Почему обычные языковые модели галлюцинируют списки конкурентов?

Обычная модель отвечает по шаблонам: «AI-приложение для записи» поднимает Otter, Fireflies, Gong, Chorus - это ответ про категорию, а не ответ про конкурентов для «AI-приложения для записи у юристов». Без инструмента, который бы достал живую выдачу по нишевому запросу, модели просто не на чём держаться.

На каких источниках стоит аудит?

Выдача Google, Google Trends, Reddit, Product Hunt, Trustpilot, G2, GitHub, сигналы из Crunchbase и сводки сайтов с отзывами. Поддерживается режим со своими ключами для Perplexity, Tavily, Exa, Brave, DataForSEO, Firecrawl и Apify - если хотите расходовать собственные квоты.

Как считается вердикт?

Взвешенная с поправкой на стадию оценка по шести линзам. Каждая линза несёт `{score, confidence, redFlag}`. Проверка согласованности между линзами поднимает противоречия (например, «рынок: 30% годового роста» против «конкуренция: рынок насыщен и держится FAANG») и кормит ими прогон по дилбрейкерам. Финальный вердикт асимметричен к рискам - `GO` намеренно сложно получить.

Нужно ли отдавать приватность, чтобы этим пользоваться?

Нет. Рассуждение идёт у вас локально через Claude с вашими токенами Anthropic. Исходный текст идеи покидает машину только тогда, когда MCP-инструменту нужно сходить в публичный веб. Аудит сохраняется в вашей панели и привязан к вашему авторизованному в Clerk аккаунту.

Все статьи

Productпроверка идеиметодологияруководство

Как проверить идею стартапа через Claude (без галлюцинаций)

Проверка идеи с опорой на данные - это приём, при котором языковую модель заставляют сначала подтянуть реальные рыночные данные через детерминированные инструменты, а уже потом рассуждать о стартап-идее, а не выдумывать правдоподобные цифры из обучающих данных.

inite22 апр. 2026 г.2 мин чтения

Проверять идею через Claude - значит ставить модель на реальные данные, а не давать ей подбирать шаблоны. Установите 26 markdown-навыков локально одной командой curl, сгенерируйте API-ключ, добавьте MCP-сервер ideaudit в конфиг Claude и напишите «audit this idea: …». Claude вызывает живые инструменты для выдачи Google, Google Trends, Reddit и сайтов с отзывами, после чего детерминированный прогон по дилбрейкерам возвращает вердикт с поправкой на стадию за две-три минуты.

Ключевые факты

Аудит с опорой на данные делает 8-12 MCP-вызовов до вердикта - обычный прогон языковой модели не делает ни одного.
Methodology v2 оценивает 6 линз (Команда, Соответствие проблеме-решению, Тяга, Конкуренция, Выход на рынок, Финансы) от 0 до 100 с пометками уверенности и красных флагов.
Вердикт `GO` требует одновременно: оценка ≥ 80, ноль красных флагов, средняя уверенность ≥ 0,6 и ни одного крупного противоречия.
Цикл подключения - установить навыки, сгенерировать ключ, зарегистрировать MCP - в среднем занимает две минуты от старта до первого аудита.

Проверять идею стартапа обычной языковой моделью - значит получать правдоподобный мусор. Модель собирает список конкурентов по шаблонам, придумывает цифру годового роста, которая «ощущается правильной», и вы уходите с ложной уверенностью. Лечение - опора на данные: заставить модель подтянуть реальные цифры до того, как она начнёт рассуждать.

Это руководство по рабочему процессу, который использует ideaudit: 26 markdown-навыков плюс MCP-сервер, который тянет живую выдачу Google, Google Trends, Reddit и сайты с отзывами и крутит сверху детерминированную математику.

Двухминутная настройка

curl -fsSL https://inite.studio/install.sh | sh

Команда положит 15 простых markdown-файлов в ~/.claude/skills/. Каждый файл - рецепт, по которому Claude действует на конкретном проходе: extract-idea, audit-market, audit-competition, audit-team, audit-traction, audit-business-model, audit-gtm-scale, audit-finance, audit-mission, audit-dealbreakers, audit-consensus и главный оркестратор.

Дальше сгенерируйте API-ключ и добавьте MCP-сервер в конфиг Claude.

