Молодой казахстанец создал ИИ-помощника, который помогает аграриям увеличивать урожайность
Нурдаулет Дузенов. Фото из личного архива
Нурдаулету Дузенову 19 лет. Он учится на первом курсе Института искусственного интеллекта в Кызылорде и развивает платформу AgriX, которая помогает фермерам планировать уход за полями. Первый прототип сервиса, протестированный на кукурузном поле его родственников, помог поднять урожайность с 7 тонн до 10,2 тонны с гектара.
В материале для Digital Business Нурдаулет рассказал, почему заинтересовался сельским хозяйством, как создавал продукт и благодаря чему его решение способно настолько серьезно улучшать урожайность разных культур. Также поговорили о подходах в работе с фермерами, монетизации и планах по масштабированию.
«За простой сайт получал около 100 тысяч тенге»
– С детства обожал математику и все время сидел за сложными задачами. Правда, до 9-го класса это оставалось просто школьным увлечением – не представлял, как превратить любовь к цифрам во что-то прикладное. Хотя пример родителей всегда был перед глазами: мама преподает программирование в Кызылординском университете имени Коркыт Ата, а папа управляет логистической компанией.
Именно мама летом 2023 года записала меня на курсы программирования. Тогда увидел, как математика превращается в реальный код. Мой наставник Алексей Котенко дал базовые знания и помог сфокусироваться на главном – машинном обучении.
Спустя время начал активно участвовать в хакатонах, где закрепил теорию практикой и научился защищать проекты перед жюри. Поэтому, когда в университете имени Коркыт Ата запустили Институт искусственного интеллекта, поступил именно туда. Сейчас учусь на первом курсе по специальности «Архитектор ИИ».
Параллельно с учебой беру подработки как фрилансер. Заказы нахожу в основном через сарафанное радио: участвовал в конкурсах, светился в ИТ-сообществе и постепенно нарабатывал имя. В основном делал веб-сайты для бизнеса – от визиток и коммерческих площадок для продаж до новостных ресурсов. За простой сайт получал около 100 тысяч тенге, а за проекты с более сложным функционалом чек поднимался до 150–200 тысяч.
Именно на фрилансе разобрался, как устроена разработка, как вести переговоры с клиентами и превращать задачи в готовый продукт. Но меня всегда тянуло к созданию собственного бизнеса.
«В агротех пришел через личную историю»
– AgriX – не первый мой стартап. В сентябре 2025 года запустил MoveLink. Это был сервис для поиска грузоперевозчиков и грузоотправителей - по сути, аналог inDrive Cargo, но с более низкой комиссией.
Проект быстро остановился, потому что я столкнулся с полным отсутствием управленческого опыта. Умел кодить, но банально не понимал, как анализировать рынок, проводить кастдев и проверять гипотезы. Без этого не смог выбрать рабочую бизнес-модель, рассчитать экономику и настроить привлечение клиентов. Проход по всем этим ошибкам подсветил мои слабые места в бизнесе и научил базовым вещам. При этом финансово практически ничего не потерял: заплатил только за домен и сервер, а всю техническую часть закрыл своими руками.
В агротех пришел через личную историю. В прошлом году ко мне обратились родственники, которые выращивают сладкую кукурузу рядом с селом Амангельды. Урожайность у них просела до 6-7 тонн с гектара, хотя раньше показатели были выше. Им был нужен инструмент для глубокого анализа конкретного поля, грунта и погоды.
Тогда сам собрал первый прототип AgriX. Логика его работы была простой: система принимала вводные по полю и выдавала оценку потенциальной урожайности вместе с поэтапным планом действий. За основу взял открытые датасеты с историческими данными по урожайности, погодным условиям, типам почв и агротехнологиям. Модель училась находить взаимосвязи между показателями грунта, объемами полива, фазами роста и итоговым сбором. На этих данных алгоритм тренировался прогнозировать риски и рассчитывать оптимальные нормы удобрений. Главной задачей было выдать не сухой график, а конкретный список шагов под условия конкретного хозяйства.
Когда запустили аналитику, выяснилось: проблема кроется в том, что удобрения вносили вслепую, без учета реального состава почвы. Система помогла изменить подход к уходу. Все стали вносить точечно – добавляли ровно те элементы, которых не хватало в грунте, предотвращая дефицит и переизбыток питательных веществ. В результате кукуруза испытывала меньше стресса и лучше формировала початки. При заложенном системой прогнозе в 9,8 тонны с гектара реальная урожайность составила 10,2 тонны.
Поняв, что инструмент работает, решил масштабировать его в полноценную платформу.
«Наш подход объединяет математику и ИИ с фундаментальной агрономией»
– Механика AgriX предельно простая: фермер отмечает на карте границы участка, указывает сезон и культуру. Если культура не выбрана, алгоритм сам подбирает три самых рентабельных растения под этот регион. Дальше система анализирует погоду, почву, стадию роста и спутниковые данные, выдавая готовый пошаговый план полива и подкормки. Фермеру остается только следовать инструкциям.
Платформа анализирует полный массив параметров: координаты, площадь участка, выращиваемую культуру, сроки посадки, тип почвы, агроклиматическую зону и региональные особенности. Чтобы видеть объективную картину в динамике, мы подключаем спутниковые снимки NASA – в частности, данные аппаратов семейств Sentinel и MODIS. Они снимают поверхность с периодичностью в 1-2 дня и помогают удаленно отслеживать индекс вегетации, влажность и общий статус посевов.
