Career Point: платформа карьерного коучинга с AI и сотрудничеством с Оксфордом

Career Point — платформа для карьерного коучинга на базе AI, созданная в партнёрстве с Оксфордским университетом. Фора Софт выпустила первую продакшен-версию за три месяца — как раз к моменту, когда команде нужно было закрыть раунд инвестиций на 105 млн ₽. Рассказываем, как мы определили объём проекта, что интегрировали и какие выводы применимы к разработке AI-коучинга, EdTech и маркетплейсов.

У любой платформы на ранней стадии есть одна и та же базовая ставка: успеем ли мы доказать ценность продукта и закрыть следующий раунд, пока не закончились деньги? Ставка Career Point была сложнее, чем у большинства: им требовался работающий продукт для AI-коучинга, оценочный тест под брендом Оксфорда, маркетплейс коучей, запись на сессии, живые видеовстречи, доступ к обучающим материалам и отслеживание прогресса. И всё это — в одной платформе. Наша задача была сделать первую готовую к запуску версию реальной за 90 дней.

Кратко — суть кейса за 60 секунд

Клиент и сотрудничество с Оксфордом

Career Point поставила перед собой амбициозную цель: перестроить опыт карьерного коучинга вокруг научно обоснованного теста, а не вокруг тех псевдопсихологических тестов на тип личности, что заполонили рынок. Команда основателей объединилась с исследователями Оксфордского университета, чтобы совместно разработать тест, опирающийся на академические модели карьерного развития. Это не очередной клон «большой пятёрки», а инструмент, который действительно определяет текущий этап карьеры пользователя и выявляет конкретные пробелы в развитии, мешающие следующему шагу.

Сотрудничество с Оксфордом дало продукту две вещи, которые конкуренты не смогут скопировать: (1) научно достоверную точку входа и (2) узнаваемый бренд-якорь. С точки зрения архитектуры продукта наша задача была взять этот тест и построить вокруг него всё остальное — слой подбора на базе AI, маркетплейс коучей, сценарий сессий, доступ к курсам и отслеживание прогресса — в единый цельный опыт.

Задача: выпустить убедительный MVP до закрытия окна финансирования

Career Point пришла к нам с чётким ограничением: им нужен был работающий, приносящий доход продукт за три месяца. Инвесторы проявили интерес, но хотели видеть реальную динамику, а не презентацию. Без работающей платформы раунд бы сорвался.

При этом объём продукта, который удовлетворил бы инвесторов, оставался большим:

• Сценарий онбординга пользователя с оксфордским тестом
• Рекомендации коучей и образовательных треков на базе AI
• Маркетплейс коучей с профилями, расписанием и записью на сессии
• Живые видеосессии коучинга с заметками по итогам встречи
• Доступ к библиотеке обучающих материалов (тесты, статьи, видео, подкасты)
• Отслеживание прогресса студента, видимое и студенту, и коучу
• Приём платежей и выплаты коучам

Сделать всё это с нуля за 90 дней потребовало бы команды из 15 инженеров. Бюджет Career Point был рассчитан на небольшую команду сильных специалистов. Вот где основную работу должна была взять на себя стратегия архитектуры.

Наш подход: сначала интеграция, потом разработка

Ключевое решение на этапе исследования было простым: мы не станем заново строить то, что уже существует в виде надёжного API. Запись на встречи, видеоконференции и обучающий контент — это огромные пласты функциональности с зрелыми поставщиками. Воссоздавать их за 90 дней было бы пустым тщеславием: мы потратили бы недели на воспроизведение логики записи Calendly или системы расписаний Zoom — и всё равно выпустили бы версию хуже оригинала.

Вместо этого мы выстроили платформу как оркестрирующий слой поверх трёх проверенных сервисов:

Это тот же принцип «сначала интеграция, потом разработка», который мы применяем во всём нашем портфолио. Видимым для клиента отличием всегда были оксфордский тест и подбор на базе AI — всё прочее было базовыми требованиями, без которых не обойтись. Строить базовые требования с нуля за 90 дней — это не смело, это путь к провалу.

Путь пользователя от начала до конца

С точки зрения пользователя Career Point — это путь из пяти шагов. Архитектура делает каждый шаг ощущением единого целого, хотя несколько этапов обращаются к сторонним сервисам.

