Нейросети для бизнеса

С чего начать

Модель имеет смысл ставить там, где задача повторяется десятки раз в день и съедает зарплатный фонд: обработка заявок, ответы на типовые вопросы, разбор документов, сортировка лидов, подготовка контента. По нашим проектам в Казахстане окупаемость наступает за 2-5 месяцев, если у компании от 300 обращений в месяц и есть хотя бы базовая CRM или таблица с историей сделок.

А вот где мы честно отговариваем: продаж меньше 50 в месяц, нестандартный продукт с длинным циклом согласований, отсутствие любой системы учёта. Сначала наводят порядок в процессах, и только потом подключают нейросети для бизнеса - иначе автоматизируете хаос и получите дорогой хаос. Один клиент из Алматы сэкономил 1 100 000 ₸ в год на боте поддержки; другому из той же ниши мы вернули предоплату и предложили вернуться через полгода, когда у него появится поток.

Начинать стоит не с выбора «какую нейросеть купить», а с одной болевой задачи и цифры, по которой будет видно, сработало или нет. Это может быть время первого ответа клиенту, доля заявок, закрытых без менеджера, часы на ручной ввод документов или процент замороженных остатков на складе. Мы берём такую задачу, считаем потенциальный эффект в тенге и запускаем пилот на узком участке - без обещаний «искусственный интеллект перевернёт ваш бизнес».

Что закрывают по типам

Нейросети делятся не по брендам, а по тому, с чем они работают: текст, изображения, голос, цифры. Под каждый тип задач - своя модель и свой способ внедрения.

Где окупается, где рано

Не каждую задачу стоит автоматизировать. Ниже - где модель приносит деньги быстро, а где сначала нужно дорастить процессы или объём.

Как мы внедряем

Сначала разбираем задачу: где уходят деньги и время, сколько стоит час сотрудника и цена ошибки. Из этого выбираем 1-2 участка с максимальной отдачей и считаем ожидаемый эффект в тенге - без этого любая бюджетова была бы выдуманной. Дальше подбираем тип модели под задачу: для диалогов берём LLM, для документов - распознавание, для прогнозов - обучение на ваших данных.

Ключевой момент - подключение к вашим данным через RAG. Модель отвечает не «из головы», а по вашим прайсам, регламентам и договорам: это убирает выдумки и делает ответы пригодными для клиента. Прототип собираем за 1-2 недели и прогоняем на 200-300 тестовых сценариях, правим промпты и логику, пока ответы не станут стабильными. Только после этого связываем решение с amoCRM, Bitrix24, 1С, WhatsApp и Telegram и выводим на часть трафика.

Промпт и сценарии - это отдельная инженерная работа, а не «спросить у модели как у поисковика». Мы прописываем, что бот делает с типовым вопросом, как ведёт себя при незнакомом, когда зовёт человека и какой тон держит. На незнакомом запросе модель не выкручивается, а честно передаёт диалог менеджеру с готовым контекстом - это надёжнее, чем рисковать неверным ответом клиенту.

Термины простыми словами

Нейросеть (LLM)

Языковая модель, которая понимает текст и отвечает связно. Основа чат-ботов, генерации контента и анализа переписки.

Промпт

Инструкция для модели. От её точности зависит до 80% качества ответа - это отдельная работа, а не «спросить как у поисковика».

RAG

Подключение модели к вашей базе знаний: прайсам, регламентам, договорам. Бот отвечает по вашим данным, а не выдумывает.

Галлюцинация

Когда модель уверенно выдаёт неверный факт. Лечится привязкой к данным через RAG и правилом «не знаешь - зови человека».

Дообучение (fine-tuning)

Настройка модели под ваш тон и специфику на ваших примерах. Нужно не всегда - часто хватает промптов и RAG.

Токен

Единица, которой меряют объём текста для модели. От числа токенов зависит стоимость работы нейросети в месяц.

Интеграция

Связка ИИ с amoCRM, Bitrix24, 1С, WhatsApp, Kaspi. Без неё нейросеть живёт в вакууме и пользы бизнесу не приносит.

Готовые сервисы или кастом

Один из первых вопросов - взять готовый сервис или собрать решение под себя. Часто правильный ответ посередине: готовая модель плюс ваша обвязка и данные. Ориентир по выбору ниже.

