Career Point: платформа карьерного коучинга с ИИ и поддержкой Оксфорда

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

У любой платформы на ранней стадии один и тот же вопрос: успеем ли мы доказать ценность продукта и привлечь следующий раунд финансирования, пока деньги не закончились? У Career Point задача была сложнее, чем у большинства: нужно было создать полноценный продукт для AI-коучинга — с тестом под брендом Оксфорда, маркетплейсом коучей, записью на сессии, живыми видеовстречами, доступом к обучающим материалам и отслеживанием прогресса. Всё это — в одной платформе. Наша цель — запустить первую готовую версию за 90 дней.

Кратко — суть кейса за 60 секунд

Клиент и сотрудничество с Оксфордом

Career Point поставила перед собой амбициозную цель: перестроить карьерный коучинг вокруг научно обоснованного теста, а не тех псевдопсихологических тестов на тип личности, что сейчас повсюду. Основатели объединили усилия с исследователями Оксфордского университета, чтобы создать инструмент, основанный на академических моделях карьерного развития. Это не очередной клон «большой пятёрки», а тест, который реально определяет текущий этап карьеры пользователя и выявляет конкретные пробелы в навыках, мешающие сделать следующий шаг.

Сотрудничество с Оксфордом дало продукту две вещи, которые конкуренты не смогут скопировать: (1) научно обоснованную 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, сценарии 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 условием: 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 бы устроил инвесторов, оставался значительным:

• Сценарий онбординга пользователя с оксфордским тестом
• Рекомендации коучей и образовательных программ на основе ИИ
• 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 как студенту, так 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 большие блоки функциональности с проверенными поставщиками. Воссоздавать их за 90 дней было бы напрасной тратой времени: мы потратили бы недели на воспроизведение логики записи Calendly или системы расписаний Zoom — и всё равно получили бы результат хуже оригинала.

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

Это тот же принцип «сначала интеграция, потом разработка», который мы применяем ко всему нашему портфолио. Клиенту всегда были видны оксфордский тест и подбор на основе ИИ — всё остальное считалось базовыми требованиями, без которых нельзя обойтись. Строить базовые требования с нуля за 90 дней — это не смелость, а путь к провалу.

Путь пользователя от начала до конца

С точки зрения пользователя Career Point — это путь из пяти шагов. Архитектура обеспечивает ощущение единого процесса, хотя несколько этапов используют сторонние сервисы.

1. Регистрация. Обычное создание аккаунта, выбор роли (студент или коуч), заполнение базовой информации в профиле.
2. Прохождение оксфордского теста. Структурированный опросник, разработанный совместно 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 свободное время в его расписании через Calendly, оплатить и получить ссылку на Zoom.
5. Обучение и отслеживание прогресса. Посещайте живые сессии, изучайте обучающие материалы и следите за единым дашбордом прогресса, где со временем накапливаются результаты тестов, пройденные курсы и заметки коуча.

Порядок «сначала тест» здесь важен. В большинстве EdTech-решений пользователь должен сам определить, что ему нужно, ещё до регистрации. Career Point делает наоборот: тест и есть диагноз, а искусственный интеллект подбирает подходящее решение на его основе. Такой подход обеспечивает более удобный пользовательский опыт и повышает эффективность воронки.

Карьерный тест, разработанный совместно с Оксфордом

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

Несколько решений в реализации, которые на первый взгляд кажутся мелкими, но оказались важными:

• Сохранять прогресс после каждого ответа. Отток на длинных тестах — серьёзная проблема. Мы сохраняем промежуточные результаты, чтобы пользователь, начавший проходить тест в дороге на телефоне, мог продолжить 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 внедрили версионирование функции подсчёта, чтобы исторические результаты оставались стабильными, а данные исследований можно было сравнивать 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 основе ИИ

Как только пользователь проходит тест, платформа передаёт его результат в модуль подбора, который предлагает наиболее подходящего коуча и стартовый образовательный трек. В первой версии использовалась система правил и весов, настроенная на основе метаданных коучей и тегов контента MindTools — а не рекомендательная система на базе LLM. Это было сделано намеренно: для MVP детерминированный подбор проще понять, объяснить пользователю и отладить, когда возникают 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 для поиска доступного коуча.
• История сессий — для возвращающихся пользователей учитывает предпочтения на основе ранее высоко оценённых коучей.

Архитектура выделяет слой подбора в отдельный сервис, чтобы в следующей версии заменить детерминированную логику на рекомендатель на базе LLM, не затрагивая остальную часть платформы. Именно так мы советуем командам начинать любую AI-функцию: сначала реализовать детерминированную версию, 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 задачу, которая иначе заняла бы несколько недель разработки.

Calendly — запись на встречи

У каждого коуча есть аккаунт Calendly, привязанный к его профилю в Career Point. Когда студент записывается на встречу, он выбирает тип события в Calendly, а контекст Career Point — ID студента и результаты теста — передаётся через метаданные вебхука. После записи мы получаем вебхук, дополняем событие данными с платформы и запускаем сценарии для Zoom и уведомлений. В результате студенты остаются в интерфейсе Career Point, а коучи управляют расписанием в привычном 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 для подключения в дашборды коуча и студента и сохраняет ID встречи, чтобы сопоставлять заметки сессии с её официальной записью. В более поздних версиях добавили возможность записи сессии — коуч сам решает, включать ли её.