В основе прогнозирования урожайности лежит модель машинного обучения XGBoost. Это алгоритм, который строит последовательность из множества мелких моделей, где каждая следующая автоматически исправляет ошибки предыдущих. Система параллельно анализирует массив факторов: температуру, осадки, характеристики почвы, спутниковые данные и текущий статус посевов. Модель находить закономерности на исторических данных. Например, как именно сочетание влаги, тепла и типа грунта влияло на урожай в прошлые годы. На базе этих связей алгоритм вычитывает точный прогноз на текущий сезон.
Алгоритмы машинного обучения не работают в изоляции – мы связываем их с классическими методологиями продовольственной и сельскохозяйственной организации ООН. В основу расчетов лег стандарт FAO-56: он точно определяет объем воды, необходимый растению в конкретный день с учетом температуры, типа почвы и текущего этапа вегетации.
Параллельно система высчитывает точную потребность в ключевых удобрениях – азоте, фосфоре и калии, а также прогнозирует, как дефицит влаги скажется на итоговом сборе. Такой подход объединяет математику и ИИ с фундаментальной агрономией, гарантируя точность расчетов.
«Фермеры – крайне консервативная аудитория»
– Сейчас в базе AgriX уже 62 культуры. Мы начинали с прототипа под кукурузу, но архитектуру сервиса изначально закладывали с расчетом на масштабирование. При этом фермерам ничего адаптировать не нужно – всю работу по добавлению новых растений полностью закрывает наша команда.
Процесс этот непростой и требует времени. Чтобы внедрить новую культуру, мы поднимаем имеющиеся исследования или проводим собственные изыскания с привлечением ученых проекта. Специалисты детально разбирают все параметры: сроки роста, температурные пороги, динамику потребления влаги, потребности в удобрениях, фазы развития и профильные риски. Только после оцифровки этих агрономических данных адаптируем логику системы, и культура становится доступной в сервисе.
Что касается команды, сейчас нас четверо. Я отвечаю за основной технический стек проекта: машинное обучение, серверную часть, разработку сайта и общую техническую реализацию продукта.
Мой научный руководитель и PhD Ботагоз Жарменова помогает со сбором, структурированием и обработкой данных. PhD Рахат Курманбаев отвечает за достоверность, качество и практическую применимость наших аграрных рекомендаций. А моя двоюродная сестра Аида Ажарбаева курирует финансовую часть: ценообразование, финансовую модель, бухгалтерский учет и общую экономическую логику проекта.
Фермеры – крайне консервативная аудитория, и продавать им «абстрактный ИИ» бессмысленно. Поэтому выстраиваем продажи через бесплатные пилотные участки. Логика такая: заходим на небольшую часть поля, отрабатываем сезон и демонстрируем реальный результат в цифрах – экономию воды, точный график полива и прирост урожайности. Когда аграрий видит эффект на собственной земле, доверие появляется автоматически.
Наш целевой сегмент – средние и крупные хозяйства, готовые к внедрению аналитики. При этом благодаря модульной системе продукт доступен и небольшим фермам. Им не обязательно покупать весь комплекс целиком – можно приобрести отдельную услугу под конкретную задачу. Сейчас предлагаем три автономных модуля: подбор трех наиболее рентабельных культур под параметры конкретного участка, детальный план ухода за полем или полный лабораторно-цифровой анализ почвы.
«До конца 2026 года мы рассчитываем выйти на реалистичный MRR в $1-3 тысячи»
– Зарабатывать мы планируем за счет продаж отдельных цифровых услуг. Фермер платит только за тот результат, который ему нужен прямо сейчас: будь то рекомендация по выбору трех оптимальных культур под его участок, готовый план ухода на сезон, полный цифровой анализ почвы или прогноз урожайности. Для крупных клиентов предусмотрен комплексный отчет по всему хозяйству. Такая монетизация снижает порог входа и позволяет работать с хозяйствами любого размера.
Платящих клиентов у нас пока нет: проект находится на стадии пилотных испытаний. Полноценное полевое тестирование проводили на участке родственников, а остальные тесты пока проходят в исследовательском формате на собственных небольших локациях. Главная задача сейчас – проверить точность алгоритмов, собрать обратную связь от аграриев и довести продукт до коммерческого релиза.
До конца 2026 года мы рассчитываем выйти на реалистичный MRR в $1-3 тысячи. В этот же период планируем добавить важную функцию – интеграцию с физическими датчиками почвы. Фермеры смогут подключать свои сенсоры влажности и других параметров, чтобы получать еще более точную аналитику в реальном времени. На данном этапе фокусируемся исключительно на работе с фермерскими хозяйствами.
«Не влюбляйтесь в своей первое техническое решение»
– Мой главный совет фаундерам и разработчикам – начинать не с кода, а с глубокого изучения проблемы клиента, и ни в коем случае не влюбляться в свое первое техническое решение. В реальном секторе сама по себе технология никому не интересна. Она приобретает ценность только тогда, когда закрывает конкретную боль бизнеса: экономит ресурсы, снижает риски или прямо помогает зарабатывать больше.
Если говорить о ближайших планах AgriX, то наша ключевая задача – довести платформу до полноценного коммерческого релиза, расширить линейку пилотов на разных культурах и зафиксировать первых платящих клиентов. После этого будем укреплять позиции в Казахстане и выходить в Центральную Азию.
Что касается моих личных амбиций, планирую дальше расти как технологический предприниматель. В перспективе мне интересно строить продукты именно на стыке искусственного интеллекта и реального сектора экономики – там, где алгоритмы дают измеримую практическую пользу.