1. Регистрация. Обычное создание аккаунта, выбор роли (студент или коуч), базовая информация в профиле.
2. Прохождение оксфордского теста. Структурированный опросник, разработанный с исследователями Оксфордского университета. На выходе — оценка текущего этапа карьеры и набор приоритетов для развития.
3. Получение рекомендаций на базе AI. По результатам теста платформа предлагает (а) трёх наиболее подходящих коучей и (б) подобранный образовательный трек из материалов MindTools.
4. Запись на сессию. Выбрать коуча, подобрать слот из его расписания в Calendly, оплатить и получить ссылку на Zoom.
5. Обучение и отслеживание прогресса. Посещать живые сессии, изучать обучающие материалы и следить за единым дашбордом прогресса, где со временем накапливаются результаты тестов, пройденные курсы и заметки коуча.

Порядок «сначала тест» здесь важен. В большинстве EdTech-продуктов пользователь должен сам поставить себе диагноз — понять, что ему нужно, ещё до регистрации. Career Point переворачивает это: тест и есть диагноз, а AI подбирает решение под результат. Это даёт заметно лучший пользовательский опыт и более сильную воронку.

Карьерный тест, разработанный с Оксфордом

Тест — это сердце продукта. Содержание опросника пришло из научного сотрудничества Career Point и Оксфорда; наша задача была построить движок, который этот тест проводит, подсчитывает результат и без трения проводит пользователя дальше — в сценарии подбора и обучения.

Несколько решений в реализации, которые выглядят мелкими, но оказались важными:

• Сохранять прогресс после каждого ответа. Отток на длинных тестах беспощаден. Мы сохраняем промежуточные результаты, чтобы пользователь, начавший на телефоне в дороге, мог закончить вечером за компьютером.
• Показывать результат до запроса оплаты. Пользователи, которые сначала видят свой результат по этапу карьеры, переходят к платному коучингу гораздо чаще, чем те, кого просят заплатить, не показав результата.
• Версионирование подсчёта. Команда Оксфорда дорабатывает модель оценки. Мы версионировали функцию подсчёта, чтобы исторические результаты оставались стабильными, а данные исследований были сопоставимы во времени.
• Результат как документ, а не просто число. Результат каждого пользователя сохраняется в его профиле в виде понятного резюме — сильные стороны, пробелы, рекомендованные направления — чтобы у коуча была общая отправная точка с первой же сессии.

Подбор коуча и курсов на базе AI

Как только пользователь проходит тест, платформа пропускает его результат через слой подбора, который предлагает наиболее подходящего коуча и стартовый образовательный трек. В первой версии это была система правил и весов, откалиброванная по метаданным коучей и тегам контента MindTools, — а не рекомендатель на базе LLM. Это было сделано намеренно: для MVP детерминированный подбор проще понимать, проще объяснять пользователям и проще отлаживать, когда всплывают крайние случаи (edge cases).

Слой подбора учитывал четыре сигнала:

• Оценка этапа карьеры из оксфордского теста — сопоставлялась со специализацией коучей (начало карьеры, середина карьеры, топ-руководители).
• Приоритетные области развития — сопоставлялись с тегами экспертизы коуча (лидерство, технический рост, смена карьеры).
• Язык и география — базовые фильтры по доступности коуча.
• История сессий — для возвращающихся пользователей вес предпочтений на основе ранее высоко оценённых коучей.

Архитектура держит слой подбора отдельным сервисом, чтобы в следующей версии заменить детерминированную логику рекомендателем на базе LLM, не трогая остальную часть платформы. Именно так мы советуем командам начинать любую AI-функцию: сначала детерминированно, изучить данные и крайние случаи, а затем добавить вероятностную модель, когда задача станет хорошо понятной.

Интеграции: Calendly, Zoom, MindTools

Три интеграции взяли на себя основную работу. Каждая закрыла область, которая иначе обернулась бы многонедельной разработкой.

Calendly — запись на сессии

У каждого коуча есть аккаунт Calendly, привязанный к его профилю в Career Point. Когда студент записывается, он бронирует тип события в Calendly, при этом контекст Career Point (ID студента, резюме результатов теста) передаётся через метаданные вебхука. После записи мы получаем вебхук, обогащаем событие данными со стороны платформы и запускаем сценарии Zoom и уведомлений. Результат: студенты никогда не покидают интерфейс Career Point, а коучи управляют расписанием в привычном им инструменте.