Что на самом деле делает «audit this idea»

Напишите audit this idea: AI-приложение для записи у юристов - и Claude прогонит весь конвейер:

Извлечение. Превращает промпт в структурированный объект {stage, sector, problem, solution, ...}. При неоднозначности ≥ 0,5 конвейер останавливается и просит уточнить.
Три параллельные исследовательские линзы. audit-market (TAM, годовой рост, регуляторика), audit-competition (5 сегментов конкурентов и пробелы рынка), audit-problem-solution-fit (5 заголовков проблемы, 5 вариантов решения, 10 актуальных бизнес-моделей).
Последовательный конвейер. Команда → тяга → выбор бизнес-модели (вы выбираете 1 из 3) → выход на рынок → финансы → миссия.
Проверка согласованности. Поднимает противоречия между линзами. Каждое противоречие сохраняется с тяжестью от 0 до 1.
Дилбрейкеры v2. Взвешенная с поправкой на стадию оценка, агрегация линз с поправкой на уверенность, асимметричный к рискам вердикт.

Возвращает {verdict: GO|REFINE|KILL, zone: Star|Green|Yellow|Orange|Red, score: 0-100}.

GO требует оценка ≥ 80 И ноль красных флагов И средняя уверенность ≥ 0,6 И ни одного крупного противоречия. Планка задрана нарочно - цель не штамповать зелёные значки, а не пропускать ложные положительные.

Почему опора на данные так важна

Без MCP Claude вытаскивает такие списки из обучающих данных:

Конкуренты: Zoom, Notion, Otter.ai, Fireflies, Gong, Chorus, Avoma, Fathom, Tactiq, Clari…

Это ответ про категорию, а не про конкурентов для «AI-приложения для записи у юристов». С опорой на данные навык audit-competition вызывает наш инструмент web_search с точным нишевым запросом, разбирает выдачу и возвращает 5 сегментов с реальными именами, сигналами по доле рынка и оценкой тональности на сайтах с отзывами.

Цифра TAM, которую считает математический навык, опирается на реальный индекс Google Trends и объём ключевых запросов из DataForSEO - а не на догадку «рынок legal-tech где-то на $X миллиардов».

Что дальше

После того как аудит приземлится в панель, можно:

Сопоставиться с инвесторами. Загрузите список, получите оценку личного соответствия от 0 до 100 с весами по категории, стадии, географии и среднему чеку.
Собрать пакет для роуд-шоу. Одностраничный тизер, 5 вариантов короткого описания, 5 вариантов темы письма - готово к рассылке.
Перебирать варианты. Поменяйте одну переменную (география, бизнес-модель, биография основателя), перезапустите, смотрите, как ползёт оценка.

Цикл - три минуты. Вердикт инвесторского уровня. Без галлюцинаций.

FAQ

Частые вопросы

Почему обычные языковые модели галлюцинируют списки конкурентов?
Обычная модель отвечает по шаблонам: «AI-приложение для записи» поднимает Otter, Fireflies, Gong, Chorus - это ответ про категорию, а не ответ про конкурентов для «AI-приложения для записи у юристов». Без инструмента, который бы достал живую выдачу по нишевому запросу, модели просто не на чём держаться.
На каких источниках стоит аудит?
Выдача Google, Google Trends, Reddit, Product Hunt, Trustpilot, G2, GitHub, сигналы из Crunchbase и сводки сайтов с отзывами. Поддерживается режим со своими ключами для Perplexity, Tavily, Exa, Brave, DataForSEO, Firecrawl и Apify - если хотите расходовать собственные квоты.
Как считается вердикт?
Взвешенная с поправкой на стадию оценка по шести линзам. Каждая линза несёт `{score, confidence, redFlag}`. Проверка согласованности между линзами поднимает противоречия (например, «рынок: 30% годового роста» против «конкуренция: рынок насыщен и держится FAANG») и кормит ими прогон по дилбрейкерам. Финальный вердикт асимметричен к рискам - `GO` намеренно сложно получить.
Нужно ли отдавать приватность, чтобы этим пользоваться?
Нет. Рассуждение идёт у вас локально через Claude с вашими токенами Anthropic. Исходный текст идеи покидает машину только тогда, когда MCP-инструменту нужно сходить в публичный веб. Аудит сохраняется в вашей панели и привязан к вашему авторизованному в Clerk аккаунту.