От ИИ-игрушки к продукту: Виталий Капранов о бизнесе генеративного 3D, абсурдных сюрпризах и производстве на Луне
Мировой рынок аддитивного производства достиг $24,2 млрд в 2025 году, но растёт уже не за счёт одного лишь распространения оборудования: крупнейшая доля приходится на услуги печати. На этом фоне генеративный ИИ пытается сократить путь от идеи до готового физического объекта, переводя технологию в плоскость массового прикладного сервиса.
Виталий Капранов, сооснователь сервиса AIPRINTGEN, рассказал Basis.press о том, почему клиенты не платят за инновационность как таковую, как нейросеть путает переднюю и заднюю стороны референсов, почему B2C оказался быстрее B2B для проверки спроса и в чём заключается реальная защита независимых прикладных сервисов от фундаментальных моделей бигтехов.
Виталий Капранов, сооснователь сервиса генерации 3D-моделей AIPRINTGEN
Контекст рынка: зрелость аддитивного производства и барьеры GenAI
$24,2 млрд (+10,9%)
Объём мирового рынка аддитивного производства в 2025 году по данным Wohlers Report 2026.
48% рынка
Занимают услуги печати (+15,5% за год), тогда как продажи систем выросли лишь на 3,6% (Wohlers Report).
79% vs 39%
Организаций внедрили GenAI в процессы, но лишь 39% видят влияние на EBIT компании (McKinsey, 2025).
«Когда получаешь файл, который можно открыть в слайсере и напечатать, это внезапно становится продуктом»
Basis.press: На рынке, где аддитивное производство всё больше превращается из продажи «железа» в сервис, а генеративный ИИ — из эксперимента в рабочий инструмент, главный вопрос уже не в том, можно ли сгенерировать полигональную сетку по тексту. Вопрос в том, за что клиент действительно готов платить. Что вы увидели в поведении пользователей за последние два года, чего не было видно на этапе первоначальной гипотезы?
Виталий Капранов: У нас уже сотни платящих пользователей. Кто-то возвращается регулярно, кто-то приходит под конкретную задачу. Изначально мы ориентировались прежде всего на профессионалов, но спрос оказался шире: сервис используют и для заказов, и для хобби, и просто чтобы воплотить свою идею. Фигурка любимого питомца, кстати, вполне серьезная причина!
Какого-то одного переломного момента не было. Главная, но очень очевидная гипотеза состояла в том, что никто не платит за ИИ — платят за результат.
Когда получаешь файл, который можно открыть в слайсере и напечатать, это внезапно становится продуктом.
Basis.press: Рынок аддитивного производства становится сервисным: по данным Wohlers, в 2025 году услуги росли значительно быстрее продаж систем (+15,5% против +3,6%). Но в 3D-печати результат нельзя оценить только по картинке на экране: модель должна выдержать физический мир — толщину стенок, нависания, геометрию опор. Где сегодня проходит граница возможностей нейросети в сервисе? В каких сценариях алгоритм пока приходится контролировать вручную, чтобы деталь не развалилась на столе принтера?
Виталий Капранов: Основная часть наших сценариев связана с фигурками, декором и другими объектами для хобби. В таких случаях иногда достаточно визуального осмотра и проверки модели в слайсере.
У функциональных деталей требования другие: результат генерации нужно проверять под конкретную задачу, а не автоматически считать готовой инженерной деталью. Поэтому нейросеть не надо «бить по рукам». Это помощник, и участие человека все равно требуется: иногда меньше, иногда больше.
«В обычной инженерии такое решение выглядело бы как плохая шутка. В работе с генеративным ИИ это иногда вполне нормальный рабочий обходной путь»
Basis.press: Раз уж мы заговорили про контроль: пользователи часто загружают совершенно непредсказуемые референсы. Можете вспомнить нестандартный сценарий, который сломал внутреннюю логику пайплайна, но заставил команду адаптировать работу с «грязными» исходными данными?
Виталий Капранов: Случая, который полностью сломал систему и заставил нас переписать половину продукта, я не припомню. Но небольшие абсурдные ситуации возникают постоянно.
Например, недавно мы работали с референсами статуэтки типа «Оскар». Генератор упорно путал переднюю и заднюю стороны. Мы пробовали менять изображения и их порядок, но лучший результат получили, когда обозначили заднюю сторону как переднюю, а переднюю — как заднюю. Такие случаи показывают, что волшебной палочки пока нет. Поэтому наша работа как раз в том, чтобы пользователю не приходилось самостоятельно разбираться во всех странностях и особенностях моделей.
В обычной инженерии такое решение выглядело бы как плохая шутка. В работе с генеративным ИИ это иногда вполне нормальный рабочий обходной путь.
