# Цикл хайпа Gartner — кривая ожиданий и почему по ней нельзя планировать продукт Цикл хайпа Gartner — самая узнаваемая картинка в разговорах о технологиях: пик завышенных ожиданий, провал разочарования, плато продуктивности. Основатели DeepTech-проектов любят ставить её в питч, чтобы показать, что их технология «уже прошла дно». Проблема в том, что кривая измеряет ожидания рынка, а не деньги клиента, и эмпирически сбывается гораздо реже, чем принято думать. Разберу, что в модели полезно, а что опасно для продуктовых решений. ## Что говорит мировая практика Модель предложила аналитик Gartner Джеки Фенн в 1995 году, и с тех пор компания ежегодно публикует десятки кривых по отраслям. В [официальном описании методологии](https://www.gartner.com/en/research/methodologies/gartner-hype-cycle) пять фаз выглядят так. Технологический триггер: прорыв или демонстрация вызывают интерес прессы, хотя готовых продуктов часто нет и коммерческая жизнеспособность не доказана. Пик завышенных ожиданий: истории успеха перемешаны с десятками провалов. Провал разочарования: пилоты не дают результата, поставщики уходят с рынка, инвестиции продолжаются только в тех, кто довёл продукт до уровня, устраивающего ранних клиентов. Склон просвещения: появляются второе и третье поколения продукта, больше компаний финансирует пилоты. Плато продуктивности: критерии выбора поставщика становятся понятными, начинается массовое внедрение. По оси Y откладываются ожидания, по оси X — время. Фенн и Марк Раскино развернули модель в книгу [Mastering the Hype Cycle](https://www.oreilly.com/library/view/mastering-the-hype/9781422135129/) (Harvard Business Press, 2008). Главная мысль книги — управленческая, а не прогностическая: компании теряют деньги, когда вкладываются слишком рано на волне ажиотажа или бросают технологию слишком рано на дне разочарования. Авторы предлагают процесс отбора инноваций STREET — Scope, Track, Rank, Evaluate, Evangelize, Transfer: определить поле поиска, отслеживать, ранжировать, оценивать, продвигать внутри компании и передавать в эксплуатацию. Критика пришла с данными. Инвестор Майкл Маллани в 2016 году прошёл по всем кривым Gartner для новых технологий с 2000 года и опубликовал [восемь уроков](https://www.linkedin.com/pulse/8-lessons-from-20-years-hype-cycles-michael-mullany). Из более чем 200 технологий, когда-либо попадавших на кривую, предсказуемо прошли её от начала до конца единицы — облачные вычисления, 3D-печать, электронные чернила. Больше 50 технологий появились на кривой ровно один раз и исчезли. Ещё около 20% из тех, что отслеживались несколько лет, устарели, так и не став массовыми. И наоборот: многие важные технологии вроде x86-виртуализации и NoSQL на кривую вообще не попали. Вывод Маллани: медианная технология циклу хайпа не подчиняется, мы просто вспоминаем прошлое так, будто подчинялась. В 2024 году [The Economist](https://www.economist.com/finance-and-economics/2024/08/19/artificial-intelligence-is-losing-hype) продолжил работу Маллани на данных Gartner и пришёл к тому же: полный путь «триггер — пик — провал — массовое внедрение» проходит примерно пятая часть технологий. Облачные вычисления и солнечная энергетика росли почти по прямой, без пика и провала. А из технологий, упавших в провал разочарования, по оценке издания, шесть из десяти так и не поднимаются. Академическая сторона строже: [обзор в Technological Forecasting and Social Change](https://www.sciencedirect.com/science/article/pii/S0040162516300270) проверил 46 технологий из энергетических кривых Gartner и нашёл расхождения между отчётами компании и реальной динамикой. Авторы видят три причины: модель склеивает две разные кривые (человеческие ожидания и технологическую S-кривую), ось Y определена