Pradėjai Kurti Aplikaciją su AI ir Įstrigai? Ką Daryti Toliau

Scena, kurią matau beveik kas savaitę. Žmogus turi gerą idėją, atsidaro Lovable, Bolt arba v0, įrašo, ko nori, ir per kelias valandas ekrane pamato kažką, kas atrodo kaip tikra aplikacija. Pirmas jausmas — euforija. „Aš pats tai padariau, ir tai veikia." Tada ateina antras vakaras. Reikia, kad žmonės galėtų prisiregistruoti. Reikia priimti mokėjimą. Reikia, kad duomenys kažkur išliktų, o ne dingtų perkrovus puslapį. Reikia tai paleisti į internetą, ne tik rodyti localhost'e. Ir staiga viskas sustoja.

Prašai AI „prijunk mokėjimus" — jis sugeneruoja kodą, kuris atrodo teisingas, bet neveikia. Prašai pataisyti — pataiso vieną vietą, sulaužo tris kitas. Po dešimto rato jau nebeaišku, kuri kodo dalis ką daro, deploy meta klaidą, kurios nei tu, nei AI nesupranta, ir ta euforija virsta ta keista panika, kai turi 70 % produkto ir nė menkiausio supratimo, kaip įveikti likusius 30 %.

Jei tai apie tave — perskaityk iki galo. Per savo karjerą esu ne kartą paėmęs tokį „beveik baigtą" projektą ir pavertęs jį realiai veikiančiu, paleistu produktu. Šiame straipsnyje atvirai paaiškinsiu, kodėl taip nutinka kone visiems, ką iš tikrųjų reiškia „production-ready", kokius tris realius variantus turi įstrigęs, ir kiek tai kainuoja eurais. Be pagražinimų.

Kodėl beveik visi įstringa toje pačioje vietoje

Tai ne tavo kaltė ir ne tavo gabumų klausimas. AI įrankiai sukonstruoti taip, kad nuvestų tave iki įspūdingo rezultato kuo greičiau — o įspūdingiausia, lengviausiai parodoma dalis yra vizualas. Ekranai, mygtukai, formos, animacijos, gražus dizainas. Būtent tai AI generuoja puikiai, nes tokio kodo internetuose yra milijonai pavyzdžių ir jis yra savarankiškas — neturi prisijungti prie tavo realios duomenų bazės ar tavo banko.

Problema ta, kad ta įspūdingoji dalis ir taip buvo lengviausia. Tikrasis darbas — tai, kas paverčia gražų maketą veikiančiu verslu — prasideda ten, kur AI atsitrenkia į sieną. Aš tą sieną vadinu sunkiuoju 30 %: autentifikacija, mokėjimai, duomenų bazė, saugumas, GDPR, deploy, integracijos, kraštiniai atvejai. Šie 30 % darbo užima 70 % laiko ir reikalauja patirties, kurios įrankis tau neperduos.

Yra dar viena priežastis, kodėl įstrigai būtent dabar, o ne anksčiau. AI dirba turėdamas ribotą „atmintį" apie tavo projektą. Kol kodo nedaug, viskas tvarkoje. Bet kai failų darosi vis daugiau, įrankis pradeda pamiršti, ką pats anksčiau parašė, ir pataisymai vis dažniau sulaužo tai, kas veikė. Tai ne gedimas — tai sistemos riba. Plačiau apie tai, kuo prototipas skiriasi nuo produkto, rašau atskirame straipsnyje apie vibe coding ir kodėl AI prototipas dar nėra produktas.

Ką iš tikrųjų reiškia „production-ready"

Daug kas mano, kad „baigta aplikacija" = „atrodo gerai ir veikia mano ekrane". Realybėje tarp tų dviejų dalykų yra praraja. „Production-ready" reiškia, kad aplikacija veikia patikimai realiems žmonėms, realiame internete, su realiais pinigais ir realiais duomenimis — be tavęs, sėdinčio šalia ir perkraunančio serverį, kai kažkas sulūžta.

Štai sąžiningas vaizdas, ką AI tavo projekte padarė gerai, o kur beveik garantuotai atsitrenkei:

Sritis	Ką AI padaro gerai	Kur atsitrenkia
Vartotojo sąsaja	Gražūs ekranai, formos, mygtukai, responsyvus dizainas	Beveik niekur — čia AI tikrai stiprus
Autentifikacija	Login formos išvaizda, „pamiršau slaptažodį" ekranas	Saugus sesijų valdymas, žetonai, slaptažodžių apsauga, realus prisijungimas
Mokėjimai	Krepšelio ir apmokėjimo ekranų išvaizda	Realus pinigų judėjimas, webhook'ai, klaidų atvejai, grąžinimai, saugumas
Duomenys	Paprasti CRUD pavyzdžiai, demo duomenys	Tikra duomenų bazė, kuri išlieka, migracijos, atsarginės kopijos
Deploy	Veikia localhost'e	Domenas, hostingas, aplinkos kintamieji, SSL, paleidimas internete
Saugumas ir GDPR	Beveik nieko	Duomenų apsauga, slapukų sutikimas, prieigos teisės, atitiktis
Kraštiniai atvejai	„Laimingas kelias", kai viskas pavyksta	Kas nutinka, kai įvedama blogai, nutrūksta ryšys, nepavyksta mokėjimas

Pažvelk į dešinįjį stulpelį. Tai ir yra tavo „likę 30 %". Tai ne kosmetika — tai pati produkto šerdis. Aplikacija, kuri gražiai atrodo, bet praranda kliento mokėjimą arba nutekina jo duomenis, yra blogesnė nei jokia aplikacija, nes ji griauna pasitikėjimą tavo verslu.

