Кейсы внедрения ИИ-агентов и автоматизации: цифры, которые можно проверить

Задача

Сотня клиентов задаёт одни и те же вопросы по сложной зарубежной системе управления стадом. Поддержка не масштабируется, знания разбросаны по документации, письмам и обучающим видео.

Что сделали

Собрали цифровой корпус знаний, включая расшифровку обучающих видео. Развернули мультитенантного ИИ-помощника: ответы строятся только на корпусе, каждый факт снабжён ссылкой на источник, при отсутствии данных помощник честно отказывается отвечать. Добавили историю диалогов для каждого пользователя, потоковый вывод и мобильную версию.

Результат

• Корпус из 236 документов и 1955 фрагментов, 8 тематических карт, ноль битых связей
• От техзадания до работающего прода на боевом домене — 5 дней
• Сто клиентов обслуживаются одной инсталляцией: сто учётных записей вместо ста развёртываний
• Система работает в продакшене на боевом домене с июля 2026; площадка размещения и состав данных, уходящих провайдеру модели, фиксируются в договоре

Задача

Очередь неотвеченных вопросов покупателей росла быстрее команды. Возвраты и отзывы обрабатывались вручную, не было ни ролей, ни сроков реакции, ни понимания, кто за что отвечает.

Что сделали

Построили платформу обработки клиентских обращений: реестр трёх типов обращений, таймеры сроков реакции, ролевая модель доступа, автосборщик возвратов через API площадки, панель решений, оспаривание отзывов, выгрузка в Excel и уведомления. Написали документацию по ГОСТ ЕСПД и собрали пакет передачи.

Результат

• Перенос истории один в один: 149 191 заказ, 111 406 сообщений, 54 976 отзывов, 43 шаблона ответов — без потерь и расхождений
• Приёмка переноса платформы пройдена с полным прогоном автотестов — все зелёные
• Три независимые проверки качества, включая ревью другой модельной семьёй вслепую
• Полный цикл подтверждён живым ответом реальному покупателю; по проекту подготовлен полный комплект документации по ГОСТ ЕСПД

Задача

Мебельный канал на крупном классифайде годами тратил рекламный бюджет вслепую: в отчётах стояли нули по показам и расходу. Внутри компании считалось, что площадка эти данные просто не отдаёт, — и никто эту версию не проверял.

Что сделали

Подняли официальную документацию площадки и выяснили, что запросы годами уходили в устаревшую версию API, где показов и расхода нет по самой схеме данных. Переписали сборщики на актуальную версию, добавили кошелёк и звонки, сделали бэкофилл истории, поставили расписание сбора и сторожа данных, который замечает пропажу метрик, а не молчит.

Результат

• Бэкофилл за 30 дней: 108 649 показов и 36 277 ₽ расхода подняты в систему — вместо прежних нулей
• Посчитана реальная цена контакта: 227 ₽ за контакт при 3,74 ₽ за клик
• Доказано на данных: ставка почти не влияет на количество контактов (связь 0,02) — рост ставки увеличивал расход, а не результат
• Решение о рекламном бюджете впервые опирается на цифры площадки, а не на предположение

Задача

Приход с маркетплейса в учётной системе считался по гипотезе: правило вычитало фиксированные 25 % комиссии и было прямо помечено в коде как оценка. Фактических финансовых отчётов площадки в базе не было ни одного. Из-за этого нельзя было ответить на главный вопрос собственника: канал прибыльный или убыточный.

Что сделали

Подняли настоящие отчёты о реализации из API площадки и разложили деньги по компонентам: комиссия, эквайринг, логистика, хранение, штрафы, удержания. Выяснили корень путаницы — колонки кабинета считаются от разных баз, и скидку покупателю платит площадка, а не продавец. Построили независимую сверку с личным кабинетом и покрыли её тестами. План и код прошли двойное слепое ревью двумя разными модельными семьями: три вердикта «красный» подряд, каждый по делу.

Результат

• Сверка с личным кабинетом сошлась в 0,00 ₽ — 15 отчётов, 12 компонентов расчёта
• Прогноз занижал приход на 1 953 200 ₽ (21,7 %) за семь месяцев: ошибка систематическая, ни одного месяца в другую сторону
• Фактические удержания — около 13,1 % вместо зашитых в модель 25 %
• Канал признан прибыльным — около 1,73 млн ₽ чистыми за семь месяцев; прежний вывод об убыточности опровергнут фактом

Задача

Каталог из 650 живых карточек мебели без нормальных описаний. Модерация площадки браковала тексты, не объясняя причину: код отказа один и тот же, а что именно не нравится — не сказано. Писать вручную такой объём — месяцы работы копирайтеров.

