Кейсы внедрения ИИ

Самая важная цифра в этом кейсе - не 49%, а «три»: три автоматизации планировали, 26 внедрили. И именно потому, что автор разбора отказался приписывать рост выручки нейросетям, этому кейсу можно верить.

Автор открыл чат с ИИ-моделью, отправил 90 запросов и не написал ни строчки кода руками. Тесты он не запускал ни разу. Результат — в проде: мессенджер Calab 0.3.1, сборки под macOS, Windows, Linux, веб-версия и лендинг. Узким местом стал вовсе не код.

Нормализацию НСИ откладывают ровно потому, что она не приносит выручки. И это правда: считать её выгоду в выручке не надо. Счёт приходит в другом месте: в человеко-часах, которые никто не табелирует, и в рублях, размазанных по накладным, остаткам и повторным закупкам. Разбор SOFROS AI/ML на Habr ставит вопрос ребром: сколько компания теряет на «грязных» справочниках и сколько из этого возвращает нормализация - и возвращает ли вообще.

Разметить обратную связь одним запросом к модели - самый быстрый путь к отчёту, которому нельзя верить. Команда Авито Рекламы разложила эту работу по ролям: языковые задачи - агентам, механические - коду, договорённости о категориях - людям.

Кажется, что разметить обратную связь пользователей - это одна задача и один ИИ-агент. На практике проигрыш там, где одну модель просят одновременно понять смысл комментария, ничего не потерять и соблюсти общие правила. Команда Авито Рекламы решила это не новой моделью, а разделением ролей: несколько специализированных агентов, Python-помощник и обновляемая таксономия разметки.

Самый дорогой и самый ненадёжный способ разобрать обратную связь клиентов: отдать её одной большой модели «на подумать». Команда Авито Рекламы поступила наоборот. Она собрала конвейер из специализированных ИИ-агентов, Python-помощника и обновляемой таксономии. У каждого инструмента в нём своя роль, а не общая ответственность за результат.

Более 260 приложений в проде, 150 авторов — и ни один программист не открыл исходники ни одного из них. Формально это описание аварии, а не достижения. Flowwow работает так уже четыре месяца. Здесь прячется самый полезный для малого бизнеса вопрос: что делать, когда код писать умеет ИИ-агент, а проверять его по-прежнему дорого и медленно.

Разработчик проверил ровно то, что видит пользователь: бот запускается, команды понимает, считает верно. Этого хватило, чтобы считать проект готовым, но не хватило, чтобы сервер дожил до конца недели. Взломали не код — строку в файле конфигурации, которую никто не читал.

Два бизнеса платят за смены одинаковую сумму и получают разный результат. У одного в семь вечера очередь и ушедшие клиенты, у другого в полдень три человека смотрят в пустой зал. Дело не в людях и не в бюджете на персонал, а в одной цифре, которую почти никто не считает: сколько клиентов придёт в каждый конкретный час.

Парадокс локального ИИ в магазине: чтобы продавать, не нужна самая умная модель, нужна самая дисциплинированная. На Habr автор собирает помощника покупателя, в котором нейросеть на 9 млрд параметров только ведёт диалог, а скидку, сумму и состав заказа считает обычный код. Именно это разделение, а не размер модели, даёт цифры, которым можно верить.

Обычно автоматизируют то, что делают люди, - ответы клиентам. В кейсе MTS автоматизировали другое: проверку этих ответов. Бот отвечает мгновенно и без выходных. А контроль за тем, что именно он отвечает, упирается в человека: он читает диалоги глазами и успевает просмотреть лишь часть.

Единственный способ узнать, как бот поддержки работает на самом деле, — прочитать все его диалоги. Поэтому так почти никто не делает: рук хватает на проценты трафика, а решения об улучшениях принимаются по этим процентам. Команда продукта MWS AI «Клиентский сервис» (MTS AI) убрала ограничение: ручную оценку качества ботов заменила метрика на базе LLM, и потолок проверки вырос с 3000 сессий в месяц до 100 сессий в секунду.

Потери зерна на уборке стоят дороже, чем самая дорогая электроника на комбайне. Но платят здесь не за сенсоры, а за паузу между ошибкой и её обнаружением. Пока проба едет в лабораторию или ждёт приёмки на элеваторе, комбайн уже ушёл на другое поле. Исправлять нечего.

Шесть минут, в которые окно не отвечает, дизайнер читает как поломку. Программа в этот момент работает: она считает. Разница между «сломалось» и «считает» уместилась в одну строку журнала замеров — и определила, кому достанется задача: человеку или двум нейросетям.

Самая заметная цифра в этом кейсе, 99,6%, почти ничего не говорит о силе искусственного интеллекта. Она говорит о другом: насколько однообразными были задачи, которые ему отдали. Это главный практический вывод истории, которую команда DBA Сбера описала на Habr.

553 отклика за три недели, три собеседования. Если считать по конверсии, получится 0,5%. Это не провал автоматизации, а её честный портрет. Разбор интересен не тем, что агенты справились с рутиной, а тем, что произошло с результатом, когда роботов поставили по обе стороны найма.

У сети фастфуда уже было всё, чтобы ловить ошибки сборки: касса знала состав заказа, камеры видели, что уехало в пакете. Не хватало связи между этими версиями правды — и, пока её не было, недостачи и жалобы оставались статистикой, которую некому разобрать.

Самый дорогой час в ресторане — тот, который управляющий тратит на просмотр записи. Камера пишет сутки, а найти в них одну спорную выдачу нечем: у кассы своя правда, у видео своя. Кейс сети быстрого питания о том, как 24 часа записи превратились в 30 секунд и минуту разбора.

Пока индустрия спорит, заменит ли ИИ программиста, модель пригодилась на куда более скромной работе — описании merge request. Тексте, который никто не любит писать, но без которого не проходит ни одна правка.

Почти каждое внедрение ИИ в операционку малого бизнеса умирает одинаково: ассистенту один раз выгружают данные, он отвечает на первый десяток вопросов. Через неделю он рассказывает про прошлое. «МойСклад» пошёл против этого сценария: ассистенты получили прямой доступ внутрь учётной системы через протокол MCP. Самое интересное началось не с ответов, а с поручений.