Я ниже раскладываю пакеты, скрытые статьи, когда брать фикс, когда retainer, и чеклист ROI, которым пользуюсь на пресейле. Цифры — порядки для МСП РФ 2025–2026, не публичная оферта.

Из чего складывается цена (и где прячутся сюрпризы)

| Статья | Что входит | Почему «съедает» бюджет | |--------|------------|-------------------------| | Discovery / baseline | Карта процесса, объёмы, KPI, stop-list | Без этого scope плавает | | Дизайн контура | Стадии, роли, эскалации, данные | Переделки дороже кода | | Интеграции | CRM, мессенджеры, почта, 1С/таблицы | API «есть», данных нет | | Автоматизация / агент | Сценарии, знания, правила | 30% цены, 70% поддержки | | QA и приёмка | Тест-кейсы, shadow, разбор ошибок | Экономия здесь = прод в огне | | Обучение людей | Регламенты, handoff | Игнор = откат через месяц | | Run / retainer | Мониторинг, правки, отчёты | «Внедрили и забыли» не живёт | | Ошибки и риск | Неверный ответ, срыв SLA, дубли | Редкие, но дорогие |

Скрытые затраты, которые я всегда проговариваю

1. Часы вашей команды на интервью, доступы, приёмку (часто 40–120 ч на пилот).
2. Доступы и безопасность (боты в личных аккаунтах, политики ИИ, логи).
3. Качество данных в CRM: дедуп, обязательные поля, мусорные стадии.
4. Смена scope после демо («давайте ещё склад и HR»).
5. Инфляция токенов/API и смена моделей — закладывать запас, не «нулевой run».
6. Владелец процесса внутри — без FTE-доли автоматизация сирота.

Пакеты 2026: как я режу предложения

Ориентиры для узкой автоматизации (лиды, поддержка first-line, бэк-офис рутина). Комплекс «всё предприятие» — другой класс.

| Пакет | Scope | Срок | Вилка внедрения* | Когда уместен | |-------|-------|------|------------------|---------------| | Audit / blueprint | Baseline, карта, смета, риски | 1–2 нед. | десятки–низкие сотни тыс. ₽ | Не ясно, что автоматизировать | | MVP / один контур | 1 процесс, 1–2 канала, жёсткий scope | 3–6 нед. | ~150–450 тыс. ₽ | Быстрый go/no-go | | Production + интеграции | CRM + 2–4 системы, SLA, дашборд | 6–12 нед. | ~400 тыс.–1,2 млн ₽ | Поток уже есть, нужна дисциплина | | Контур + сопровождение | Production + retainer 3–6 мес. | 90+ дней | внедрение + ежемес. | Процесс живой, правила меняются |

*Порядки; стек, число интеграций и «серые» данные двигают вилку ×1,5–3.

Что должно быть в коммерческом предложении

• [ ] Граница scope (in / out) одним экраном
• [ ] KPI приёмки (не «бот умный», а % автозакрытия, first response, accuracy)
• [ ] Список интеграций и зависимости от вашей стороны
• [ ] Модель изменений: что входит в фикс, что — change request
• [ ] Run-cost: кто мониторит, как часто правки знаний
• [ ] Условия остановки пилота (no-go) без сжигания всего бюджета

Фикс vs retainer: когда что

| Модель | Плюсы | Минусы | Беру, если… | |--------|-------|--------|-------------| | Фикс | Предсказуемый бюджет, жёсткая приёмка | Споры о «это же мелочь»; риск недооценки | Scope заморожен, 1 процесс, ясные API | | Time & materials | Гибкость | Клиент не контролирует потолок | R&D, неизвестные системы | | Retainer | Живой процесс, приоритетная очередь | «Платим, а вроде ничего не ломалось» | После MVP, ≥2 изменений/мес., SLA | | Value-based | Стыковка с эффектом | Нужна честная baseline-метрика | Доля от экономии/выручки, редкий зрелый кейс |

Практическое правило

• Фикс — на «сделать контур A→B с KPI X к дате D».
• Retainer — на «держать качество, знания, мелкие сценарии, отчёт раз в 2 недели».
• Смесь, которую я часто ставлю: фикс на MVP + retainer 3 месяца стабилизации с пакетом часов/правок.

