену.

Занимается он этим каждый день, включая выходные, и говорит, что процесс сильно затягивает.

Есть у всего этого и неприятный побочный эффект. Смотреть на некоторые теории и методологии стало физически больно, потому что начинаешь видеть их исходный код, как в Матрице. Большинство книг по продакт-менеджменту и бизнесу при таком взгляде оказываются устаревшим пересказом того, что кто-то однажды случайно сделал двадцать лет назад.

Тут закономерно спросят: что во всем этом нового? Разбирать методологию до оснований можно было всегда: читать первоисточники, лезть в смежные науки, проверять, на чем стоит теория. Это называется исследовательской работой, и отдельного термина для нее не использовалось.

Разница здесь во времени, подходах и инструментах. Один разбор чужой методологии до нейробиологии раньше стоил нескольких лет чтения на разных языках, доступа к базам и большой удачи в поиске, поэтому таким почти никто и не занимался.

Поэтому глубину и высокое качество исследований и сборки сложно было получить на практике. Это был удел ученых. И раньше на это могло уйти много лет, а сейчас дни или недели.

Вот это и есть дипкрафтинг: глубоко прокопать область знаний и собрать ее в ценную для других методологию или инструмент на основе первооснов.