Автоматизация бизнеса с ИИ: три уровня и ловушка, на которой все ломается

Обсудить

Этот текст написан в Сообществе, в нем сохранены авторский стиль и орфография

Аватар автора

Никита Бакшеев

Страница автора

У меня есть рабочие сборки для аудитов сайтов, сбора фактов о компаниях и подготовки контента. Логика везде одна: чем лучше инструмент знает бизнес, тем точнее результат. Сначала казалось, что дело только в объёме этих знаний.

Потом база выросла — и каждый следующий запрос стал заметно дороже предыдущего, хотя качество ответов почти перестало расти. Тогда стало ясно: автоматизация с ИИ ломается не на старте, а позже, когда данных становится много. Про то, как настроить нейросеть за вечер, пишут на каждом шагу. Про то, что происходит дальше, почти не говорят.

О Сообщнике Про

Интернет-маркетолог с девятилетним опытом. Помогаю малому и среднему бизнесу разбираться в вопросах маркетинга: SEO, контекстной рекламе, продвижении в нейросетях.

Это новый раздел Журнала, где можно пройти верификацию и вести свой профессиональный блог.

Уровень 1. Подписка на чат: личный помощник, а не автоматизация

В большинстве компаний автоматизация заканчивается покупкой подписки на ChatGPT или аналогичный чат. Человек открывает диалог, пишет пару промптов, получает эффект «вау» и на этом останавливается.

Подписка даёт быстрого собеседника: он напишет письмо, предложит заголовки, разложит сумбур из головы по пунктам. Но с рабочими процессами чат никак не связан. Он не знает вашу компанию и не помнит регламенты — каждый диалог начинается с чистого листа, пока вы сами не перескажете контекст заново.

Это полезный личный помощник для отдельных задач, но бизнес-процессы от него с места не сдвигаются.

Уровень 2. ИИ-агенты: мощно, но кнопки «сделать бизнес» нет

Агенты умеют работать напрямую с файлами: читают документы, запускают команды, ходят по папкам проекта и собирают результат по шагам. Я решаю такие задачи через агентов в Claude Code.

Цена этой гибкости — ваше время и технические навыки. Сборка агента требует понимания кода и часов отладки. Часто больше всего сил уходит на разбор того, почему агент сделал ерунду, хотя задача и правила были расписаны подробно.

Есть и второй риск, о котором редко думают заранее: агент обычно завязан на одну модель. Если доступ к ней изменится или условия станут невыгодными, вся конструкция встанет. Такой уровень подходит тому, кто готов разбираться в механике и поддерживать её руками.

Уровень 3. n8n и API: надёжно, но уже другие деньги

Следующий шаг — сценарии в конструкторе автоматизаций с подключением моделей по API. Я собираю их в n8n. Главный плюс: сценарий живёт отдельно от чата, его логику видно целиком, и его можно починить. Модель здесь становится сменной деталью, которую легко заменить на другую.

Подписки за 20 долларов тут уже не хватает: начинается оплата за каждый запрос по API. У меня на подобные процессы уходило порядка 1500 долларов — у другого бизнеса сумма будет своей, но порядок расходов уже совсем иной. При этом инфраструктура работает без вашего участия в рутине, но сама себя не обслуживает.

Такие вложения оправданы, когда процесс повторяется каждый день, напрямую связан с деньгами, а ошибка в нём обходится дорого. Если сценарий нужен «на попробовать» или вы сами ещё не понимаете, как процесс должен работать, переходить на API рано.

Два условия, без которых автоматизация ускоряет хаос

Внедрять ИИ имеет смысл, только когда сошлись две вещи:

  1. Процесс уже отлажен. Вы точно знаете, из каких шагов он состоит и в каких местах обычно ломается. Без этой карты агент просто повторит ваши ошибки, только быстрее.
  2. Есть человек на управлении и проверке. Агенты ошибаются, причём делают это уверенно. Кто-то должен ставить им задачи, смотреть на результат и решать, что уходит в работу, а что на переделку.