Trys variantai, kai įstrigai

Kai pasieki šią vietą, realiai turi tris kelius. Nė vienas nėra teisingas visiems — viskas priklauso nuo to, kiek tau svarbu paleisti tai į rinką ir kiek laiko bei nervų gali skirti.

1 variantas: kovoti toliau pats su AI

Šis kelias tinka, jei tau svarbu pačiam išmokti, jei tai pasodinis projektas be termino, ir jei rizika sulūžti realiam vartotojui tau nieko nekainuoja. Jei taip — tikrai, naudok AI ir kovok. Pasakau tai atvirai, nes ne kiekvienam projektui reikia developer'io, ir aš nesistengiu tau parduoti to, ko nereikia.

2 variantas: viską mesti ir pradėti nuo nulio kitur

Tiesa ta, kad iš tavo darbo neviskas prarasta net pradedant iš naujo. Pati idėja, srautai, ekranų logika, ko tu nori — tai vertingas darbas, kurį galima panaudoti. Apie tai, kaip žmonės keliauja nuo idėjos iki realios aplikacijos ir kokie spąstai jų laukia, rašau straipsnyje nuo ChatGPT idėjos iki realios aplikacijos.

3 variantas: pasamdyti, kad užbaigtų ar perstatytų

Šis kelias tinka, kai tau svarbu paleisti tai realiai, kai laukia tikri klientai arba mokėjimai, ir kai supranti, kad tavo laikas vertingesnis skirtas verslui, o ne kovai su deploy klaidomis. Būtent čia aš ir įsijungiu.

Kodėl aš nelopau spagečių, o perstatau švariai

Noriu būti atviras dėl to, kaip dirbu, nes tai dažniausiai nustebina. Kai žmogus atneša įstrigusį AI projektą, jis dažnai tikisi, kad „tiesiog pataisysiu jo kodą". Aš taip darau ne visada — ir tai sąmoningas sprendimas tavo naudai.

Pirma, aš peržiūriu tavo repozitoriją ir įvertinu būklę. Jei AI sugeneravo padorią struktūrą ir įstrigai tik ties integracijomis ar deploy'u, tęsiu ant tavo bazės — nėra prasmės perdarinėti to, kas tvarkinga. Bet jei kodas yra tai, ką vadinu spagečiais — sluoksnis ant sluoksnio AI pataisymų, kur kiekvienas pakeitimas sulaužo tris kitus, kur nėra aiškios architektūros — tada lopyti jį būtų brangiau ir nepatikimiau nei perstatyti švariai.

Esmė tokia: aš nesiūlau „sutvarkysiu tavo kodą". Aš siūlau „pastatysiu, kad veiktų ir uždirbtų". Tai skirtingi dalykai. Sutvarkyti kodą reiškia priglaudyti dar vieną pleistrą prie kažko, kas ir taip braška. Pastatyti, kad veiktų, reiškia užtikrinti, jog mokėjimai praeina, duomenys saugūs, prisijungimas patikimas, deploy stabilus, o kai kažkas nutinka ne taip, sistema neišsidalija. Lūkestis, kurį visada iškeliu iš anksto: sunkusis 30 % yra brangiausia ir ilgiausia dalis, ir būtent dėl jos žmonės kreipiasi.

Geriausia tavo darbo dalis — idėja, ekranai, srautai — beveik visada išsaugoma. Perstatymas „švariai" nereiškia, kad išmetu viską. Reiškia, kad po vizualu pastatau tvirtą pamatą, kurio AI nepadarė.

Lietuviškos integracijos, kurių AI tau nepajungs

Yra atskira sunkiojo 30 % kategorija, kurią noriu išskirti, nes ji būdinga būtent mūsų rinkai ir AI joje yra bejėgis. Tai vietinės integracijos. AI gali sugeneruoti gražią apmokėjimo formą, bet jis fiziškai negali už tave prijungti realių lietuviškų sistemų.

