Как внедрить ИИ-ассистента за 2 недели: чек-лист для бизнеса в РФ

Запрос «можете внедрить ИИ?» мы слышим почти каждый день. За ним стоят очень разные задачи: одни хотят чат-бот на сайт, другие — автоматизацию обработки заявок, третьи — генерацию контента в промышленном масштабе. Хорошая новость: большинство таких задач реально закрыть за две недели. Плохая: примерно треть проектов ломается ещё до запуска — из-за слабого брифинга, нереалистичных ожиданий или технических упущений.

Эта статья — пошаговый план, который мы сами используем в работе. Он подойдёт для e-commerce (автоматизация поддержки и ответов на типовые вопросы), SaaS-продуктов (онбординг, помощь внутри интерфейса), агентств (генерация контента, суммаризация брифов) и любого бизнеса, где есть повторяющиеся диалоги или документооборот.

Один важный момент: «ИИ-ассистент» — это не кнопка. Это продукт, который нужно проектировать, тестировать и поддерживать. Две недели — реалистичный срок для пилота, но не для идеального решения. Цель первых двух недель — проверить гипотезу и получить работающий прототип на реальных данных.

День 1-2: Брифинг и аудит

Самый важный этап — и самый недооценённый. Именно здесь закладывается 80% будущего успеха или провала.

Что обсудить с командой:

Начните с вопроса «Какую задачу мы хотим автоматизировать?» — но не останавливайтесь на первом ответе. Обычно за «хотим чат-бот» скрывается конкретный болевой сценарий: менеджеры тратят 3 часа в день на одинаковые вопросы о доставке, или отдел поддержки не справляется с объёмом в пиковые периоды.

Хорошие кандидаты на автоматизацию:

• Процессы с повторяющимися вопросами и предсказуемыми ответами (первичная поддержка, FAQ, квалификация лидов)
• Задачи с чётко структурированными входными данными (обработка форм, заявок, документов)
• Генерация контента по шаблонам (описания товаров, коммерческие предложения, отчёты)

Плохие кандидаты:

• Юридические решения и финансовые консультации без обязательного участия специалиста
• Задачи, где ошибка ИИ критична и нет процесса проверки
• Процессы, где контекст каждый раз уникален и требует глубокой экспертизы

Как мерить эффект:

Определите метрику до запуска, иначе «ИИ работает» останется ощущением, а не фактом. Обычно это: время ответа на типовой запрос, количество заявок, обработанных без участия человека, или время, которое команда тратит на рутину в неделю.

Что подготовить к концу брифинга:

• Описание конкретного сценария (какой диалог или процесс автоматизируем)
• Примеры реальных запросов/диалогов (50-100 штук)
• Список ограничений (что ИИ не должен делать или говорить)
• Точка эскалации (когда и как передавать диалог человеку)

День 3-5: Дизайн агента

Здесь принимаются ключевые технические решения: какую модель использовать, как строить промпт, какие ограничения ставить.

Выбор модели:

Нет универсального ответа — каждая модель имеет свои компромиссы:

• GPT-4o (OpenAI) — хороший баланс качества и цены, отличное понимание русского языка, широкая поддержка инструментов. Данные обрабатываются на серверах OpenAI (США). Для большинства коммерческих задач — оптимальный выбор.
• Claude 3.5 Sonnet (Anthropic) — сильнее в следовании инструкциям и работе с длинными документами. Хорошо справляется с задачами анализа и суммаризации. Тоже обработка на зарубежных серверах.
• GigaChat Pro (Сбер) — российский провайдер, данные остаются в РФ, совместим с 152-ФЗ. Русскоязычные задачи обрабатывает хорошо, для узкоспецифичных запросов может уступать GPT-4o.
• YandexGPT Pro — аналогично: российский, 152-ФЗ-совместимый, хорош для базовых задач на русском языке.

Практическое правило: если нет требований 152-ФЗ — начинайте с GPT-4o или Claude. Если данные должны оставаться в РФ — GigaChat или YandexGPT, плюс self-hosted-варианты.

Prompt engineering:

Хороший системный промпт — это не «будь вежливым ассистентом». Это детальные инструкции с:

• Ролью (кто агент, чем занимается компания)
• Контекстом (какую базу знаний использует)
• Ограничениями (что отвечать нельзя, на что эскалировать)
• Форматом ответа (как структурировать, как долго отвечать)

На кейсе AntiOnko мы строили промпт для первичной консультации по онкологическим программам — там guardrails были критически важны: агент не должен был ставить диагнозы или давать медицинские рекомендации, только направлять к специалисту.

Guardrails (ограничения):

Определите список запрещённых действий: конкурентная тематика, юридические советы, финансовые обещания, персональные медицинские рекомендации. Это реализуется на уровне системного промпта плюс дополнительная проверка вывода при необходимости.

Точка эскалации:

Обязательно: при каком условии агент переключает диалог на человека. Варианты: пользователь явно просит оператора, агент не уверен в ответе (низкий confidence), тематика выходит за рамки знаний.

День 6-10: Интеграции и тесты

Самый технически трудоёмкий этап. Здесь решается, как агент получает данные и куда их отдаёт.