Retainer без KPI превращается в абонемент на тревогу. В retainer я фиксирую: окно реакции, объём правок знаний, разбор N инцидентов, ежемесячный отчёт по метрикам — иначе через квартал непонятно, за что деньги.

TCO и чеклист окупаемости

Упрощённая модель TCO на 90 дней

TCO_90 ≈ внедрение + (run_мес × 3) + часы_команды_заказчика × ставка + доработки_вне_scope + оценка_стоимости_ошибок

Эффект_90 ≈ сэкономленные часы × fully loaded ставка

• доп. выручка от скорости/конверсии (только если мерили baseline)
  − потери от ошибок автоматизации (если были)

Окупаемость: эффект ≥ TCO на выбранном горизонте (часто 3–6–12 мес.), либо payback ≤ N месяцев при устойчивом run.

Чеклист расчёта окупаемости (пресейл + приёмка)

Baseline (до)

• [ ] Объём операций/неделю (тикеты, лиды, сверки)
• [ ] Время на одну операцию (median + p90)
• [ ] Fully loaded стоимость часа
• [ ] Конверсия/SLA, которые хотим двигать
• [ ] Доля шаблонных vs экспертных кейсов

Контур (что автоматизируем)

• [ ] % потока в scope
• [ ] Целевой % авто без человека / с handoff
• [ ] Стоимость ошибки и stop-list

Деньги

• [ ] Capex внедрения и opex run (API, люди, retainer)
• [ ] Часы заказчика на внедрение
• [ ] Чувствительность: −20% эффекта / +30% интеграций — жив ли кейс?

Решение

• [ ] Go, если payback в разумном окне и есть владелец процесса
• [ ] No-go / сузить scope, если ROI держится только на «идеальных» допущениях
• [ ] Пилот 20–40% трафика с заранее записанным порогом успеха

Где ROI обычно врут

1. Считают только лицензию API, забывают людей и QA.
2. Берут 100% автоматизации вместо 40–60% scope.
3. Не вычитают время на разбор эскалаций.
4. Приписывают всю выручку росту маркетинга автоматизации.
5. Не закладывают retainer — через 4 месяца контур «сдувается».

Часто задаваемые вопросы

Почему «простая автоматизация» в КП выходит дороже конструктора за 5 тысяч?

Конструктор — UI. Цена живёт в интеграциях, дисциплине данных, приёмке, обучении и поддержке. Дешёвый MVP без CRM-дисциплины часто дороже за год, чем нормальный контур с retainer.

Можно ли всё взять на фикс «под ключ»?

Можно, если scope заморожен письменно. Если каждую неделю новый канал и новые исключения — фикс либо раздуется в smene, либо подрядчик будет отказывать в правках. Честнее гибрид.

Какой retainer нормален после внедрения?

Ориентир: доля от сложности контура и частоты изменений — от небольшого пакета часов до полноценного сопровождения SLA. Если за месяц ноль правок и ноль инцидентов, пакет можно снизить; если каждый день новые акции/прайсы — наоборот.

Когда автоматизация точно не окупится в горизонте года?

Малый объём (единицы операций в неделю), экспертные нешаблонные решения, нет владельца, данные в хаосе и некому чистить. Сначала процесс и учёт, потом боты.

Читайте также

• Цены на автоматизацию: фикс, retainer и value-based
• Прайсинг автоматизации: пакеты, TCO и когда окупается
• Сколько стоит автоматизация бизнес-процессов в 2026: тарифы, ROI и сравнение с наймом
• TCO AI-агента: KPI и стоимость владения за 30–90 дней

Нужен расчёт пакетов, TCO и окупаемости под ваш контур — напишите на raisovich.ru: соберём baseline, вилку фикса/retainer и честный go/no-go до старта работ.

Из чего складывается TCO автоматизации на 90 дней?

TCO_90 ≈ внедрение + run×3 + часы команды заказчика + доработки вне scope + оценка стоимости ошибок; окупаемость считают от baseline часов, конверсии и SLA, а не от красоты демо.

Чем пакет MVP отличается от production-контура?

MVP — один процесс, 1–2 канала и жёсткий scope за 3–6 недель (~150–450 тыс. ₽ порядком); production добавляет CRM, 2–4 системы, SLA и дашборд на 6–12 недель с вилкой выше.