«Первую покупку еще можно объяснить любопытством. Вторую уже гораздо сложнее списать на случайность»
Basis.press: Согласно исследованиям McKinsey, почти 80% компаний пробуют генеративный ИИ, но лишь треть фиксирует измеримую отдачу на уровне EBIT: монетизация и повторяемость остаются главным барьером. У вас уже сотни платящих клиентов. Как вы сами отделяете реальный экономический эффект пользователя от фактора новизны и любопытства?
Виталий Капранов: У нас преимущественно B2C-сервис, поэтому мы не видим весь производственный процесс каждого клиента и не можем честно посчитать единый ROI.
Главная метрика для нас — возвращается ли пользователь и совершает ли повторную оплату. Первую покупку еще можно объяснить любопытством. Вторую уже гораздо сложнее списать на случайность.
При этом само количество генераций не всегда является хорошим показателем. Если человек сделал десять запусков подряд, возможно, ему очень нравится сервис. Но возможно, он девять раз пытался исправить один неудачный результат. Поэтому важнее смотреть на возврат. Для многих клиентов ценность заключается в экономии времени или в возможности не заказывать всю работу у профессионального 3D-художника. Но у нас нет универсальной красивой цифры экономии.
Basis.press: Первые последователи (early adopters) часто прощают технические шероховатости ради самого факта работы с новой технологией. Как происходил переход от первых пилотов к формированию стабильной продуктовой линейки? Что потребовалось пересмотреть в позиционировании?
Виталий Капранов: Мы прошли путь от общей идеи «ИИ создает 3D» к конкретным задачам. Сейчас продолжаем проверять гипотезы и практически каждую неделю добавляем новые функции. Скучная стабильность пока в бэклоге: идей у команды явно больше, чем свободных рук. Для маленькой команды это не экзотическая ситуация.
Главное изменение произошло в позиционировании. Мы начали с широкой идеи сервиса, который создает 3D-модели при помощи ИИ. Постепенно стало понятно, что пользователю проще воспринимать конкретную задачу: сделать модель по фотографии, подготовить барельеф, создать подставку. Чем конкретнее сценарий, тем проще объяснить ценность. Но говорить, что мы уже построили полностью предсказуемую машинку продаж, пока очень рано.
Basis.press: Изначально вы рассматривали фокус на B2B-сегменте с заказными решениями, но вышли в открытый B2C-продукт. Почему массовый потребительский сценарий оказался быстрее для валидации гипотез? И как вы сегодня отбираете функции для регулярного бэклога?
Виталий Капранов: Изначально мы как раз планировали больше работать с B2B-клиентами и создавать кастомные продукты. Но проверить спрос через B2C сервис оказалось быстрее и проще.
Для кастомной разработки мы взяли простое правило: понятная задача и предоплата. Кроме того, мы смотрим, пригодится ли функция другим пользователям. Если да, ее можно включить в основную дорожную карту. Если это уникальный процесс, то, скорее всего, наш ответ — «не сегодня».
«Больше времени и денег ушло на проверку разных бизнес-моделей. Это не ошибки — это нормальная плата за уроки»
Basis.press: Быстрый рост функционала небольшой команды обычно сопровождается техническим долгом и рисками инфраструктуры. Случались ли моменты перегрузки архитектуры, и какая управленческая или продуктовая развилка на раннем этапе потребовала наибольших ресурсов?
Виталий Капранов: Недавно мы столкнулись с большим наплывом ботов. Несколько дней это создавало дополнительную нагрузку, проблемы в работе сервиса. Боты, к сожалению, ничего не покупают, хоть и были надежды… Пришлось добавлять ограничения, после чего ситуация нормализовалась.
Технические ошибки мы совершаем регулярно. Но пока большинство из них удается обнаруживать и исправлять без последствий. Одной особенно дорогой технической ошибки я не припомню.
Больше времени и денег ушло на проверку разных бизнес-моделей. Мы изначально вообще не планировали строить именно такой B2C-сервис. Мы пробовали разные форматы, в том числе курс. Потребовалось немало экспериментов, чтобы прийти к текущей модели. Но вряд ли это ошибки — это нормальная плата за уроки.
«Для меня нейросеть больше похожа на очень быстрого и способного стажёра. Иногда она за минуту делает то, на что раньше уходили часы»
Basis.press: Вы непосредственно участвуете в поддержке пользователей и видите их реакцию. Как удаётся балансировать ожидания клиентов от «всемогущей нейросети» с реальными возможностями современных моделей генерации геометрии?
Виталий Капранов: Часть поддержки уже делает ИИ, поэтому нам остаются только похвалы да благодарности.
Но на самом деле большого объема негатива у нас нет. Многие типовые вопросы можно автоматизировать. Часть сложностей связана с ожиданием, что модель точно восстановит любой объект. Поэтому мы стараемся не продавать образ «всемогущего ИИ».
Для меня нейросеть больше похожа на очень быстрого и способного стажера. Иногда она за минуту делает то, на что раньше уходили часы.