Агент сам по себе порядок не наводит — он масштабирует то, что вы ему передали.

Главная ловушка: база знаний съедает токены

Когда начинаешь кормить нейросеть фактами о бизнесе, сначала всё выглядит логично: больше контекста — точнее ответ. Проблема вскрывается на счётчике токенов.

Модель тянет в контекст всё, что ей передали, и на каждом запросе заново читает весь архив, даже если для ответа нужны три строки. Чем больше база, тем больше лишнего текста оплачивается в каждом обращении: вы платите за данные, которые модель прочитала и отбросила. В какой-то момент расходы начинают расти в разы быстрее, чем практическая польза.

Собрать базу знаний — только половина дела. Вторая половина — научиться доставать из неё строго нужное перед каждым запросом.

Как я вышел из этого: отбор вместо загрузки всего подряд

Урезать саму базу — плохой вариант: факты нужны. Менять пришлось способ работы с ней.

Сначала я собрал структурированную базу с лексическим отбором. Перед отправкой запроса система по ключевым словам и темам выбирает только нужные фрагменты и не тащит в контекст весь архив.

Дальше я перешёл к более сложным схемам:

  • RAG — система сначала ищет релевантные куски в базе по смыслу и передаёт в модель только их.
  • GraphRAG — работает по тому же принципу, но опирается на граф связей между фактами. Система понимает, как сущности связаны между собой, и подтягивает нужную цепочку, а не целый раздел.

Одной галочкой в настройках это не включается: по сути, появляется отдельный инженерный слой проекта. Зато результат прямой — каждый запрос стоит дешевле, а ответы становятся точнее, потому что в контексте нет шума.

Как выстроить работу, если бюджет — только подписка

Если платить за API пока нет смысла, подписку всё равно можно использовать намного эффективнее, чем обычный чат. Главное — собрать базу знаний и разделить роли.

Рабочий порядок действий такой:

  1. Выберите один узкий участок. Например, обработку входящих заявок, подготовку коммерческих предложений или разбор отзывов. Опишите его по шагам и отметьте, где чаще всего возникают сбои.
  2. Соберите базу фактов. Выпишите в отдельные файлы всё, что опытный сотрудник держит в голове: продукты, правила расчёта цены, частые возражения, формулировки и запреты (что клиенту говорить нельзя).
  3. Разделите задачи между несколькими ассистентами внутри подписки. Один готовит черновик по вашим правилам, второй проверяет факты по базе, третий правит тон. Проверка здесь так же важна, как генерация. Там, где сервис позволяет, соедините их в цепочку.
  4. Обкатайте на одном процессе. Если результат слабый, дорабатывайте правила, базу и постановку задачи, прежде чем покупать новые инструменты. Расширяться на другие участки стоит только после того, как первый заработал стабильно.

Такой подход звучит скучно, но именно он отличает «поиграли с промптами» от рабочего инструмента. Работает при этом сама структура знаний и правил, а конкретное название сервиса вторично.

Что это дало на практике

По этому принципу сейчас работают мои внутренние инструменты для аудитов, сбора фактуры и контента, а похожие схемы я внедрял в клиентских проектах. Ничего из этого не крутится полностью автономно: в основе лежат правила и отбор данных, и только поверх них — языковая модель.

Главный эффект для меня в том, что удалось разгрузить участки, которые раньше тормозил человеческий фактор. Внимание команды вернулось туда, где оно действительно нужно: машина собирает и раскладывает данные, а люди принимают решения.

Перепрыгивать через уровни — от обычного чата сразу к дорогой инфраструктуре на API — почти всегда лишние траты. Настоящая автоматизация с ИИ начинается со скучной базы: описать процесс, собрать факты, настроить отбор и оставить человека на контроле.

бизнес
Сообщество
Катерина Тожибаева
Ищу родную мать