Какие скрытые затраты чаще всего раздувают бюджет?

Часы вашей команды на доступы и приёмку, чистка данных в CRM, смена scope после демо, инфляция API/токенов и отсутствие внутреннего владельца процесса.

Я ниже собираю рабочий каркас именно под цитирование в AI-поиске: что усиливать на странице, какие сигналы entity, откуда модели берут опору и как проверить результат за пару часов, а не «через квартал SEO-отчёта».

Что на самом деле цитирует AI-поиск

Модели и answer-engines по-разному смешивают обучение, retrieval и свежий веб, но паттерн повторяется:

| Сигнал | Зачем модели | Как проявляется у вас | |--------|--------------|------------------------| | Чёткий факт / определение | Можно вставить в ответ без переписывания | Первый абзац = прямой ответ | | Согласованная entity | Понять «кто/что это» | Одинаковое имя, описание, связи на сайте и вне | | Структура (H2, списки, таблицы) | Вырезать фрагмент | FAQ, сравнения, чеклисты | | Внешняя подтверждаемость | Снизить риск галлюцинации | Упоминания, отзывы, каталоги, первоисточники | | Свежесть и дата | Актуальность | publishedAt, обновления, год в фактах | | Низкий «маркетинг-шум» | Не тратить токены на воду | Меньше вводных «в этой статье» |

Типичные причины, почему вас нет в ответе

1. Ответ размазан по тексту — модели нечего «вырезать».
2. Entity плывёт: бренд пишется по-разному, нет «кто мы / что это».
3. Страница — только мнение без цифр, определений и сравнимых фактов.
4. Нет независимого следа: вы есть только у себя на сайте.
5. Контент устарел или противоречит другим страницам того же сайта.

Entity: сделайте себя «объектом», а не набором ключей

Entity — это устойчивое представление о компании, продукте, человеке или методе. Без неё AI склеивает вас с конкурентами или игнорирует.

Минимальный entity-пакет на сайте

| Элемент | Практика | |---------|----------| | Каноническое имя | Одно написание в title, H1, about, футере | | 2–3 предложения «кто/что» | Одинаковый смысл на главной, about, оффере | | Связи | Услуги ↔ отрасли ↔ география ↔ люди | | Контакты и юр. след | Реальные реквизиты/город — сигнал доверия | | Одинаковые факты | Цифры, сроки, стек не спорят между URL | | Внешние якоря | Каталоги, карты, профили, публикации, GitHub/HC |

Чеклист entity за один вечер

• [ ] Одно каноническое название бренда/продукта (и 1 допустимый short name)
• [ ] Страница «О нас / О продукте» с определением в первых 400 символах
• [ ] 5–10 внутренних ссылок с осмысленным анкором на entity-страницу
• [ ] Согласованность NAP/контактов, если есть локальный спрос
• [ ] 3+ внешних упоминания, где имя написано так же
• [ ] Нет «мёртвых» дублей услуг с разными описаниями одной и той же вещи

Я не гонюсь за «схемой ради схемы». Schema.org (Organization, FAQPage, Article) помогает машинам парсить, но без ясности текста разметка не спасёт.

Структура страницы под AI-поиск (не generic SEO)

Цель страницы для GEO: модель должна суметь ответить на запрос вашим фрагментом.

Каркас, который я ставлю почти всегда

1. H1 = вопрос или прямой оффер запроса
2. Первый абзац = жирный answer-first (2–4 предложения, факт + граница применимости)
3. Таблица или список критериев (сравнение, сроки, состав, «когда да / когда нет»)
4. H2 по подвопросам, каждый с мини-ответом в первых строках
5. FAQ 3–6 вопросов теми словами, как спрашивают люди и модели
6. Блок источников / «на чём основано» (методы, даты, оговорки)
7. Дата и автор/эксперт — кто отвечает за факты

FAQ, который цитируют

| Плохо | Лучше | |-------|--------| | «Какие преимущества?» | «Сколько дней занимает X для МСП?» | | «Почему мы?» | «Чем X отличается от Y по TCO / сроку?» | | Вода на 400 слов | 40–80 слов + число + условие |

Источники цитирования: что усиливать

• Первичные страницы с определениями и цифрами (не только блог-мнения).
• Согласованные формулировки на 2–3 URL (главная, услуга, кейс).
• Публичные доказательства: кейсы с метриками, методики замера, ограничения.
• Упоминания третьих сторон (обзоры, каталоги, партнёрские страницы) — не как «ссылочный взрыв», а как след entity.
• Чистые фрагменты: таблицы, которые можно пересказать без контекста всей статьи.