Что сделали

Собрали контент-конвейер на ИИ и вывели правило модерации экспериментом: пускали пробные карточки и сравнивали принятые с отклонёнными, пока не стало видно, что площадка бракует за структуру перечисления, а не за слова. Правило зашили в валидатор, который проверяет каждый текст до отправки. Затем сгенерировали и залили описания на весь каталог, добавили расширенный контент и группировку карточек в коллекции.

Результат

• Написано 650 из 650 описаний — 1,8 млн знаков, медиана 2808 знаков на карточку
• Модерация приняла 648 из 650, отклонено — ноль
• Расширенный контент у 647 карточек, медиана контент-рейтинга площадки — 77,5
• Правило модерации выведено и переиспользуется: один факт — одно предложение, не меньше 18 предложений, средняя длина до 150 знаков
• Что ещё в работе и мы это не прячем: 127 карточек пока не находятся в поиске площадки — это следующий этап

Задача

Нужен канал внутренней коммуникации, который можно разместить в своём контуре: без внешних облаков, с шифрованием, звонками и контролем над тем, кто вообще попадает внутрь.

Что сделали

Разработали self-hosted мессенджер: шифрование сообщений, двухфакторная аутентификация, вход только по приглашению, звонки один на один напрямую между устройствами и групповые через собственный медиасервер. Уже после первого релиза прогнали продукт через кросс-вендорное ревью — код смотрели вслепую две разные модельные семьи.

Результат

• Версия 1.0.0 в собственном контуре с апреля 2026
• Кросс-вендорное ревью нашло и закрыло 32 дефекта, 12 из них критические, — то, что внутреннее ревью пропустило
• Групповые звонки до 5 участников через собственный медиасервер, персональные — напрямую между устройствами
• Данные и переписка хранятся на собственном сервере: внешних облаков в схеме хранения нет

Задача

Направление продавалось на двух площадках без внятной аналитики, без единого бренда и без собственного сайта. Непонятно, какие позиции зарабатывают, а какие занимают место.

Что сделали

Прошли полный цикл: разбор выгрузок продаж и юнит-экономики по каждой позиции, ребрендинг, сбор семантического ядра, новый сайт и деплой. Контент карточек и сцен делала наша же контент-фабрика.

Результат

• 77 SKU разобраны по юнит-экономике: видно, какие позиции зарабатывают, а какие занимают склад
• Посчитан результат направления: 4,3 млн ₽ выручки за квартал, 916 тыс. ₽ прибыли, маржа 21,2 %, возврат на вложенные — 92,7 %
• Семантическое ядро на 110 ключевых запросов, аудит удобства и конверсии по 12 страницам
• Собственный сайт направления собран и выкачен в прод

Задача

Цена на витрине и в учётной системе считалась по разным формулам и расходилась. Доставка проставлялась руками, по-разному в разных категориях, и обосновать её покупателю было нечем.

Что сделали

Свели ценообразование к одному правилу без исключений и пересчитали по нему весь ассортимент. Доставку вынесли в автотариф по объёму — ступенями, вместо ручной простановки. Витрину и учётную систему выкатили в одном окне: разнесённый выкат уже приводил к тому, что часть товара сутки продавалась дороже положенного.

Результат

• 1 715 цен пересчитано по единой формуле, средняя дельта +489 ₽
• Сверка после выката: 488 позиций из 508 совпали точно; оставшиеся 20 разошлись из-за расхождения копий себестоимости — то есть повели себя правильно
• Габариты нашлись только у трети ассортимента: стандартная проверка «поле заполнено» этого не показывала, там лежал пустой объект. Построили каскад источников с медианой по категории как последней ступенью
• Правило, выведенное из этого проекта: ценовую модель выкатывают обоими контурами в одном окне или не выкатывают вовсе

Задача

Производителю нужен был индексируемый сайт-каталог с расчётом под задачу клиента — чтобы посетитель сам понимал, подходит ему оборудование или нет, и не занимал этим менеджера.

Что сделали

Спроектировали и собрали сайт на 27 адресов, выкатили — и прогнали девять аудитов уже по живому сайту, а не по макетам. Отдельно сделали калькулятор проходимости в лифт и заложили в него асимметрию: отрицательный вывод категоричен, положительный невозможен в принципе.

Результат

• Главная кнопка была нечитаема на всех 34 страницах — контраст 3,21 при норме 4,5 из-за конфликта селекторов
• Запрет переноса строки у служебных маркеров распирал 22 страницы на телефоне
• Форма заявки отправляла в никуда: обработчик только писал в лог
• Постоянный интерфейс на мобильном срезан с 60,9 % экрана до 19,7 %
• В калькуляторе положительного вердикта нет на уровне типа данных: «не проходит» — чистая геометрия, а «пройдёт» зависит от проёма, массы и поворота коридора, и ложное «да» означает сорванную доставку у живого человека

Задача

Одностраничный сайт не вмещал ассортимент и не давал заходить в поиск по отдельным запросам. Нужна была структура, выдерживающая позиционирование «премиум», а не просто больше страниц.