Konkretūs pavyzdžiai, kuriuos nuolat tenka diegti ranka:

• Mokėjimai per Paysera, Montonio ar Kevin — reikia sutarties su tiekėju, sandbox testavimo, webhook'ų apdorojimo ir saugaus atsiskaitymo patvirtinimo
• Smart-ID ir Mobilusis parašas autentifikacijai — ne „prijunk API per 5 minutes", o reali integracija su atitikties reikalavimais
• E-sąskaita ir i.SAF (VMI) — automatinis sąskaitų teikimas pagal Lietuvos reikalavimus
• Omniva, LP Express siuntų sekimas ir paštomatų pasirinkimas

AI apie šias sistemas „žino" tik paviršutiniškai, o jo sugeneruotas kodas dažniausiai net nesukompiliuojamas arba neatitinka tiekėjo reikalavimų. Tai darbas, kuris reikalauja žmogaus — sutarčių, testavimo realioje aplinkoje ir patirties. Plačiau apie tai, kodėl būtent čia AI pasiekia savo ribą, rašau straipsnyje kodėl AI nepajungs lietuviškų integracijų.

Kiek realiai kainuoja išbristi iš įstrigimo

Pereikim prie skaičių, nes būtent jų tau ir reikia. Pateiksiu realius diapazonus Lietuvos rinkai. Pabrėžiu — tiksli suma priklauso nuo tavo kodo būklės ir to, kiek funkcijų liko užbaigti, todėl konkrečią kainą visada pateikiu po repo peržiūros.

Scenarijus	Ką apima	Orientacinė kaina
MVP užbaigimas ant esamo kodo	Padori AI bazė, trūksta backend'o, auth ir deploy	2 000 - 6 000 EUR
Švarus perstatymas iki produkcijos	Auth, mokėjimai, duomenys, saugumas, deploy nuo tvirto pamato	4 000 - 12 000 EUR
Vietinė integracija (kiekviena)	Paysera / Smart-ID / e-sąskaita / siuntos — po vieną rimtą	+1 000 - 4 000 EUR

Pastebėk, kaip šie skaičiai persidengia su įprasta aplikacijos kūrimo kaina. Tai neatsitiktinumas. Kadangi AI padaro lengvąją pusę, o sunkusis 30 % lieka tau, užbaigimo kaina dažnai panaši į rimtos projekto dalies kūrimą nuo nulio. Žmonės kartais nustemba — „bet juk pusė jau padaryta". Padaryta pigioji pusė. Brangioji laukia.

Ir vis dėlto tai beveik visada apsimoka. Įvertink alternatyvą: mėnuo tavo paties laiko kovojant su klaidomis, plius rizika, kad paleisi kažką, kas praranda mokėjimus arba neatitinka GDPR. Profesionalus užbaigimas tą riziką nuima ir paleidžia tavo produktą į rinką greičiau, nei prakovotum pats.

Ką padaryti dar prieš kreipiantis

Jei nuspręsi, kad tau reikia pagalbos, štai keli žingsniai, kurie viską pagreitins ir sumažins galutinę kainą. Kuo aiškesnė pradinė būklė, tuo tiksliau galiu įvertinti darbą.

• Eksportuok kodą. Jei naudojai Lovable, Bolt ar v0, atsisiųsk projektą arba įdėk jį į GitHub repozitoriją, kad būtų galima pamatyti visą struktūrą, ne tik ekranus.
• Surašyk, ką norėjai pasiekti. Keli sakiniai apie tai, ką aplikacija turi daryti ir kas yra tavo vartotojas — tai vertingiau nei dešimt ekranų.
• Pažymėk, kur tiksliai sustojai. „Neišeina deploy'inti", „mokėjimai neveikia", „duomenys dingsta" — kuo konkrečiau, tuo greičiau įvertinu.
• Susirink prieigas. Jei jau turi domeną, hostingo paskyrą ar bandytą mokėjimų tiekėją — paruošk tą informaciją.

Trumpai: ką daryti įstrigus

Jei pradėjai kurti aplikaciją su AI ir įstrigai, pirmiausia žinok — tai normalu ir nutinka beveik visiems. AI puikiai nuveda iki 70 %, bet sunkiausią 30 % — autentifikaciją, mokėjimus, duomenis, saugumą, deploy ir vietines integracijas — palieka tau. Tai ne kosmetika, o pati produkto šerdis.

Turi tris kelius: kovoti toliau pačiam (gerai pasodiniam projektui be termino), pradėti iš nulio (rizikuojant atsitrenkti į tą pačią sieną) arba pasamdyti žmogų, kad užbaigtų ar perstatytų švariai (kai tau svarbu realiai paleisti). Jei renkiesi trečią — aš peržiūriu kodą, sąžiningai pasakau, ar verta gelbėti esamą bazę, ir pastatau produktą taip, kad jis veiktų ir uždirbtų. Tu lieki kodo savininkas, naudoju įprastas technologijas, o sunkųjį 30 % perimu aš.

Tęsiant temą verta perskaityti, kuo AI prototipas skiriasi nuo produkto, ir kokie penki spąstai laukia kelyje nuo ChatGPT idėjos iki realios aplikacijos. O jei jau dabar nori, kad kažkas pažiūrėtų į tavo įstrigusį projektą — parašyk man.

Dažniausiai užduodami klausimai