Чего избегаю: тонны взаимоссылок ради PageRank-ностальгии и «уникального текста», где нет ни одного проверяемого утверждения.

Практика по системам: ChatGPT / Gemini / Perplexity

Поведение плавает, но рабочие акценты такие:

| Система | На что давить | Как быстро проверить | |---------|---------------|----------------------| | ChatGPT (Search/browse) | Ясные определения, entity, согласованные факты | Серия запросов «что такое X / кто делает Y в Z» в режиме с поиском | | Gemini | Структурированные страницы, бренд+услуга+гео, полезные списки | Запросы с брендом и без; смотреть, кого приводит как источник | | Perplexity | Цитируемые абзацы, свежесть, явные источники | Смотреть citation cards; какие URL и за что процитированы |

Мини-протокол замера (≈2 часа)

1. Собрать 15–25 запросов: бренд, бренд+услуга, category terms, long-tail «как / сколько / чем отличается».
2. Прогнать в 2–3 системах (один и тот же день).
3. Фиксировать: упомянули / процитировали URL / процитировали конкурента / галлюцинация о вас.
4. Для проигрышных запросов — какой фрагмент у победителя: определение, таблица, FAQ, кейс-цифра.
5. Дописать один недостающий answer-блок, а не «переписать весь блог».

Повтор замера через 2–4 недели после публикации/обновления. Ждать «мгновенного GEO» после одной правки — ошибка ожиданий; ждать вечно без замера — тоже.

Часто задаваемые вопросы

GEO — это замена SEO?

Нет. SEO по-прежнему тянет discoverability и классический трафик. GEO усиливает вероятность быть использованным в AI-ответе. В 2026 я планирую оба слоя: техническая доступность + цитируемые блоки.

Нужно ли писать отдельно под каждую модель?

Отдельно «промптить сайт под ChatGPT» бессмысленно. Нужна общая гигиена: entity, answer-first, FAQ, факты, источники. Отличаются в основном замеры и нюансы выдачи, не пять разных сайтов.

Помогают ли llms.txt и огромные промпт-файлы?

Как вспомогательный указатель — иногда. Как замена нормальным страницам с фактами — нет. Если на сайте каша, никакой txt это не вылечит.

Сколько FAQ достаточно?

На ключевой услуге обычно 5–10 живых вопросов с короткими фактичными ответами. 50 искусственных FAQ с водой вредят сильнее, чем помогают.

Читайте также

• GEO 2026: entity, FAQ и цитируемость в ChatGPT/Gemini
• Как проверить, цитирует ли вас ChatGPT и Perplexity: GEO-замер за 2 часа
• GEO: answer-first блоки и панель запросов для цитируемости
• GEO: как попасть в ответы AI-поиска — сущности и замеры

Нужен GEO-разбор сайта под цитирование в AI-поиске — entity, FAQ и панель запросов — напишите на raisovich.ru: соберём приоритеты страниц и протокол замера без воды.

Что такое entity и зачем она для AI-поиска?

Entity — устойчивое представление о бренде, продукте или методе: одно имя, согласованные факты и связи на сайте и вне его. Без неё модель склеивает вас с конкурентами или не использует как источник.

Как за пару часов проверить цитирование в ChatGPT и Perplexity?

Соберите 15–25 запросов (бренд, услуга, long-tail), прогоните в 2–3 системах в один день и фиксируйте: упомянули, процитировали URL, процитировали конкурента или дали галлюцинацию.

Какой каркас страницы повышает шанс попасть в ответ модели?

H1 под запрос, answer-first в первом абзаце, таблица или список критериев, H2 с мини-ответами, FAQ 5–10 фактов и блок источников с датой — фрагмент, который модель может вырезать целиком.

Я разбираю проект так, как он шёл в работе: baseline → узкие места → контур → цифры 30/60/90 дней. Цифры — порядок величин 2025–2026, не оферта «как у всех».