Типичные интеграции:

• CRM (amoCRM, Bitrix24, HubSpot) — создание лидов, запись истории диалогов, смена статусов
• Мессенджеры (Telegram, WhatsApp Business, Viber) — через официальные API или Chatwoot как агрегатор
• База знаний — документы в PDF/DOCX загружаются в векторную БД (Pinecone, Qdrant, pgvector), агент ищет по ней в реальном времени (RAG-архитектура)
• Email — чтение входящих и отправка ответов
• Внутренние системы — 1С, собственные API, ERP

На проекте Wote.io мы интегрировали агента с PostgreSQL для получения данных об опросах в реальном времени — это позволило давать персонализированные ответы на вопросы пользователей о конкретных их данных.

Тестирование:

Минимальная программа тестов:

• 50-100 «золотых» диалогов — случаи, которые агент должен обработать правильно
• Пограничные кейсы — запросы вне области знаний агента
• Попытки «взлома» — просьбы нарушить ограничения, ролевые игры, инъекции
• Нагрузочное тестирование — одновременные запросы в 10-20x от ожидаемого объёма

Результат: матрица качества. Обычно на этом этапе выясняется, что 10-20% диалогов агент обрабатывает плохо — это нормально для пилота, но это нужно знать до запуска.

День 11-14: Запуск и обучение

Пилот на ограниченной аудитории:

Не запускайте сразу на всех. Лучший паттерн: сначала 10-15% трафика или аудитории, параллельно с человеком. Это позволяет поймать проблемы до того, как они ударят по всем пользователям.

Мониторинг диалогов:

В первые дни читайте диалоги вручную — это самый быстрый способ найти проблемы. Обычно мы делаем ежедневный review первую неделю: смотрим, где агент ошибается, где пользователи уходят, где срабатывает эскалация.

Тюнинг:

На основе первых диалогов корректируем промпт, добавляем в базу знаний пропущенные кейсы, уточняем guardrails. Обычно 2-3 итерации за первую неделю после запуска.

Обучение команды:

Покажите людям, которые будут работать рядом с агентом: как читать историю диалогов, как передавать эскалированные запросы, как добавлять новые знания в базу.

Сколько это стоит

Стоимость складывается из двух частей: разработка и операционные расходы на токены.

Разработка (разово): зависит от сложности интеграций. Базовый чат-бот с Telegram и простой базой знаний — от 150-300 тыс. руб. Полная интеграция с CRM, несколькими каналами и RAG на большой базе документов — 500 тыс. - 2 млн руб. Это порядки, не точные цифры — нужен бриф.

Токены (операционно, в месяц):

• ИИ-ассистент на 100 диалогов/день — 50-200 тыс. руб./мес при использовании GPT-4o. При переключении на более дешёвые модели для простых запросов — 30-80 тыс. руб./мес.
• Контент-фабрика на 50 статей/мес — 30-100 тыс. руб./мес.
• GigaChat и YandexGPT дешевле по токенам, но нужно проверять качество под конкретную задачу.

Конкретный расчёт под вашу нагрузку можно сделать только после брифинга — слишком много переменных.

На чём ломаются проекты

За несколько лет работы мы видели одни и те же ошибки:

1. Нет брифа — есть «просто сделайте ИИ» Самая частая причина провала. Без понимания конкретного сценария, метрик и ограничений — получится дорогой эксперимент. Бриф занимает 1-2 дня, но экономит недели переделок.

2. Переоптимизировали промпт в теории, не тестировали на реальных данных Красивый системный промпт на 2000 слов не означает хорошее поведение агента. Только тесты на реальных диалогах показывают правду.

3. Нет fallback на человека Агент всегда будет ошибаться в каких-то ситуациях. Если нет механизма передачи диалога человеку — эти ошибки будут видеть пользователи, и они будут злиться.

4. Не считают токены до запуска «Ой, оказалось дорого» — это удар по бюджету после запуска. Расчёт токенов по ожидаемой нагрузке нужно делать в начале, не в конце.

5. Нет процесса обновления Агент запустили, забыли. Через месяц база знаний устарела, промпт не покрывает новые вопросы, качество падает. Нужен регулярный цикл: review диалогов → обновление базы знаний → тюнинг промпта.

Чек-лист готовности

Перед тем как начать внедрение, проверьте:

1. Описан конкретный сценарий автоматизации (не «ИИ для бизнеса», а «ответы на вопросы о доставке в чат на сайте»)
2. Есть 50+ примеров реальных запросов из этого сценария
3. Определена метрика успеха (например: 70% вопросов закрывается без оператора)
4. Есть ответ на вопрос «где остаются данные» — особенно если работаете с персональными данными клиентов
5. Определена точка эскалации на человека
6. Команда знает, кто будет отвечать за агента после запуска
7. Сделан расчёт токенов на ожидаемую нагрузку
8. Готова база знаний (документы, FAQ, правила)
9. Есть понимание, куда агент будет интегрирован (мессенджер, сайт, CRM)
10. Выделено время на тестирование — минимум 3-4 дня до запуска

Если галочки стоят на всех 10 пунктах — вы готовы. Если нет — вернитесь к брифингу.

---

Готовы обсудить вашу задачу? Запустим пилот за 2 недели — смотрите что входит в ИИ-автоматизацию или напишите нам на info@lb-24.ru.