Данные и закон РК

Под Казахстан чаще всего связываем модель с amoCRM, Bitrix24 и 1С, подтягиваем оплаты из Kaspi и Halyk-эквайринга (Homebank), ведём диалоги в WhatsApp Business и Telegram. Если у вас самописная система или выгрузки в Google-таблицах - работаем через API или периодический экспорт. На старте составляем список ваших сервисов и решаем, что подключать в первую очередь, а что позже.

Персональные данные клиентов - отдельная зона ответственности. Закон РК «О персональных данных и их защите» требует согласия на обработку и аккуратного хранения, поэтому мы заранее проговариваем, какие поля модель видит, где они лежат и что уходит во внешние сервисы. Чувствительные данные можно держать на вашей стороне и отдавать модели только обезличенный контекст. Для ИП и ТОО это не формальность: счёт-фактуры, ЭСФ и платежи проходят через системы, доступ к которым стоит давать осознанно.

Двуязычие тоже учитываем: бизнес в РК часто общается с клиентами на русском и казахском, и бот должен корректно отвечать на обоих языках, а не путать их в одном диалоге. Это решается на этапе настройки и тестов, до боевого запуска.

Готов ли бизнес

Пройдитесь по пунктам перед стартом. Если отмечено 5 и больше - внедрение пойдёт гладко, а пилот покажет честный результат.

• ☑ Есть CRM или хотя бы таблица с историей сделок
• ☑ Понятно, какая задача болит сильнее всего, а не «хотим ИИ вообще»
• ☑ Известна цена ошибки и стоимость часа сотрудника
• ☑ Поток обращений от 300 в месяц или 50+ сделок
• ☑ Кто-то в команде отвечает за результат внедрения
• ☑ Данные за последние 6-12 месяцев доступны в любом виде
• ☑ Готовы дать доступ к Kaspi, Halyk-эквайрингу или 1С для интеграции
• ☑ Решено, какие персональные данные модель видит, а какие нет
• ☑ Есть бюджет на пилот, а не только на «посмотреть»

Ориентиры по цене

Точный бюджет называем после короткого аудита - она зависит от числа интеграций и объёма данных. Ниже честные диапазоны в тенге, чтобы вы понимали порядок цифр заранее.

Где обычно спотыкаются

Большинство неудачных внедрений проваливаются не из-за модели, а из-за подготовки. Вот ошибки, которые мы снимаем заранее.

• «Хотим ИИ» без задачи. Пока нет конкретной боли и метрики, считать эффект не на чем. Начинаем с одного процесса.
• Грязные данные. Если в CRM каша, бот учится на каше. Сначала минимальный порядок в учёте, потом автоматизация.
• Бот без привязки к данным. Модель «из головы» выдумывает цены и условия. Лечится RAG на ваших прайсах и регламентах.
• Сразу всё и масштабно. Большой проект без пилота - это риск вложить деньги вслепую. Сначала узкий участок и цифра.
• Нет владельца внутри. Если за результат никто не отвечает, решение не приживается. Нужен человек с вашей стороны.
• Запуск без контроля человека. Модели ошибаются, поэтому на старте сложные случаи уходят менеджеру, а не клиенту.

Как это выглядит

Интернет-магазин на Kaspi: поток заявок в WhatsApp вырос, менеджеры не успевали отвечать вечером и в выходные, часть клиентов уходила к тем, кто ответил быстрее. Поставили бота на LLM с подключением к каталогу и прайсу через RAG. Первый ответ стал приходить за секунды, бот сам подбирал товар и оформлял заказ по простым запросам, а сложные передавал человеку с уже собранным контекстом. Доля заявок, закрытых без менеджера, дошла до трети, а напоминания о брошенных корзинах добавили дозаказов.

Производитель из Алматы: бухгалтерия вручную вбивала сотни счетов и актов в месяц, на это уходили дни и накапливались ошибки. Подключили распознавание документов с извлечением реквизитов и проверкой по 1С. Один документ стал обрабатываться за секунды, ручных ошибок стало меньше в разы, а высвобожденное время ушло на сверки, которые раньше откладывались. Это типовая логика наших проектов - мы не называем чужие компании поимённо, но показываем, как считается результат: сэкономленные часы и дозаказы минус стоимость решения и токенов модели.

Этапы работы

Цены и характеристики

Ответы на частые вопросы