Было: где ломался поток заявок

Клиент пришёл с типичной картиной: «лидов вроде много, сделок мало, виноват отдел». На деле pipeline не существовал как система.

| Симптом | Как выглядело | Цена | |---------|---------------|------| | Каналы вне CRM | Telegram, WhatsApp, почта, форма на сайте, «мне в личку написали» | Дубли, потеря контекста | | Первый ответ | 2–8 часов в рабочие дни, ночью — до утра | Остывание горячего лида | | Квалификация | «Почувствуем на созвоне» | 40–60% созвонов впустую | | Стадии | У каждого менеджера своя Excel/голова | Нет прогноза выручки | | Эскалация | Кто громче пинганул в общем чате | Срывы SLA и конфликты |

Baseline, который я снял за первую неделю

• ~110–130 входящих касаний/неделю (все каналы суммарно).
• First response median: ~3,5 ч (рабочее время), p90 > 12 ч.
• Доля лидов без карточки в CRM в течение 24 ч: ~35%.
• Доля повторных «вы кто?» от клиента: ~18% диалогов.
• Конверсия входящий → квалифицированный (SQL-like): ~12–15%.
• Доля сделок, где этап в CRM врал: субъективно >30% (сверили выборочно).

Без этих цифр «улучшить pipeline» — лозунг. С ними — проект с go/no-go.

Узкие места: CRM, мессенджеры, человек

Я всегда режу проблему на три слоя. Иначе автоматизация клеит поверх хаоса ещё один слой хаоса.

1. Мессенджеры

• Личные аккаунты менеджеров = компания не владеет историей.
• Нет единого inbox: один лид пишет в Telegram и на почту — два «разных» человека.
• Нет шаблонов первого ответа и stop-list (скидки «от себя», юр. обещания).

2. CRM

• Поля есть, дисциплины нет: стадия двигается «когда вспомнил».
• Нет обязательного источника и канала касания.
• Нет автозадач на «тишина 48 ч» и «КП без ответа 5 дней».

3. Роль человека (это не баг)

Человек нужен. Но не на «переслать визитку из Telegram в CRM руками в конце дня».

| Зона | Человек | Система | |------|---------|---------| | Первый контакт, FAQ, слоты | Контроль качества, исключения | Автоответ, маршрутизация, карточка | | Квалификация BANT/ICP | Финальное «да/нет» на серых | Скрипт вопросов, скоринг, теги | | Коммерция, скидки, юр. | Решение и подпись | Черновик КП, напоминания, аудит | | Срыв SLA | Разбор root cause | Алерт, эскалация, лог |

Правило, которое я фиксирую в kickoff: менеджер не создаёт лид вручную из «своего» чата, если канал подключён. Иначе через месяц снова два мира.

Что сделали за 90 дней (каркас)

| Фаза | Дни | Результат | |------|-----|-----------| | 0. Baseline + карта каналов | 1–10 | Единый список источников, объёмы, владельцы | | 1. Единый inbox + карточка | 11–30 | Все входящие → CRM ≤5–15 мин, дедуп | | 2. Стадии + SLA + квалификация | 31–55 | 5–7 стадий, обязательные поля, автозадачи | | 3. Стабилизация pipeline | 56–75 | Прогноз, дашборд, разбор «тихих» лидов | | 4. Freeze + ROI-отчёт | 76–90 | Нормы, backlog v2, кто владеет процессом |

Минимальный контур (без «космических» интеграций)

1. Каналы: корпоративный Telegram/WhatsApp-бизнес + форма + почта → одна очередь.
2. CRM: лид/сделка создаётся автоматически; дедуп по телефону/email/username.
3. Первый ответ: шаблон ≤2 минут + слот/квалиф. вопросы; ночью — честный «ответим с 9:00» + сбор данных.
4. Стадии: Новая → В квалификации → Квалифицирована → КП/созвон → Переговоры → Сделка/Отказ (с причиной).
5. Человек: берёт лид с тегом «нужен менеджер» или score выше порога; не перебирает весь поток.
6. Алерты: first response > SLA, тишина на стадии, дубль, «личный чат в обход».

