No ChatGPT idejas līdz reālai lietotnei: 5 lamatas

Gandrīz katru nedēļu man kāds uzraksta: paņēma ChatGPT, izrunāja lietotnes ideju, saņēma atbildi „jā, tas ir pilnīgi iespējams, lūk, plāns" — un godīgi noticēja, ka atlicis tikai uzkodēt. Ideja bieži ir laba. Problēma sākas tur, kur ChatGPT pārstāj redzēt — ceļā no čata loga līdz reālai, palaistai, cilvēku lietotai lietotnei.

Tipiskās frāzes, ko dzirdu: „uztaisīju ar Lovable, bet tālāk nestrādā", „prototips ir, bet nevaru palaist produkcijā", „AI kods neder produkcijai", „vairs nesaprotu, ko tas kods dara". Tas nav muļķības stāsts. Tā ir tieši tā vieta, kur AI parāda visskaistāko un vieglāko daļu, bet sarežģīto noklusē.

Šajā ceļā ir piecas lamatas, kurās iekrīt gandrīz visi. Šajā rakstā izeju cauri visām: kā katru atpazīt, pirms iestrēgsti, un ko konkrēti darīt. Beigās — reāls ceļš no idejas līdz palaistam produktam ar cenu diapazoniem EUR (bez PVN), lai zini, uz ko gatavojies. Esmu pabeidzis ne mazumu projektu, kas atnāca tieši tādi: laba ideja, AI uzģenerēts sākuma gabals un cilvēks, kas iestrēdzis un nesaprot, kāpēc „gandrīz gatavs" nekādi nekļūst par „gatavs".

Īss skats: kur slēpjas lamatas

Pirms ķeramies pie detaļām — kopējā karte. AI tevi aizved līdz aptuveni 70 % redzamā rezultāta ātri un iespaidīgi. Atlikušie 30 % — neredzamā daļa — ir tieši tur, kur dzīvo visas piecas lamatas.

Lamatas	Ko ChatGPT parāda	Ko noklusē
1. „Teica, ka vienkārši"	Redzamo funkciju, skaistu plānu	Reālo apjomu un robežgadījumus
2. Prototips ≠ produkts	Strādā uz tava ekrāna	Testus, kļūdas, mērogu, monitoringu
3. Dati un VDAR	Sīkdatņu joslu, privātuma tekstu	Reālo datu arhitektūru un atbildību
4. Maksājumi un integrācijas	Kā API teorētiski izsauc	Līgumus, sandbox, atbilstību, drošību
5. Uzturēšana pēc palaišanas	„Lūk, palaists!"	Ka palaišana ir tikai sākums

Tagad — katra atsevišķi.

1. lamatas: „ChatGPT teica, ka vienkārši" (scope ilūzija)

Pirmā un viltīgākā. Tu apraksti ideju: „gribu lietotni, kur klienti rezervē laiku pie manis, samaksā avansu un saņem atgādinājumu". ChatGPT atbild entuziastiski — jā, vienkārši, lūk, funkciju saraksts, lūk, tehnoloģijas, var izdarīt ātri. Un tu aizej ar sajūtu, ka tas ir nedēļas nogales darbs.

Problēma: ChatGPT novērtēja tikai to, ko tu viņam pateici — redzamo funkciju. Viņš neredz to, ko nepieminēji, jo nezināji, ka tas vispār jāpiemin. Ko lietotne darīs, ja divi klienti vienā sekundē rezervē to pašu laiku? Kas notiks, ja maksājums tiek uzsākts, bet pārtrūkst? Kā klients atceļ rezervāciju? Kā pasargā sevi no kāda, kas ar botu rezervē 500 laikus?

Tas nenozīmē, ka ideja ir slikta. Tas nozīmē tikai to, ka „vienkārši" ir sākuma ilūzija — reāls novērtējums atnāk tad, kad pieraksti visu uzvedību, ne tikai laimīgo scenāriju.

2. lamatas: prototips vēl nav produkts

Otrā lamatas uzbrūk tad, kad tev jau ir kaut kas strādājošs. Ar Lovable, Bolt, v0 vai vienkārši kopējot ChatGPT kodu, esi uztaisījis lietotni, kas izskatās un strādā. Tu to parādi draugam, tā strādā, un šķiet, ka atlikuši 10 %. Tas ir vislielākais optiskais piķis visā ceļā.