Zoom — живые видеосессии

Мы намеренно выбрали Zoom, а не WebRTC SDK. У пользователей Career Point — профессионалов в середине карьеры, записывающихся на коучинг, — Zoom установлен и понятен. Разработка собственного видеочата (о чём мы пишем в гайде «строить или покупать видеочат») обернулась бы крюком на 3–4 недели ради нулевого преимущества.

Вместо этого платформа создаёт встречи Zoom на стороне сервера, встраивает ссылки на подключение в дашборды коуча и студента и сохраняет ID встречи, чтобы можно было сопоставить заметки сессии с её каноничной записью. В более поздних версиях добавили поддержку записи сессии, когда коуч сам решал её включить.

MindTools — обучающий контент

Career Point не нужно было создавать обучающий контент с нуля — у MindTools есть глубокий каталог тестов, статей, видео и подкастов для профессионального развития. Мы интегрировали этот каталог, вывели контент через наш интерфейс и отслеживали прогресс в нашей базе MongoDB, чтобы дашборд обучения показывал единую сводную картину: результаты тестов, пройденные материалы MindTools и упражнения, назначенные коучем.

Рабочий процесс коуча и студента

Самое ценное, что Career Point построила помимо теста, — это связанный рабочий процесс коуча и студента. Студенты видят каждый результат теста, каждую заметку сессии и каждый пройденный курс в одной хронологии. Коучи видят ту же хронологию по каждому своему студенту, дополненную собственными заметками.

Три механики делают это лёгким и естественным:

• Заметки по сессии структурированы, а не свободный текст. Коуч фиксирует тему сессии, задачи к выполнению и ссылки на рекомендованный контент. Благодаря структуре дашборд студента может автоматически показывать «ваш коуч рекомендовал эту статью».
• Чат в реальном времени на socket.io. Между сессиями студенты могут писать коучам с уточнениями. Доставка с низкой задержкой, индикаторы набора, отметки о прочтении — стандартные примитивы чата.
• Визуализация прогресса. Единый дашборд берёт данные из трёх источников (тесты, активность в MindTools, заметки коуча) и визуализирует движение во времени. Именно он стал тем артефактом, скриншоты которого пользователи делали и которыми делились, — функцией, которая ощущается как сам продукт.

Технологический стек и почему именно он

Стек выбирали ради скорости и темпа команды, а не ради новизны «для резюме». Когда делаешь MVP под тикающие часы инвестиционного раунда, скучное и проверенное временем всегда бьёт хитроумное.

Архитектура в общих чертах

Архитектурно Career Point — это монолит на Next.js для пользовательского приложения, за которым стоит сервис Express API, оркестрирующий интеграции. MongoDB — единый источник истины; socket.io работает рядом с API для чата в реальном времени. Вебхуки Calendly и Zoom поступают в API, чтобы поддерживать состояние платформы в синхронизации с внешними событиями.

Сценарий словами:

1. Пользователь заходит в приложение на Next.js → регистрируется → проходит тест.
2. Next.js отправляет каждый ответ в Express API → API сохраняет его в MongoDB → подсчёт запускается, когда приходит последний ответ.
3. Сервис подбора запрашивает в MongoDB коучей с тегами под этап карьеры пользователя → возвращает ранжированный список.
4. Пользователь выбирает коуча → API обращается к API Calendly за доступностью коуча → пользователь выбирает слот → Calendly подтверждает → вебхук обратно в API.
5. API обращается к API Zoom, чтобы создать встречу, сохраняет ID встречи в записи сессии и отправляет уведомления.
6. Сессия проходит в Zoom. После сессии коуч отправляет заметки в Express API → они видны в дашборде студента.
7. Вкладка обучения показывает контент MindTools; события о прохождении приходят вебхуком и обновляют прогресс.

В этой архитектуре нет ничего нового. Она намеренно консервативна — стек Node.js / MongoDB / React, связанный с тремя хорошо документированными API. Вся новизна целиком лежит на продуктовом слое: оксфордский тест, логика подбора и единый дашборд студента.