Чеклист «можно ли уже мерить pipeline»

• [ ] ≥90% входящих из основных каналов попадают в CRM автоматически
• [ ] У каждой новой карточки есть источник, канал, время первого ответа
• [ ] Стадии одинаковые у всех менеджеров, отказ — с причиной из списка
• [ ] Есть владелец процесса (1 человек), не «отдел в целом»
• [ ] Раз в неделю — 20–30 диалогов с плохим SLA или странной стадией
• [ ] Запрет на скидки/сроки вне CRM-заметки или шаблона

Цифры до / после (порядок, 90 дней)

Композит по проекту такого типа. Ваша вилка зависит от дисциплины команды сильнее, чем от «магии бота».

| Метрика | До | ~30 дней | ~60–90 дней | |---------|----|----------|-------------| | First response median | ~3,5 ч | 15–40 мин | 5–15 мин (рабочее) | | Лиды без карточки за 24 ч | ~35% | <10% | <5% | | Входящий → квалиф. | 12–15% | 18–22% | 22–28% | | Созвоны «в молоко» | высоко | −20–30% | −35–50% rel. | | Доля отказов с причиной в CRM | <40% | 70%+ | 85%+ | | Прогноз на 2–4 недели | «на глаз» | черновик | usable для плана |

Что не обещаю как гарантию: +X% выручки всем. Выручка растёт, когда квалификация + скорость + дисциплина стадий сходятся; если продукт/цена не бьют рынок, pipeline станет честнее и покажет дыру раньше — это тоже результат.

Где чаще всего откатывают прогресс

1. Менеджеры снова уводят диалог в личку «так быстрее».
2. Руководитель меняет стадии каждую неделю.
3. Нет разбора отказов — CRM полна «думает» по 40 дней.
4. Автоматизацию включают на 100% трафика без shadow/пилота на 20–40%.

Часто задаваемые вопросы

Сколько реально нужно дней, если каналов всего два?

При уже корпоративных мессенджерах и живой CRM часто хватает 45–60 дней до usable pipeline. 90 дней закладываю, когда много «серых» личных аккаунтов, кривая дедупликация и нет владельца процесса.

Нужен ли AI-агент обязательно?

Нет. Сначала единый контур и дисциплина. Агент/бот усиливает first response и квалификацию, когда поток большой и 40%+ диалогов шаблонные. Без CRM и стадий агент просто быстрее плодит хаос.

Что делать с лидами, которые уже «живут» в личных чатах менеджеров?

Фиксирую правило миграции: новые — только в контур; старые — перенос по чеклисту (телефон, стадия, следующий шаг) в 1–2 спринта. Иначе получите два pipeline навсегда.

Как понять, что pipeline предсказуемый, а не «красивый дашборд»?

Если на горизонте 2–4 недели вы можете назвать число сделок в работе по стадиям, средний цикл, конверсии между стадиями и причины отказов — и цифры сходятся с кассой/актами выборочно — pipeline живой. Если дашборд зелёный, а план продаж сюрприз — это декорация.

Читайте также

• Кейс B2B: заявки → CRM и WhatsApp за 72 дня (до/после)
• Кейс: квалификация лидов в CRM за 45 дней — +38% к MQL без найма
• Pipeline от заявки до результата: интеграции, сбои, эскалация
• Контур CRM + webhooks: SLA, мониторинг сбоев и ROI 90 дней

Нужен разбор вашего потока заявок и контур pipeline под реальные каналы — напишите на raisovich.ru: разберём baseline, узкие места и план на 30–90 дней без лишнего хайпа.

Какие метрики снимать в baseline до старта pipeline?

First response (median и p90), долю лидов без карточки за 24 часа, конверсию входящий→квалификация и долю отказов с причиной в CRM — без этих цифр «улучшить pipeline» остаётся лозунгом.

Почему после внедрения менеджеры откатывают прогресс?

Чаще всего снова уводят диалоги в личку «так быстрее», меняют стадии каждую неделю и не разбирают отказы — CRM заполняется статусом «думает» на десятки дней.

Что входит в минимальный контур pipeline без сложных интеграций?

Корпоративные мессенджеры и форма в одну очередь, автосоздание лида с дедупом, шаблон первого ответа, единые стадии с причиной отказа и алерты на срыв SLA.