Prototips strādā uz tava ekrāna, ar taviem datiem, labā internetā, kad tu spied pogas pareizā secībā. Produktam jāstrādā ar svešiem cilvēkiem, kas spiež ne tā, ar sliktu internetu, ar tukšiem laukiem, ar dīvainām zīmēm vārdos, ar diviem cilvēkiem vienlaikus un ar reālu naudu. Starp šīm divām stāvēm ir vesela pasaule neredzama darba.

Reāls piemērs: kāds Rīgas pakalpojumu sniedzējs ar rezervāciju lietotni, kas „strādāja lieliski". Palaižot reāli, atklājās, ka, ja divi klienti dažu sekunžu laikā rezervē to pašu laiku, abi saņem apstiprinājumu — sistēmai nebija slēdzenes. Prototipā to neredzēsi nekad, jo testē viens pats. Produkcijā tā ir pirmās nedēļas problēma.

3. lamatas: dati un privātums (VDAR)

Trešā lamatas ir tā, ko cilvēki visbiežāk pat neredz kā lamatu, kamēr nav saņēmuši vēstuli. Tikko tava lietotne sāk vākt reālu cilvēku datus — e-pastu, vārdu, telefonu, maksājumu informāciju, atrašanās vietu — tu nonāc zem VDAR (GDPR). Latvijā un visā ES tas nav ieteikums, bet pienākums no pirmās palaišanas dienas, un uzraudzību veic Datu valsts inspekcija (DVI), kas piemēro reālas sankcijas.

ChatGPT labprāt uzģenerēs tev sīkdatņu piekrišanas joslu un privātuma politikas tekstu. Bet VDAR nav teksts lapas apakšā — tā ir reāla rīcība ar datiem. Kur fiziski glabājas tavu lietotāju dati? Vai serveris ir ES? Kam ir piekļuve? Kā cilvēks reāli izdzēš savu kontu un visus datus? Kā tu pārvaldi piekrišanas? Ko dari, ja dati noplūst? Teksts, ko neviens neievieš, nav atbilstība, bet atbildības ilūzija.

Tā nav birokrātija birokrātijas dēļ — tā ir aizsardzība gan tev, gan taviem lietotājiem. Un tā nav daļa, ko var „pievienot vēlāk": datu arhitektūru pārtaisīt pēc palaišanas ir daudz dārgāk, nekā izdarīt pareizi uzreiz.

4. lamatas: maksājumi un integrācijas (grūtie 30 %)

Ceturtā lamatas ir tur, kur apstājas visvairāk projektu. Viss līdz šim strādāja, dizains skaists, dati plūst — un tad vajag, lai cilvēks reāli samaksā. Vai pieslēdzas ar Smart-ID. Vai lai sistēma izrakstītu e-rēķinu caur eAdresi un VID. Tieši šeit AI pārstāj palīdzēt, jo integrācija ar reālām sistēmām nav koda rakstīšana.

ChatGPT parādīs, kā teorētiski tiek izsaukts Stripe vai Klix API. Ko viņš nevar izdarīt: reģistrēt tavu biznesa kontu maksājumu sistēmā, iziet viņu pārbaudi, parakstīt līgumu, nokonfigurēt sandbox vidi, apstrādāt webhook, kad maksājums izdevās, tika atteikts vai pakāra, un nodrošināt, ka nauda reāli nonāks tavā kontā. Latvijā tas īpaši jūtams ar vietējām sistēmām, kuras AI fiziski nepazīst un nevar sakārtot.