размыто — «видимость» вместо измеримого показателя, и нет оснований считать, что ожидания всех участников рынка движутся одинаково. ## Что выдержало мою практику Я работаю с промышленными и технологическими направлениями, где инвестор и совет директоров регулярно спрашивают: «А где мы на кривой?» Мой ответ со временем стал таким: положение на кривой — это описание настроения, а решение о вложениях принимается по другим данным. Самый показательный пример — сервис обслуживания беспилотных систем. Путь от бизнес-плана до коммерческого пакета занял 13 месяцев ([[История сервиса БПЛА — от бизнес-плана до коммерческого пакета]]). На этапе обоснования я посчитал реальный рынок в 12,5 млрд рублей и достижимый — в 3,2 млрд рублей в год, с тремя сценариями финмодели ([[Обоснование рынка сервиса БПЛА]]). Это ровно тот уровень анализа, на котором обычно рисуют цикл хайпа: большой рынок, интерес, ожидания. Но главный вывод этой истории другой — юнит-экономика ремонта одного дрона оказалась точнее любых макрооценок. Направление подтвердилось не положением на кривой, а двумя закрытыми сделками при стоимости привлечения клиента около 13,5 тыс. рублей ([[Проверка экономики канала для БПЛА]]). Дилерский договор и рекламный канал я запускал только после того, как модель на бумаге совпала с фактическими деньгами. Второй случай — due diligence технологии гальванического покрытия с наноалмазными присадками ([[Инвестиционная оценка технологии гальваники]]). Наноматериалы — классическая «хайповая» тема, про которую легко написать, что она на склоне просвещения. Но оценка держалась на трёх проверяемых вещах: правовом статусе, подтверждённом патенте и спросе со стороны крупных промышленных заказчиков. Итог — конкретная потребность в инвестициях, 41 млн рублей, а не тезис о фазе зрелости технологии. Из модели Gartner в моей практике выжила одна полезная идея — асимметрия ошибок Фенн и Раскино. Войти слишком рано и выйти слишком рано одинаково дорого. Против первой ошибки у меня работает правило проверять спрос разговором до вложений ([[Гипотезу дешевле убить интервью, чем MVP]]). Против второй — решение о закрытии принимается по посчитанной экономике направления, а не по тому, что тема «остыла» в прессе. Мой совет основателю DeepTech-проекта. Не ставьте цикл хайпа в питч как доказательство — критики Gartner показали, что в среднем кривая не сбывается, и опытный инвестор это знает. Используйте её как вопрос к себе: на ожиданиях какой фазы держится ваш финплан? Если выручка в модели опирается на то, что рынок «вот-вот выйдет на плато», это риск, а не аргумент. Замените положение на кривой тремя проверяемыми фактами: кто уже заплатил, сколько стоило его привлечь, какая маржа осталась со сделки. Кривая ожиданий сбывается примерно в одном случае из пяти, а деньги клиента не зависят от того, в какой фазе рынок. ## Мои кейсы по теме - [[История сервиса БПЛА — от бизнес-плана до коммерческого пакета]] — 13 месяцев от макрооценки рынка до экономики, проверенной на реальных сделках. - [[Обоснование рынка сервиса БПЛА]] — рынок в 12,5 млрд рублей и три сценария финмодели как исходная гипотеза, а не доказательство. - [[Проверка экономики канала для БПЛА]] — две сделки при стоимости привлечения около 13,5 тыс. рублей подтвердили направление деньгами. - [[Инвестиционная оценка технологии гальваники]] — оценка «модной» технологии через патент, правовой статус и спрос, итог — 41 млн рублей потребности в инвестициях. ## Связаться Если у вас похожая задача — обсудим ваш продукт: [[email protected]](mailto:[email protected]), Telegram [@falcolupus](https://t.me/falcolupus) или [MAX](https://max.ru/u/f9LHodD0cOJd5VFHyaG9k7YpP7BW9s55ZYkjWX6P8j51xBYS3XgDfnOxz3U). Работаю удалённо в любом часовом поясе.