Как ИИ адаптирует план здоровья под ваше поведение

Вторник, восьмой день подряд

Восьмой день подряд приложение показывает одно и то же задание: 8000 шагов. Он открывает экран по привычке, ещё не до конца проснувшись, и видит цифру, которая была актуальна две недели назад — до того, как сменился график работы. Теперь подъём в 6 утра, дорога занимает час, вечером сил хватает только на диван. Физически пройти 8000 шагов в будний день почти невозможно, но приложение этого не знает. Оно не спрашивало про новый график. Оно вообще ничего не спрашивало с момента установки.

Задание не меняется. Не важно, выполнил он его вчера или нет, спал шесть часов или три, шёл пешком или просидел весь день в машине. План был собран один раз — на входе, по анкете — и живёт своей жизнью, отдельно от жизни человека.

Это узнаваемая ситуация. Большинство людей, которые пробовали приложения для здоровья, фитнес-трекеры или программы питания, сталкивались с тем же: план хорош ровно один день — день установки. Дальше жизнь меняется быстрее, чем обновляется программа.

Вы не сорвались, план не подошёл

Первая реакция в такой ситуации — списать всё на себя. «Опять не смог удержаться», «снова сорвался», «не хватило дисциплины». Это удобное объяснение, но чаще всего неверное.

По опыту нашей группы, когда мы разбираем поведение пользователей в digital health продуктах, картина почти всегда одна и та же: люди перестают открывать приложение не потому, что перестали заботиться о здоровье, а потому что план перестал быть релевантным их дню. Изменился график, появился ребёнок, начался стрессовый период на работе, поменялся климат — а задание осталось прежним.

Статичная программа устроена так, что у неё нет способа узнать об этих изменениях. Она не видит разницы между «пропустил, потому что было лень» и «пропустил, потому что физически не было возможности». Обе ситуации она обрабатывает одинаково: ничего не делает, план не меняется, следующий день начинается с того же задания.

Программа, которая не видит вашего реального дня, не может дать совет, подходящий именно вам.

Важно разделить две разные вещи: «человек бросил привычку» и «программа не адаптировалась под человека». Это не всегда синонимы. Иногда человек действительно теряет мотивацию. Но очень часто мотивация угасает именно потому, что рекомендации ощущаются оторванными от реальности — а это уже проблема конструкции программы, а не характера пользователя.

Что на самом деле умеет ИИ

Чтобы разобраться, где проходит граница между «просто трекером» и «умной адаптацией», нужно ввести одно рабочее определение.

Адаптивная модель рекомендаций — это система, которая регулярно пересчитывает план действий на основе фактических данных о поведении пользователя за прошедший период, а не только на основе информации, полученной один раз при первом контакте. Простыми словами: вместо того чтобы один раз спросить «сколько вы обычно спите» и построить план на этом ответе навсегда, система постоянно смотрит, сколько человек спит на самом деле, и меняет рекомендации вслед за этим.

Шаблон vs адаптивная модель: в чём разница

Шаблонная программа работает по формуле: анкета → фиксированный план → одинаковые задания вне зависимости от исполнения. Она может быть персонализирована на старте — например, разными планами для новичка и для человека с опытом тренировок, — но после запуска не реагирует на то, что происходит дальше.

Адаптивная модель работает иначе: данные → анализ отклонений → пересборка плана → новые данные → снова анализ. Это замкнутый цикл, который не заканчивается после первого дня использования. Ключевое отличие — не разнообразие заданий, а наличие обратной связи между поведением пользователя и содержанием следующей рекомендации.

Простой трекер шагов или калорий — это ещё не адаптивная модель. Трекер считает и показывает цифры, но сам не меняет цель. Если человек три дня подряд не доходит до нормы, обычный трекер просто покажет три дня с недовыполненной целью. Адаптивная система на этом же наборе данных задаст вопрос: «эта цель вообще реалистична для текущего образа жизни этого человека?» — и, если нет, предложит другую.

Какие данные считаются 'фактическим поведением'

Фактическое поведение — это не то, что человек сказал о себе на старте, а то, что зафиксировано за период использования: реальное количество шагов по дням недели, фактическое время засыпания и пробуждения, дни, когда задание было полностью проигнорировано, дни, когда оно было перевыполнено, время суток активности, частота открытия приложения, реакция на push-уведомления. Отдельно учитывается контекст: будни против выходных, рабочие смены, сезонные изменения светового дня. Именно эта совокупность сигналов — а не ответы в анкете — становится основой для следующей рекомендации.