Когда результат не подходит, мы стараемся разобраться, помочь выбрать другой режим или изменить исходные данные. Повторяющиеся обращения превращаются в подсказки, инструкции и новые функции. Для маленькой команды поддержка остается нагрузкой, но одновременно это самый прямой способ понять, что на самом деле происходит с продуктом, или обнаружить новые баги.
Basis.press: Если взглянуть за рамки настольной 3D-печати: вы следите за робототехникой и аэрокосмическими разработками. Насколько реалистичен сценарий аддитивного производства непосредственно на месте применения — в автономных миссиях или на внеземных объектах?
Виталий Капранов: Пока AIPRINTGEN в космос не летал, но кто знает, может, созданные в нём модели — уже. Сама 3D-печать в космосе является реальностью, на МКС печатали экспериментальные объекты.
Сценарий «произнёс голосом название сломанной детали и сразу её напечатал» звучит заманчиво. Но голосовой запрос здесь является самой простой частью.
В далекой перспективе мне очень импонирует идея полноценного производства на Луне: местные материалы, автоматическое проектирование, роботизированная подготовка сырья и последующая печать. В нашей дорожной карте такой функции пока нет, но направление, конечно, очень привлекательное, пожалуй, добавим.
«Крупная компания вполне может добавить кнопку генерации 3D-модели. Но сама кнопка ещё не решает сотни мелких задач»
Basis.press: Крупные технологические игроки уже инвестируют в фундаментальные модели генерации форм на миллионах объектов (например, исследовательский Project Bernini от Autodesk). В этой ситуации где вообще проходит граница между базовой технологией, которую завтра сможет предложить любой гигант, и прикладным бизнесом, который действительно можно защитить?
Виталий Капранов: Построить чисто технологический moat сейчас почти невозможно. Нужно строить защиту уровнем выше. Это специализация на узкой области, полный путь до конечного результата, специализированные инструменты, поддержка, контент, сообщество и собственные каналы привлечения пользователей.
Крупная компания вполне может добавить кнопку генерации 3D-модели. Но сама кнопка еще не решает сотни мелких задач.
Мы, конечно, уже попробовали GPT-6 Astra для создания 3D-модели. Качество получилось достойным. Но работа заняла примерно в десять раз больше времени, а по оценке затрат получилась примерно в триста раз дороже.
Это хорошо показывает разницу между «нейросеть умеет решить задачу» и «пользователю удобно решать ее каждый день». Для продукта важны не только возможности модели, но и цена, скорость, количество попыток и путь до готового файла. Наша задача — сделать сервис, который выигрывает от развития базовых моделей. Если появляется более подходящий генератор, мы с удовольствием встроим его в продукт.
Мнение редакции Basis.press:
Рынок аддитивного производства переживает структурную трансформацию: взрывной рост сегмента сервисных услуг (доля 48% при росте 15,5% за год по оценкам Wohlers Report) отражает переход индустрии от покупки оборудования к потреблению готового результата.
При этом волна генеративного ИИ сталкивается с классическим кризисом масштабирования: исследование McKinsey показывает, что лишь 39% компаний видят влияние внедрения нейросетей на финансовый результат. Разговор с Виталием Капрановым иллюстрирует, где именно лежит мост между красивой технологической демонстрацией и повторяемым бизнесом: не в абстрактных алгоритмических прорывах, а в готовности файла к печати и решении прикладных рутинных задач конкретного пользователя.
Для независимых стартапов конкуренция с бигтехами перемещается из плоскости параметров базовых моделей в плоскость сквозного клиентского пути. Универсальная LLM может сгенерировать сырую сетку, но ценность сервиса возникает на этапе устранения физических ошибок, оптимизации стоимости генерации и создания понятного интерфейса без технологического шума. Продукт побеждает там, где он превращает сложный инструмент в предсказуемый рабочий результат.
Рынок аддитивного производства переживает структурную трансформацию: взрывной рост сегмента сервисных услуг (доля 48% при росте 15,5% за год по оценкам Wohlers Report) отражает переход индустрии от покупки оборудования к потреблению готового результата.
При этом волна генеративного ИИ сталкивается с классическим кризисом масштабирования: исследование McKinsey показывает, что лишь 39% компаний видят влияние внедрения нейросетей на финансовый результат. Разговор с Виталием Капрановым иллюстрирует, где именно лежит мост между красивой технологической демонстрацией и повторяемым бизнесом: не в абстрактных алгоритмических прорывах, а в готовности файла к печати и решении прикладных рутинных задач конкретного пользователя.
Для независимых стартапов конкуренция с бигтехами перемещается из плоскости параметров базовых моделей в плоскость сквозного клиентского пути. Универсальная LLM может сгенерировать сырую сетку, но ценность сервиса возникает на этапе устранения физических ошибок, оптимизации стоимости генерации и создания понятного интерфейса без технологического шума. Продукт побеждает там, где он превращает сложный инструмент в предсказуемый рабочий результат.