Я не начинаю с выбора APM-бренда. Сначала фиксирую: что такое успешная сессия, какие side-effects допустимы, кого будить и за сколько минут. Ниже — рабочий каркас логов, трейсов, HITL и SLA, который я закладываю до масштабирования трафика.

Что именно нужно видеть (и в каком порядке)

Классические три столпа (logs / metrics / traces) для LLM-агентов недостаточны без eval-сигнала и политики.

| Слой | Вопрос | Минимальный сигнал | |------|--------|--------------------| | Trace | Как прошла сессия end-to-end? | trace_id, spans: router → retrieve → reason → tool → guard → respond | | Logs | Что решили и почему? | intent, policy_version, tool args/result (redacted), stop_reason | | Metrics | Система здорова? | latency p95, error rate, token/session, queue lag | | Quality | Ответы полезны? | auto-resolve %, re-open, thumbs, sample score | | HITL | Где человек обязателен? | hitl_rate, wait_time, override_reason | | Cost/SLA | Держим договорённость? | $/100 sessions, error budget burn |

Обязательные поля события (чеклист)

• [ ] timestamp, env, service_version
• [ ] session_id, trace_id, span_id, parent_span_id
• [ ] channel, tenant_id (если multi-tenant)
• [ ] role / agent_name, model, prompt_version, policy_version
• [ ] tool_name, latency, status, error_code
• [ ] handoff_from / handoff_to, reason_code
• [ ] redaction flag для PII

Без версий промпта и policy разбор «почему вчера ок, сегодня нет» превращается в гадание.

Логи и трейсы: как не утонуть

Трейс одной боевой сессии (скелет)

1. ingress — webhook/UI, auth
2. route — intent + confidence
3. retrieve — KB/CRM read
4. plan — (опционально) список шагов
5. tool.* — каждый вызов отдельно
6. guard — policy check
7. generate — финальный ответ
8. egress — send + delivery status
9. hitl — если была пауза на человека

| Антипаттерн | Почему больно | Замена | |-------------|---------------|--------| | Один blob «llm_output» | нельзя фильтровать | structured JSON events | | Логировать сырые карты/паспорта | комплаенс | mask/hash, token vault | | Только success-path | инциденты невидимы | errors + retries + degrade | | Трейс без tool I/O summary | «модель виновата» всегда | args hash + result code | | 100% debug в prod | cost и шум | sample debug, full on error |

Я храню полный payload tool на ошибках и на sample 1–5% success; на остальном — метаданные и хэши. Иначе бюджет на storage съест выгоду автоматизации.

Human-in-the-loop как часть observability

HITL — не «костыль», а наблюдаемый контрольный контур.

| Триггер HITL | Пример | Метрика | |--------------|--------|---------| | Low confidence | intent < порога | % escalated_by_confidence | | Money / legal / med | скидка, договор, диагноз | % policy_hitl | | Guard block | PII/jailbreak/stop-list | false_block rate | | Tool failure cascade | 3× 5xx CRM | degrade_to_human | | Customer request | «позовите человека» | % explicit_human | | Random QA sample | 2–5% диалогов | reviewer_sla |

Что логировать в HITL-span

• Почему остановили агента (reason_code)
• Что увидел оператор (контекст-пакет, не сырой dump)
• Решение: approve / edit / reject / take over
• Время ожидания в очереди и time-to-first-human
• Вернулся ли поток в агента после решения

Если HITL не измеряется, команда либо перегружает людей «на всякий случай», либо отпускает риск в автопилот.

Алерты и SLA для AI в проде

SLA агента я отделяю от SLA канала.

| Класс | Пример целевого SLA | Алерт (идея) | |-------|---------------------|--------------| | Availability | успешный ingress ≥99.5% / мес | 5xx spike 5 мин | | Latency | first token / first useful reply p95 | p95 > budget 10 мин | | Tool health | CRM tool success ≥99% | error rate >2% 5 мин | | Quality proxy | re-open < X%, guard miss = 0 critical/неделя | дневной burn quality budget | | HITL | wait p95 < N мин в рабочее время | queue depth + oldest wait | | Cost | $/session < cap | +40% rolling 1h vs baseline | | Safety | 0 немаркированных high-risk write | любой unguarded write |

Error budget простыми словами

Допускаю, например, 0.5% «плохих» сессий в scope за месяц. Если burn rate высокий в начале недели — freeze релизов промптов/tools, не «подкрутим temperature».