Почему шаблон не работает

Проблема статичного плана не в лени разработчиков, а в самой конструкции. У неё есть три последовательных слабых места.

Первое: опросник на входе фиксирует намерение, а не поведение. Когда человек заполняет анкету при установке приложения, он честно отвечает на вопросы вроде «сколько времени вы готовы уделять активности» или «во сколько обычно ложитесь спать». Но это ответы про желаемое или усреднённое поведение, а не про то, что произойдёт в конкретный вторник через три недели. Намерение и реальное действие расходятся почти всегда — это не обман, а нормальное свойство того, как люди отвечают на вопросы о будущем.

Второе: жизнь меняется быстрее, чем обновляется план. Смена работы, болезнь, отпуск, новый район проживания, смена сезона — всё это влияет на реальные возможности человека соблюдать план. Бумажная или статичная цифровая программа обновляется только тогда, когда пользователь сам вручную заходит и меняет настройки — а это происходит редко, потому что большинство людей не воспринимает приложение как то, что требует ручной настройки каждую неделю.

Третье, и самое важное: отсутствие обратной связи означает отсутствие коррекции курса. Если система не анализирует, выполняется план или нет, у неё физически нет механизма, который мог бы заметить рассинхронизацию между заданием и жизнью. План может быть нерелевантным месяцами, и никто — ни пользователь, ни программа — не среагирует, пока человек просто не перестанет открывать приложение.

Эта цепочка — фиксация намерения вместо поведения, отставание от изменений жизни, отсутствие обратной связи — и есть системная причина того, почему шаблонные программы здоровья теряют пользователей. Не потому что людям это не нужно, а потому что план перестаёт соответствовать реальности раньше, чем человек успевает это осознать.

Ваш план устарел или нет

Прежде чем менять подход, полезно понять: относится ли эта проблема к вашей текущей программе здоровья. Ниже — признаки, что план разошёлся с реальным поведением.

• Одно и то же задание выполняется или игнорируется больше недели подряд без изменений со стороны приложения
• График работы или сна поменялся минимум две-три недели назад, а рекомендации остались прежними
• После нескольких пропущенных дней подряд приложение не предлагает ничего, кроме того же самого задания на новый день
• Единственный момент, когда система задавала вопросы о вашей жизни, — это стартовый опросник при установке
• Задания ощущаются либо слишком лёгкими, либо систематически невыполнимыми, и это не меняется неделями
• Нет реакции на очевидные сигналы: отпуск, болезнь, смену часового пояса, изменение рабочего графика

Если хотя бы три пункта из списка совпадают с вашей ситуацией — скорее всего, вы имеете дело со статичным шаблоном, который не подстраивается под вас, а не с адаптивной системой.

Два способа адаптации

Если программа всё же умеет меняться, важно понимать — как именно. Есть два принципиально разных подхода к адаптации, и они решают разные задачи.

На практике сильные адаптивные системы используют оба подхода вместе: реактивная адаптация выступает базовым уровнем защиты от очевидных срывов, предиктивная — более тонким слоем, который включается, когда накоплено достаточно данных о конкретном человеке.

Как это выглядит по шагам

Чтобы адаптация не оставалась абстрактным термином, разберём её на конкретном примере — цикл вокруг сна, шагов и потребления воды.

Шаг 1–2: сбор фактических данных вместо анкеты. Вместо того чтобы один раз спросить «сколько вы обычно спите», система начинает фиксировать реальное время засыпания и пробуждения по данным телефона или носимого устройства, реальное количество шагов по часам в течение дня, отметки о выпитой воде, если пользователь их вносит. Первые дни это просто наблюдение — система ничего не меняет, она накапливает базовую картину поведения именно этого человека, а не усреднённого пользователя.

Шаг 3–4: обнаружение отклонения и его причины. Когда данных становится достаточно, система сопоставляет фактическое поведение с текущим планом. Например: цель — 8000 шагов, но по будням фактически выходит 4000–4500, а по выходным — 10000–12000. Система ищет не просто факт отклонения, а закономерность: отклонение привязано к дням недели, к времени пробуждения, к качеству сна накануне. В нашем примере с восьмым днём подряд одинакового задания система бы заметила: подъём сместился на два часа раньше три недели назад, и с этого момента будничная активность системно ниже цели.