Трёхмесячный план, по фазам и неделям

Где возможно, две фазы шли параллельно — интеграции стартовали, как только движок теста стал достаточно стабильным, чтобы подавать реальные данные в логику подбора. Запуск рабочих потоков параллельно, а не последовательно, — это то, что сжимает шестимесячную разработку до трёх месяцев.

Результаты: 105 млн ₽ привлечено, рынок подтверждён

С работающей, приносящей доход платформой и ранней активностью пользователей Career Point вышла на фандрайзинг с конкретными доказательствами, а не с нарративом из презентации. Итог: привлечено 105 млн ₽ на следующий этап роста — больше коучей, более глубокий AI в слое подбора и географическое расширение.

Что подтвердил MVP:

• Тест, опирающийся на Оксфорд, превращает анонимных посетителей в платящих клиентов с конверсией, которая оправдывает платное привлечение.
• Пользователи проходят тест целиком заметно чаще, чем обычные тесты на тип личности, потому что результат ощущается достоверным и применимым.
• Коучи готовы размещаться на платформе, которая приводит предварительно отобранные, прошедшие тест лиды, — экономика со стороны предложения сходится.
• Интегрированный стек (Calendly + Zoom + MindTools) ощущается достаточно «своим», чтобы конверсия «сессия → удержание» была на уровне зрелых платформ.

Пять уроков для MVP в AI-коучинге

Проект Career Point выкристаллизовал пять принципов, которые мы теперь применяем в разработке коучинговых, тестовых и маркетплейс-продуктов.

1. Закрепите продукт за чем-то, что нельзя скопировать. Для Career Point это было научное сотрудничество с Оксфордом. У каждого AI-продукта для коучинга, с которым вы конкурируете, есть доступ к тем же LLM; чего у них нет — так это достоверного, научно обоснованного теста. Конкурентное преимущество — во входной точке, а не в выводах модели.

2. Интегрируйте всё типовое. Запись на встречи, видео, платежи, обучающий контент — в 2026 году всё это товар широкого потребления. Каждая неделя, потраченная на пересоздание одного из них, — это неделя, не потраченная на то, что вас выделяет. Сначала интегрируйте; стройте только там, где вы лучше поставщика.

3. Начинайте с детерминированного, вероятностное добавляйте позже. Подбор первой версии был на правилах и весах, а не на LLM. Детерминированные системы проще отлаживать, объяснять пользователям и применять там, где важны регуляторные требования. Переходите на ML, когда задача станет хорошо понятной, — и сохраняйте границу сервиса, чтобы замена прошла безболезненно.

4. Сделайте один дашборд, который сводит всё воедино. Дашборд студента, объединяющий результаты теста, прогресс в MindTools и заметки коуча в одном виде, стал той функцией, скриншоты которой пользователи делали и которой делились. Консолидация — недооценённая продуктовая работа.

5. Работайте по плану «под окно финансирования». Когда у проекта жёсткий дедлайн по инвестициям, объём — главный рычаг. Режьте безжалостно. Цель не в том, чтобы выпустить идеальную платформу; она в том, чтобы выпустить платформу, которая закроет следующий раунд, — чтобы потом построить идеальную.

Когда строить как Career Point (а когда нет)

Схема Career Point — сначала тест, подбор на базе AI, интегрированный маркетплейс — хорошо переносится на ряд смежных форматов продуктов. Это правильный стартовый чертёж, когда:

• Конкурентное преимущество вашего продукта — это достоверная входная точка (тест, диагностика, профилирование), а не сам по себе AI.
• Вы запускаете двусторонний маркетплейс, где одной стороне (коучам, репетиторам, консультантам, специалистам) нужны простая запись и базовые примитивы для сессий.
• Клиенты ожидают поверхность для видеоразговора, но им неважно, какой инструмент её обеспечивает, — Zoom, Whereby, LiveKit одинаково подойдут.
• Рынок достаточно зрел, чтобы библиотеки контента (MindTools, Skillshare, LinkedIn Learning) можно было интегрировать, а не создавать.
• Вы привлекаете инвестиции под дедлайн, и вам нужна работающая платформа, а не прототип.