Lai būtu skaidrs, par ko ir runa, šeit ir tie vietējie spēlētāji, kas reālā Latvijas projektā parasti jāpieslēdz — un kurus AI rīki nepazīst:

Joma	Vietējie risinājumi Latvijā	Kāpēc AI to nepieslēgs
Maksājumi	Klix (Citadele), Swedbank, SEB un Luminor vārtejas, banklink, Stripe, Apple/Google Pay	Vajag kontu, līgumu, KYC pārbaudi un webhook apstrādi reālai naudai
Autentifikācija un paraksts	eParaksts, eParaksts mobile, eID karte, Smart-ID, internetbankas login	Vajag reģistrāciju pie pakalpojuma un sertificētu integrāciju, ne tikai kodu
E-rēķini un nodokļi	VID EDS, eAdrese, PEPPOL (EN 16931); B2G strukturētie e-rēķini obligāti no 2026-01-01	Strukturēti XML standarti un valsts kanāli, ko AI nepazīst
Piegāde un pakomāti	Omniva, DPD, Latvijas Pasts, Venipak pakomāti; dzīvs pakomātu saraksts checkout	Vajag reālu API atslēgu un dzīvu pakomātu sarakstu, ne statisku filtru

Šo daļu saucu par „grūtajiem 30 %". Tā ir neredzama, kamēr neesi tai piekļuvis, visdārgākā visā projektā, un tieši tā atšķir „skaistu demo" no „lietotnes, kas reāli pelna". Latvijas pircējs ir digitāli nobriedis — viņš grib izvēlēties tuvāko pakomātu un samaksāt ar internetbanku vienā klikšķī. Ja tas nestrādā, viņš aiziet. Sīkāk par AI un vietējām integrācijām rakstīju rakstā par iestrēgušām AI lietotnēm, un kopumā par produkcijas līmeņa izstrādi vari paskatīties manā lietotņu izstrādes lapā.

5. lamatas: uzturēšana pēc palaišanas

Piektā lamatas atnāk tad, kad šķiet, ka viss jau ir pabeigts. Lietotne palaista, cilvēki lieto, un tu domā „beidzot". Bet palaišana nav finišs, bet starts. No tās dienas sākas pavisam cits darbs.

Pienāk reālu lietotāju kļūdu ziņojumi par scenārijiem, par kuriem nedomāji. Lietotne salūst, kad atjauninās bibliotēka, pārlūks vai telefona operētājsistēma. Parādās drošības caurumi, kas jāaizlāpa. Serveris naktī nokrīt, un vajag, lai kāds to pamana. Lietotāji prasa izmaiņas. Nekas no tā neizdarās pats no sevis — un nekas no tā nebija ieskaitīts sākotnējā ChatGPT plānā.

Labs salīdzinājums — automašīna. Neviens nedomā, ka, nopērkot mašīnu, vairs neko nevajadzēs maksāt. Lietotne ir tieši tāda pati: pirkumam ir ekspluatācija. Kas to nesaplāno, tam pēc gada ir nevis strādājošs produkts, bet lūstošs mantojums.

Reāls ceļš no idejas līdz palaistam produktam

Tagad, kad redzēji visas piecas lamatas, lūk, kā izskatās reāls ceļš — bez ilūzijām, ar posmiem, kurus ir vērts iet pēc kārtas.

1. Idejas izgaismošana ar uzvedību. Pieraksti ne tikai to, ko lietotne dara, bet arī visus „bet ko tad, ja". Šeit ChatGPT tiešām ir noderīgs — kā sarunbiedrs, ne kā vērtētājs.
2. Prototips. Ātrs, skaists, parāda ideju. AI rīki (Lovable, Bolt, v0, Cursor) šeit ir lieliski. Bet skaidri zini: tas vēl nav produkts.
3. Tīrs pamats. Autentifikācija, datubāze ES, VDAR arhitektūra, kļūdu apstrāde. Neredzama, bet obligāta daļa.
4. Integrācijas. Maksājumi (Klix), eParaksts/Smart-ID, e-rēķini, pakomāti (Omniva, DPD) — grūtie 30 %. Atsevišķs, plānots posms.
5. Palaišana un uzturēšana. Deploy, monitorings un pastāvīga uzturēšana no pirmās dienas.

Un tagad — cenas, bez miglainā „atkarīgs". Lūk, reāli Latvijas diapazoni 2026. gadā, visi bez PVN (klāt nāk 21 % PVN):

Būtība ir tāda: ideja no ChatGPT var būt lieliska. Prototips no AI var būt tiešām labs sākuma punkts. Bet ceļš no tiem līdz reāli strādājošam, drošam, pelnošam produktam iet cauri visām piecām lamatām. Kas tās zina laikus — neiekrīt. Kas nezina — apstājas pie ceturtās un domā, ka kaut ko izdarīja nepareizi. Neizdarīji. Vienkārši AI tev šīs piecas lietas neparādīja.