Шаг 5: пересборка задания под новый паттерн. На основе найденной закономерности система предлагает новый план, а не просто снижает общую цифру. Например: будничная цель по шагам снижается до реалистичных 5500–6000 с акцентом на короткие прогулки в обеденный перерыв, а выходная цель, наоборот, немного повышается — потому что данные показывают, что в этот период у человека есть ресурс и время. План перестаёт быть одной цифрой на все дни и становится картой, привязанной к реальному ритму недели.

После пересборки цикл не заканчивается — он запускается заново: система продолжает собирать данные уже по новому плану, снова ищет отклонения, снова корректирует. Это и есть то самое отличие от шаблона: план живёт и меняется вместе с человеком, а не остаётся неизменным артефактом одного дня установки.

Когда ждать результат

Адаптивная модель не даёт мгновенного эффекта, и об этом стоит сказать прямо, чтобы не создавать завышенных ожиданий.

Первые одну-две недели уходят преимущественно на накопление данных о реальном поведении. В этот период план может почти не меняться — системе просто ещё не хватает истории, чтобы отличить случайное отклонение от устойчивого паттерна. Это нормальная и необходимая фаза, а не признак того, что «ИИ ничего не делает».

Когда первая пересборка плана всё же происходит, возможен временный откат: новое задание может ощущаться непривычным, часть пользователей воспринимает изменение цели как «система сдалась» или «занизила планку». На практике это чаще всего означает обратное — план впервые стал соответствовать реальности, а не оставался завышенным ориентиром, который никогда не выполнялся.

Пересборка плана раз в одну-две недели в первый месяц использования — это ожидаемое поведение адаптивной системы, а не признак нестабильности или ошибки. Сигналом реальной проблемы будет не частота изменений, а их бессвязность: если план меняется хаотично, без видимой связи с вашим поведением, это повод разобраться, корректно ли собираются данные, а не списывать всё на «ИИ так работает».

Что портит адаптацию

Адаптивная модель полагается на данные о поведении — и часть проблем создаёт не сама система, а то, как ей мешают работать.

• Игнорировать уведомления о смене плана и продолжать ориентироваться на старую, уже неактуальную цель
• Вручную завышать цели «назло» рекомендациям, чтобы доказать себе, что старый шаблон был правильным
• Ждать точного совпадения нового плана с прошлым шаблоном и воспринимать любое отличие как ошибку системы
• Периодически выключать датчики, геолокацию или трекинг активности — тогда система теряет данные, на которых строится анализ, и адаптация происходит на неполной картине
• Вносить данные о сне или воде нерегулярно, то подробно, то никак — это создаёт ложные паттерны, которые система принимает за реальное поведение
• Менять устройство или приложение слишком часто, не давая накопиться истории, достаточной для качественной адаптации

Любой из этих пунктов не «ломает» систему технически, но искажает данные, на основе которых она принимает решения. Чем меньше искажений — тем точнее и быстрее адаптация.

Где ИИ не заменит врача

Важно чётко обозначить границы. Адаптивные рекомендации, о которых шла речь в этой статье, касаются базовых повседневных привычек: активности, сна, потребления воды, простых показателей образа жизни. Это не диагностика и не лечение.

Если речь идёт о хроническом заболевании, резкой и необъяснимой потере или наборе веса, устойчивой боли, нарушениях сна, которые не проходят неделями, или любых симптомах, вызывающих беспокойство, — это повод обратиться к врачу, а не корректировать план в приложении. Адаптивная модель не умеет отличать усталость от переутомления как признака заболевания, и не должна использоваться как замена медицинской консультации.

Эта статья не покрывает вопросы клинического питания, коррекции медикаментозного лечения, реабилитации после травм или ведения беременности — во всех этих случаях решения принимает специалист, а приложение может быть, в лучшем случае, вспомогательным инструментом учёта, но не источником рекомендаций.

Подход, о котором мы рассказываем в связанном материале о портфеле нишевых AI-продуктов группы, тоже строится на этом принципе: продукты решают конкретные, ограниченные задачи, а не заменяют профессиональную экспертизу там, где она необходима.

Если вы предприниматель, маркетолог или инвестор и хотите разобраться, как устроен подход группы NEYRUSS к продуктам для здоровья и другим направлениям портфеля, лучший следующий шаг — узнать больше о продукте для здоровья и обсудить детали напрямую. Оставить заявку или запросить материалы можно на странице контактов NEYRUSS.

Частые вопросы