MindTools — обучающий контент

Career Point не пришлось создавать обучающий контент с нуля — у MindTools уже есть большой каталог тестов, статей, видео и подкастов для профессионального роста. Мы подключили этот каталог, вывели контент через наш интерфейс и отслеживали прогресс в базе данных MongoDB, чтобы дашборд обучения показывал единую сводную картину: результаты тестов, пройденные материалы MindTools и задания, которые дал коуч.

Рабочий процесс коуча и студента

Самое ценное, что построила Career Point помимо теста, — это связный рабочий процесс коуча и студента. Студенты видят в одной хронологии каждый результат теста, каждую заметку с сессии и каждый пройденный курс. 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 в виде свободного текста. Коуч фиксирует тему сессии, задачи для выполнения 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 функции чата.
• Визуализация прогресса. Единый дашборд берёт данные из трёх источников (тесты, активность в MindTools, заметки коуча) и показывает, как пользователь развивается со временем. Именно он стал тем артефактом, скриншоты которого пользователи делали и которым делились — функцией, которая ощущается как сам продукт.

Технологический стек и почему мы его выбрали

Стек выбирали ради скорости и темпа работы команды, а не ради модных технологий «для резюме». Когда делаешь MVP под жёсткий дедлайн инвестиционного раунда, надёжное и проверенное всегда побеждает изощрённое.

Архитектура в общих чертах

Архитектурно Career Point — это монолит на Next.js для пользовательского приложения, за которым стоит сервис Express API, управляющий интеграциями. MongoDB — единый источник данных; socket.io работает параллельно с API для чата в реальном времени. Вебхуки от Calendly и Zoom поступают в API, чтобы поддерживать синхронизацию платформы 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, соответствующими этапу карьеры пользователя, и возвращает ранжированный список.
4. Пользователь выбирает коуча → API запрашивает у Calendly доступные слоты → пользователь выбирает время → Calendly подтверждает → вебхук возвращает ответ в API.
5. API обращается к API Zoom, чтобы создать встречу, сохраняет её ID в записи сессии и отправляет уведомления.
6. Сессия проходит в Zoom. После сессии коуч отправляет заметки в Express API → они отображаются в дашборде студента.
7. Вкладка обучения показывает материалы MindTools; события о прохождении передаются через вебхук 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 запускались, как только движок тестов стал достаточно стабильным, чтобы передавать реальные данные в логику подбора. Запуск рабочих потоков одновременно, а не по очереди, позволил сократить шестимесячную разработку до трёх месяцев.

Результаты: привлечено 105 млн ₽, рынок подтверждён

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

Что подтвердил MVP:

• Тест, основанный на Оксфорде, превращает анонимных посетителей в платящих клиентов с конверсией, достаточной для окупаемости платного привлечения.
• Пользователи проходят тест целиком заметно чаще, чем обычные тесты на тип личности, потому что результат кажется достоверным и полезным на практике.
• Коучи готовы работать на платформе, где им предлагают предварительно отобранных, прошедших тест клиентов — с точки зрения предложения экономика складывается.
• Интегрированный стек (Calendly + Zoom + MindTools) работает так органично, что конверсия «сессия → удержание» достигает уровня зрелых платформ.

Пять уроков для MVP в AI-коучинге

Проект Career Point выделил пять принципов, которые мы теперь используем при разработке коучинговых, тестовых и продуктов маркетплейса.

1. Закрепите продукт за чем-то, что нельзя скопировать. Для Career Point таким стал научный партнёр — Оксфорд. У каждого AI-коуча, с которым вы соперничаете, есть доступ к тем же языковым моделям; чего у них нет — достоверного, научно обоснованного теста. Конкурентное преимущество — в исходных данных, а не в выводах модели.

2. Интегрируйте всё типовое. Запись на встречи, видео, платежи, обучающий контент — в 2026 году всё это станет товаром массового потребления. Каждая неделя, потраченная на создание чего-то из этого с нуля, — это неделя, которую вы могли бы потратить на то, что делает вас уникальными. Сначала используйте готовые решения; создавайте только там, где вы явно лучше стороннего поставщика.

3. Начинайте с детерминированного, вероятностное добавляйте позже. Первую версию делали на правилах и весах, а не на LLM. Детерминированные системы проще отлаживать, объяснять пользователям и использовать в условиях жёстких регуляторных требований. Переходите к ML, когда задача станет понятной — и сохраняйте границы 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 месте, 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, а в том, чтобы выпустить такую, которая поможет закрыть следующий раунд — а потом уже строить идеальную.

Когда строить Career Point (а когда — нет)

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

• Конкурентное преимущество вашего продукта — это надёжная отправная точка (тест, диагностика, профилирование), а не сам по себе искусственный интеллект.
• Вы запускаете двусторонний маркетплейс, где одной стороне — коучам, репетиторам, консультантам и другим специалистам — нужна простая запись и базовые инструменты для проведения сессий.
• Клиенты ждут интерфейс для видеозвонков, но им безразлично, какой сервис его обеспечивает — Zoom, Whereby, LiveKit подойдут одинаково хорошо.
• Рынок достаточно зрел, чтобы интегрировать библиотеки контента (MindTools, Skillshare, LinkedIn Learning), а не создавать их с нуля.
• Вы привлекаете инвестиции под дедлайн, и вам нужна работающая платформа, а не прототип.

Где мы посоветовали бы другую архитектуру:

• Видео — это преимущество. Если вас выделяет сам процесс звонка (интерактивное обучение, AI-агенты в комнате, живые аватары), используйте 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

Что почитать дальше