Что сделали

Развернули лендинг в многостраничник: спроектировали разделы под реальные запросы, переработали типографику и сетку. Премиальность на сайте делается воздухом, ритмом и сдержанностью — проще всего испортить её попыткой добавить «богатости».

Результат

• Структура под поисковые запросы вместо одной страницы «обо всём»
• Типографическая система: единая шкала размеров, ритм и отступы вместо набора разрозненных блоков
• Проект остаётся в портфолио как образец работы с премиальным сегментом

Задача

Искать тендеры руками — значит смотреть одну площадку из шестнадцати и опаздывать на остальных. Нужна была система, которая собирает лоты сама и не врёт, когда источник ломается.

Что сделали

Написали обходчик с отдельным маршрутом под каждую площадку: где-то открытый JSON, где-то разбор разметки, где-то данные лежат внутри самой страницы. Добавили добычу документации — система скачивает техническое задание и проект контракта и достаёт из них текст. Главное в конструкции не сбор, а канарейки: площадка на неверно заданный вопрос отвечает кодом 200 и общей лентой.

Результат

• 4 022 сырых лота за один обход с шестнадцати площадок, такт дважды в сутки
• Каждый источник сверяет свою выдачу с лентой без запроса и выбрасывает результат, если они совпали: на запрос про разработку ПО первой приходила «Поставка компотов»
• Отдельная проверка ловит обратный случай — ноль лотов при коде 200 считается отклонением, а не пустым днём
• Проверка документации помечает лоты, где нужны права на чужое ПО: без неё половина отобранного оказывается недоступной, и выясняется это только при подготовке заявки
• Каждое отсечение подписано причиной — молчаливых отказов в системе нет

Задача

Решение «входить в актив или пропустить» стоит миллионы, а принимается на данных, которые собирают неделями. Классический разбор лицензионного участка — это геолог, специалист по разработке, проектировщик обустройства и экономист, две–четыре недели работы и счёт от внешнего консалтинга. Пока считают, лот с аукциона уходит. Отдельная потеря — активы, отложенные как неокупаемые: «не окупается» и «не окупается при этих допущениях» — разные утверждения, но проверить второе руками некогда.

Что сделали

Собрали контур из шести инженерных агентов, работающих каскадом: поиск лотов на аукционах недр и площадках → геология и подсчёт запасов → профиль добычи → обустройство со спецификациями и метражами → экономика с налогами → инвестиционное решение. Каждый агент передаёт результат следующему, каждый шаг сверяется по двум-трём независимым источникам. Запасы считаются четырьмя независимыми методами: по открытым отраслевым источникам, по месторождениям-аналогам в радиусе 50–100 км, нейросетевой моделью градиентного бустинга по 25 геологическим параметрам и классическим объёмным методом — и сводятся в вероятностный диапазон. Экономика считает капитальные и операционные затраты, налог на добычу, налог на дополнительный доход, обратный акциз и налог на прибыль по нормативным моделям, с анализом чувствительности по ключевым драйверам.

Результат

• Полный прогон по активу — единицы минут вместо двух–четырёх недель ручного разбора
• 24 расчётных инструмента в одном контуре, шесть агентов в каскаде
• Запасы считаются четырьмя методами, и расхождение между ними не усредняется, а показывается вероятностным диапазоном
• Нейросетевая модель обучена на выборке из 3 445 месторождений
• Ни одна цифра не генерируется языковой моделью: всё считается по данным, и каждая величина прослеживается до своего источника
• На выходе — инвестиционный меморандум и решение «входить, пропустить или развивать», а не текст, похожий на отчёт

Задача

Кампании не приносили результата. Причину искали в бюджете и ставках — там её не было.

Что сделали

Разобрали кабинет по швам: расформировали пакетную стратегию и задали каждой кампании свою, перевели оплату на клики до накопления истории, выбрали собственное событие вместо автоцели, вычистили битые ссылки из объявлений, принудительно перекачали товарный фид.

Результат

• Обе кампании оптимизировались на цель с нулём достижений за неделю: стратегия училась на событии, которого не происходило
• Соседняя мультицель на 71 % состояла из автоцели «отправка всех форм», а поиск по сайту реализован формой — оптимизация на неё учила бы систему на тех, кто листает каталог, а не покупает
• Расхождение «площадочного отсева» товаров оказалось не отсевом, а устаревшим снимком фида: после перекачки 276 позиций превратились в 298
• Блокер, который считали главным, снят: не хватало не бюджета и не конверсий, а правильной цели