Biežāk uzdotie jautājumi

ChatGPT teica, ka manu lietotni var uztaisīt vienā nedēļas nogalē. Vai tā ir taisnība?

Gandrīz nekad. ChatGPT novērtē tikai to, ko tu viņam aprakstīji — parasti redzamo funkciju. Nedēļas nogalē tiešām vari iegūt strādājošu prototipu uz ekrāna. Bet ceļā līdz produktam, ko lieto reāli cilvēki, ir autentifikācija, datubāze, maksājumi, VDAR, deploy, kļūdu apstrāde un uzturēšana. Reālā projektā šīs neredzamās daļas ir 60–70 % darba, un tieši tās ChatGPT savos novērtējumos neredz.

Ar ko AI prototips atšķiras no reāla produkta?

Prototips strādā uz tava ekrāna, ar taviem datiem, ideālos apstākļos. Produkts strādā produkcijā — ar svešiem lietotājiem, sliktu internetu, kļūdainu ievadi, vienlaicīgi pieslēgtiem cilvēkiem un reālu naudu. Atšķirība starp tiem ir testi, kļūdu apstrāde, drošība, datu migrācijas, monitorings un mērogs. AI lieliski izdara pirmo, bet ne otro.

Vai AI var sakārtot VDAR un datu privātumu manā vietā?

Nē. AI var uzģenerēt sīkdatņu joslu un privātuma politikas tekstu, bet VDAR nav teksts — tā ir reāla rīcība ar datiem: kur dati glabājas, kam ir piekļuve, kā lietotājs izdzēš savu kontu, kā tiek pārvaldītas piekrišanas, kā tiek ziņots par datu noplūdi. Tas ir arhitektūras un juridiskās atbildības jautājums, ne UI elements. Latvijā uzraudzību veic Datu valsts inspekcija (DVI), kas piemēro reālas sankcijas, un atbilstība ir obligāta no pirmās palaišanas dienas.

Kāpēc maksājumu un vietējo integrāciju pieslēgšana ir vissarežģītākā daļa?

Tāpēc, ka tas nav kods, bet sistēma ar līgumiem, sandbox vidēm, atbilstību un drošību. Klix, Swedbank vārteja, Stripe, eParaksts, e-rēķins caur eAdresi un VID — katram vajadzīgs konts, testēšana, webhook apstrāde, kļūdu scenāriji un droša naudas kustība. AI var parādīt, kā API teorētiski tiek izsaukts, bet nevar tavā vietā parakstīt līgumu, iziet pārbaudi vai nodrošināt, ka nauda reāli nonāks tavā kontā.

Cik maksā pārvērst ChatGPT ideju reālā, palaistā lietotnē?

Reāls MVP, ko var palaist reāliem lietotājiem — ar autentifikāciju, datubāzi, baziskiem maksājumiem un deploy — Latvijā parasti maksā no 5000 līdz 12 000 EUR bez PVN. Pilnvērtīgāks produkts ar vairākām integrācijām (Klix, eParaksts, e-rēķini) un admin paneli — no 12 000 līdz 20 000+ EUR bez PVN. AI prototipa audits un tīra pārbūve labi pozicionējas kā fiksētas cenas sākumsolis no 1500–3000 EUR bez PVN. Precīzo summu nosaka integrāciju skaits un tas, cik daudz esošā AI koda ir vērts glābt, bet cik lētāk pārbūvēt tīri.

Ko darīt ar uzturēšanu, kad lietotne jau ir palaista?

Saplānot to laikus, ne pēc pirmās avārijas. Palaišana nav beigas, bet sākums: pienāk lietotāju kļūdu ziņojumi, lietotne lūst bibliotēku atjauninājumu dēļ, jāseko līdzi darbībai un jālabo drošības caurumi. Reāli plāno 15–25 % no sākotnējās cenas gadā uzturēšanai. Ja to nesaplāno, lietotne pēc pusgada sāk lūzt un kļūst dārgāk to atdzīvināt, nekā maksāja izveidot.