Ошибки агентов становятся товаром, а опыт - общей памятью

Magma превращает логи ИИ-агентов в источник выручки и подводит рынок к маркетплейсу опыта между компаниями одной ниши.

Зачем продавать ошибки собственных агентов?

Magma обращается к компаниям, которые уже используют ИИ-агентов, и предлагает довольно неожиданный способ заработка: получать деньги за следы работы этих агентов 😮

Каждый день такой агент оставляет после себя большой массив информации. Что спросил пользователь? Как ему ответила машина? Где человек уточнил задачу, поправил ответ или показал, что результат оказался бесполезным? Всё это не просто технический мусор. Внутри находятся примеры реального применения ИИ.

Обычно подобные логи остаются внутри компании. Иногда они используются для внутреннего контроля и улучшения продукта. Но чаще ценная обратная связь просто теряется среди остальных данных. Magma предлагает превратить этот невостребованный остаток в актив.

Для обычного бизнеса здесь понятна отдельная выгода. Не требуется придумывать новый продукт или продавать рекламу клиентам. Достаточно разобраться, какие данные уже появляются в рабочих процессах, и понять, можно ли безопасно передать их на дальнейшее использование.

Именно поэтому проект попадает сразу в две повестки: в рынок данных для обучения ИИ и в проблему компаний, которые пока не умеют извлекать пользу из собственных журналов работы.

Схема Magma

В основе Magma не сложный интерфейс для конечного пользователя, а связка из нескольких последовательных операций. Сначала стартапу нужно понять, какой ИИ-продукт работает у компании и какие данные возникают во время его использования.

Затем команда Magma проводит технический звонок продолжительностью 20 минут. На нём выясняется, где живёт продукт, в каком окружении он работает и каким способом оттуда лучше забирать логи. После этого клиент получает инструменты, подходящие именно под его инфраструктуру.

Передача данных после первичной установки должна занимать буквально пару кликов. Но простота для клиента появляется только потому, что сложная часть спрятана внутри платформы.

Magma анонимизирует полученные записи: убирает персональные сведения и другую конфиденциальную информацию, а затем преобразует материал в формат, пригодный для обучения и отладки моделей. После этого подготовленные данные предлагаются разработчикам ИИ.

Компания-источник получает долю денег от лицензирования. Получается не обычная продажа корпоративного софта, а инфраструктура разделения дохода между теми, кто создаёт данные, и теми, кому они нужны.

Почему логи человека и агента особенно ценны?

Открытый интернет уже не выглядит бесконечным запасом качественного материала для обучения. Всё больше новых страниц и публикаций создаётся самими нейросетями. Учить одну машину на результатах другой можно, но такой путь постепенно ухудшает качество исходного материала 🤣

Поэтому данные для обучения ИИ приходится искать там, где сохраняется человеческий опыт. Это могут быть разговоры, записи действий, профессиональные материалы и другие источники, которые раньше не считались частью рынка данных.

Логи взаимодействия с агентами добавляют к этому набору ещё один слой. Они показывают не только то, что человек сказал, но и то, как система справилась с задачей. Повторный вопрос сигнализирует о непонятном ответе. Исправление указывает на ошибку. Уточнение помогает увидеть, чего не хватило в первом заходе.

Грубо говоря, это уже не просто база данных ИИ с примерами текста. Это карта столкновений между машинным ответом и реальным ожиданием пользователя. Для разработчика такой материал полезен и как сырьё, и как обратная связь.

Для бизнеса это означает, что данные системы ИИ могут быть ценными даже тогда, когда они не попадают в красивой отчёт. История неудачных взаимодействий иногда рассказывает о продукте больше, чем список успешных ответов.

Так Magma работает не только как поставщик данных для обучения ИИ. Вокруг неё может появиться маркетплейс данных, где разные типы рабочих следов получают понятного покупателя и понятную экономику.

Как данные проходят путь от агента до покупателя?

Весь процесс можно разложить на короткую цепочку. Важная особенность в том, что компания не должна заранее становиться специалистом по рынку датасетов: она передаёт описание своей системы, а Magma помогает подобрать техническую обвязку.