Где мы посоветовали бы другую архитектуру:

• Видео и есть преимущество. Если вас выделяет сам опыт звонка (интерактивное обучение, AI-агенты в комнате, живые аватары), интегрируйте полноценный SDK вроде LiveKit, а не оборачивайте Zoom.
• Корпоративный комплаенс нужен с первого дня. Если HIPAA, SOC 2 или резидентность данных требуются ещё до запуска, Zoom SDK или Whereby Embedded (см. наш гайд «строить или покупать видеочат») — лучший выбор по видео, чем обычный Zoom.
• Библиотека контента должна быть оригинальной. Если обучающий контент и есть продукт (а не дополнение), интеграция в стиле MindTools не подойдёт — вам понадобятся собственная LMS и пайплайн для создания материалов.

Частые вопросы

Как вы на самом деле построили платформу для коучинга за три месяца?

За счёт того, что каждую типовую область мы интегрировали, а не строили. Запись ушла в Calendly, живое видео — в Zoom, обучающий контент — в MindTools, платежи — в Stripe. Это освободило команде все 12 недель на разработку настоящих отличий: движка оксфордского теста, логики подбора на базе AI и единого дашборда прогресса. Жёсткая дисциплина по объёму плюс сильные инженеры дают MVP за три месяца.

AI — это большая языковая модель?

В первой версии — нет. В MVP применялся детерминированный подбор на правилах и весах, опирающийся на результат оксфордского теста. Это оставляло раннюю систему понятной, легко объяснимой пользователям и простой в отладке. Архитектура изолирует слой подбора, чтобы позже можно было заменить его рекомендателем на базе LLM — когда данных станет достаточно для обучения.

Почему Zoom, а не собственный видеочат на WebRTC?

Потому что видеозвонок — не то, чем Career Point выделяется. У пользователей — профессионалов в середине карьеры — Zoom установлен и понятен. Собственная поверхность на WebRTC стоила бы 3–4 недель разработки при нулевой пользе для пользователя. Если будущей версии понадобятся AI-агенты в звонке или кастомные раскладки — вот тогда переход на видео-SDK начнёт иметь смысл. Наша статья «строить или покупать видеочат» разбирает фреймворк этого решения.

Как было устроено сотрудничество с Оксфордом?

Клиент работал с исследователями Оксфордского университета над содержанием теста и методологией подсчёта. Роль Фора Софт была в том, чтобы реализовать этот тест как продакшен-уровень продукта — версионированный движок подсчёта, сохранение промежуточных результатов, понятные документы-резюме и чистую передачу данных в нижележащий слой подбора. Академическая строгость на входе, продакшен-инженерия на доставке.

Что бы вы сделали иначе, строя это в 2026 году?

Несколько вещей. Во-первых, мы добавили бы AI-суммаризатор сессий через LiveKit Agent на Claude Haiku или подобной модели — это экономит коучам 15 минут на заметки после каждой сессии. Во-вторых, мы использовали бы нашу практику Agent Engineering, чтобы ещё сильнее сжать разработку — на ~30–40% меньше инженерных часов на недифференцирующий код. В-третьих, мы вывели бы разговорного AI-помощника, который помогает студентам понять результат теста простым языком ещё до первой сессии с коучем.

Почему MongoDB, а не PostgreSQL?

Форма данных требовала гибкости: версии тестов меняются, профили коучей несут переменные метаданные, а заметки сессий — структурированные, но эволюционирующие документы. MongoDB сделала изменения схемы дешёвыми за время 90-дневной разработки и хорошо масштабировалась на чтение документов в дашборде. Для продуктов, которым нужны сложные транзакционные соединения или строгая реляционная целостность, мы выбрали бы PostgreSQL.

Может ли Фора Софт построить похожую платформу для нас?

Да. Мы выпускали маркетплейсы на базе тестов, коучинговые платформы и продукты с подбором на базе AI в разных нишах — карьерные сервисы, executive-коучинг, развитие талантов и EdTech. Обычно работа начинается с 1–2-недельного исследования, чтобы определить объём интеграций и решения «строить или покупать», а затем следует разработка 10–16 недель. Наша практика Agent Engineering сжимает это ещё сильнее для AI-насыщенных продуктов. Позвоните или напишите нам — и мы составим карту вашего проекта.

Что почитать дальше