Первый шаг - рассказать стартапу, какой ИИ-продукт используется и какие записи он создаёт. Здесь важно не только название инструмента, но и содержание потока: пользовательские запросы, ответы агента, исправления и другие события.

Второй шаг - совместно разобрать техническое окружение. Во время 20-минутного звонка Magma выясняет, откуда и как безопаснее получать данные. Это снижает порог подключения для компаний, у которых нет отдельной команды по данным.

Третий шаг - установить инструменты передачи. После внедрения логи начинают поступать в Magma, где их обезличивают и подготавливают для дальнейшего использования.

Четвёртый шаг - найти покупателя среди разработчиков ИИ-моделей. Компания-источник получает часть выручки, а Magma оставляет себе роль посредника, редактора и оператора рынка.

1. Описание продукта

   Компания рассказывает, как устроен её ИИ-агент и какие записи появляются в работе.

2. Техническая настройка

   Magma разбирается в окружении продукта и предлагает подходящий способ передачи.

3. Передача логов

   После установки инструменты отправляют данные на платформу.

4. Очистка и упаковка

   Записи обезличиваются и преобразуются в материал для обучения или отладки.

5. Продажа и разделение дохода

   Подготовленные данные лицензируются разработчикам моделей, а источник получает долю.

А если продавать опыт не моделям, а соседним агентам?

Здесь появляется более интересная возможность. ИИ в реальном продукте улучшается на двух уровнях: отдельно развивается универсальная модель, а отдельно - приложение, которое приспосабливает эту модель к конкретной профессии или отрасли.

Логи полезны для обоих уровней. Разработчик базовой модели может использовать их, чтобы научить систему лучше понимать запросы и избегать типичных ошибок. Но тот же материал способен помочь нишевому агенту: например, увидеть, какие формулировки и сценарии регулярно встречаются именно в его области.

Отсюда возникает идея второго рынка. Вместо того чтобы отдавать весь массив только создателям универсальных моделей, Magma могла бы связывать компании с другими разработчиками агентов и операторами той же ниши.

Маленькому ИИ-агентству трудно накопить достаточно собственных случаев работы. Его продукт может быть хорошим, но выборка остаётся узкой. Общий поток обезличенных логов позволяет получить опыт, который одна компания в одиночку собирала бы слишком медленно.

Этот принцип знаком обычному бизнесу. Новому магазину не хватает истории покупок для хороших рекомендаций. Небольшой сервису не хватает обращений клиентов для точной автоматизации. Везде, где качество зависит от повторяющихся сценариев, общий пул опыта снижает стартовый недостаток данных.

Именно здесь запрос база данных ИИ получает практический смысл: речь не о хранилище ради хранилища, а о накопленной отраслевой памяти, которую можно использовать для улучшения конкретных продуктов.

Почему маленьким компаниям понадобится общий опыт?

Развитие ИИ будет создавать множество небольших команд, которые строят продукты вокруг агентов. У таких компаний может быть немного сотрудников, зато большая часть операционной работы будет проходить через машины.

Проблема у них окажется не только в выборе модели. Качество агента определяется тем, насколько хорошо он обучен конкретной предметной области и насколько много реальных ситуаций видел. Мощная универсальная модель сама по себе не знает внутреннюю логику каждой профессии.

Поэтому компании одной ниши смогут обмениваться обезличенными логами. Одна сторона отдаёт часть опыта, получает доступ к чужому опыту и улучшает собственный продукт. В результате появляется схема give-to-get: чтобы взять отраслевые данные, сначала нужно внести вклад в общий пул.

Для такой системы важна не просто аналитика данных с помощью ИИ. Нужен цикл, в котором ошибки классифицируются, чувствительные сведения удаляются, полезные сценарии собираются в наборы и возвращаются разработчикам агентов в пригодном виде.

Без правил доступа эта модель быстро упрётся в конфиденциальность. Агент не должен унести в чужую компанию коммерческие сведения, персональные данные или детали конкретного клиента. Значит, безопасность здесь не дополнение к продукту, а его центральная часть.

Нетривиальный вывод в том, что один агент внутри одной компании может быть слишком ограничен собственным опытом. Коллективная память отрасли способна стать для нишевых систем таким же преимуществом, каким для человека становится многолетняя практика.

Однако одного факта обмена недостаточно. Участникам понадобится понятная разметка: какие случаи считаются успешными, какие ответы были исправлены человеком, а какие данные нельзя передавать даже после автоматической очистки. Без такой структуры общий массив быстро превратится в склад разрозненных диалогов, где сложно найти полезный сигнал.

Экономика тоже должна быть прозрачной. Компания может получать доступ к данным пропорционально собственному вкладу, покупать отдельные тематические наборы или оплачивать обработку только тех сценариев, которые нужны её агенту. В каждом варианте важно отделить ценность самого лога от стоимости очистки, проверки и поддержки инфраструктуры.

Есть и вопрос доверия между конкурентами. Даже обезличенная запись иногда позволяет догадаться, кто был клиентом или какой процесс описан. Поэтому платформе потребуется не только удалять очевидные идентификаторы, но и проверять редкие комбинации фактов, ограничивать объём выдачи и вести журнал обращений к данным.

Первую версию такого рынка разумно строить вокруг узкой задачи с измеримым результатом. Например, участники могут сравнивать долю исправлений, скорость решения типового запроса или количество случаев, когда агент передал задачу человеку. Тогда становится понятно, действительно ли чужой опыт улучшает продукт, а не просто увеличивает объём доступной информации.

Именно в этом различие между обычным архивом и общей памятью отрасли. Архив хранит прошлое, а рабочий рынок превращает его в повторяемый цикл: компания отдаёт проверенные случаи, получает более сильные сценарии и возвращает новые результаты обратно в систему.

Текущий статус Magma

Пока рано оценивать реальный масштаб бизнеса. Неизвестно, какие компании уже передают логи, какие суммы они получают и насколько стабильно разработчики моделей покупают подготовленные массивы.

Magma проходит акселерацию в Y Combinator. О запуске платформы стартап сообщил там всего три дня назад, поэтому публичная история проекта ещё только начинает формироваться.

Для читателя это важная оговорка. Перед нами не доказанный рынок с прозрачными показателями, а ставка на изменение поведения компаний: данные, которые раньше считались внутренними техническими журналами, должны получить самостоятельную стоимость.

С точки зрения ии аналитики данных проект интересен именно новым источником сигналов. Система может анализировать не только продажи или обращения, но и то, как люди исправляют работу агента. Однако коммерческий результат этой модели ещё предстоит подтвердить.

Куда бежать с этой идеей?

Самое очевидное направление - сделать сервис, который подключается к рабочим ИИ-агентам, обезличивает их логи и продаёт данные разработчикам моделей. Но копировать Magma буквально не обязательно. Важнее найти сферу, где взаимодействия повторяются, ошибки заметны, а улучшение агента напрямую влияет на результат бизнеса.

Признак подходящей ниши довольно простой: в ней много похожих компаний, каждая регулярно сталкивается с одними и теми же сценариями, но ни у одной нет достаточно большой собственной истории. Это могут быть любые области, где агент ведёт диалоги, обрабатывает заявки, проверяет документы или принимает типовые решения.

Следующий уровень - закрытый маркетплейс опыта для конкретной отрасли. Участники передают обезличенные записи, получают доступ к чужим наборам и используют их для доработки собственных агентов. Такая модель может быстрее набрать полезную плотность, если начать с одного понятного сценария, а не пытаться охватить весь рынок сразу.

Проверить гипотезу можно без раунда и большой команды. Суть именно Magma-механики описывается словами: подключить источник логов, провести очистку, разложить ошибки по типам и дать другой компании безопасный способ использовать результат. Обвязку для загрузки, модерации и выдачи доступа можно собрать на вайб-кодинге, а затем проверить, готовы ли участники отдавать данные ради доступа к чужому опыту.

Вопрос только в выборе первой ниши: где пересекаются повторяемые задачи, высокая цена ошибки и нехватка собственной истории? 🤔

Для какой отрасли можно построить общий рынок логов, чтобы небольшие ИИ-агенты учились друг у друга? 🤔🚀

Вопросы и ответы