Правила алертов, чтобы не выгореть

1. Алерт = действие (runbook ссылкой), не «интересный график».
2. Симптомы (user-facing) важнее причин (GPU util).
3. Дедуп и suppress на known degrade mode.
4. Ночные page — только safety, money write fail, полный down.
5. Quality-алерты — в рабочее время + on-call chat, пока нет доказанного user harm.

Минимальный дашборд на первую боевую неделю

• Sessions / hour, error %, p95 latency
• Top intents + % unknown
• Tool success heatmap
• HITL queue: depth, wait p95
• Tokens and $ / 100 sessions
• Auto-resolve in scope vs baseline
• Handoff hop-count outliers
• Версии: model / prompt / policy (annotation на графике релизов)

Чеклист «можно ли масштабировать трафик»

• [ ] Любой инцидент находится по session_id < 5 минут
• [ ] Есть shadow/canary и rollback промпта
• [ ] PII redaction проверен на sample
• [ ] Runbook на top-5 failure modes
• [ ] SLA и error budget согласованы с бизнесом письменно
• [ ] HITL не является единственной «метрикой качества»

Часто задаваемые вопросы

Чем observability агента отличается от мониторинга обычного API?

Добавляются стохастика модели, версии промпта/policy, качество ответа и HITL. HTTP 200 при токсичном или пустом смысле — всё ещё инцидент.

Нужен ли OpenTelemetry обязателен?

Не бренд, а контракт идентификаторов и spans. OTel удобен, если уже есть стек; JSON-логи + trace_id в ClickHouse тоже живут. Главное — сквозной ID.

Как алертить на «глупые» ответы, а не только на 500?

Прокси: spike re-open, падение auto-resolve, рост hitl_rate, LLM-judge на sample, anomaly по длине/отказу tools. Чистый semantic alert без выборки — шумный.

Сколько логов хранить?

Метаданные сессий — дольше (разбор споров, комплаенс); полные generation dumps — короче и/или sample. Срок — от отрасли и договора, не «как получится на диске».

Читайте также

• 7 ошибок production AI-агентов и handoff
• Оркестрация tool calling, SOP и audit AI-агента
• TCO AI-агента: KPI и стоимость владения 30–90 дней
• AI-агент: tools, память, HITL и запуск

Нужен аудит observability вашего AI-контура и нормальный SLA до масштабирования — raisovich.ru

Какие идентификаторы обязательны в логах AI-сессии?

session_id, trace_id, span/parent, model и prompt/policy_version, tool name/status и stop_reason — без сквозного ID разбор инцидента дольше пяти минут и observability формальная.

Как связать HITL с SLA агента, а не только канала?

Отдельно меряю hitl_rate, wait p95 очереди и override_reason; HITL — часть error budget и quality proxy, а не «единственная метрика качества» вместо auto-resolve и re-open.

Что должно быть на дашборде в первую боевую неделю?

Sessions/hour, error % и p95, tool success, HITL queue, $/100 sessions, auto-resolve vs baseline и аннотации релизов model/prompt/policy — без этого масштабировать трафик рано.

Я не выбираю стек по хайпу. Смотрю на долю if/then vs «понять человека», частоту смены правил, требования к audit и кто будет дежурить в 2 ночи. Ниже — практическая матрица, точки отказа и миграция без «большого взрыва».

Критерии выбора: не «модно», а измеряемо

| Критерий | n8n / Make | Кастомный агент (LLM + tools) | Гибрид | |----------|------------|-------------------------------|--------| | Логика в основном правила и API | ✅ | избыточно | — | | Вход — свободный текст/голос | слабо | ✅ | router → workflow | | Нужен write в CRM/1С с политикой | ✅ при явных шагах | ✅ с guardrails | часто best | | Time-to-first-value | дни | недели | зависит от scope | | Vendor lock / self-host | n8n self-host силён | свой код | — | | Наблюдаемость шагов | высокая | надо строить | строить на стыке | | Стоимость при 10k событий/мес | предсказуемее | токены + infra | считать TCO | | Команда без разработчика | ✅ | риск | low-code + подрядчик |

Быстрый scorecard (сумма баллов 0–2 по каждому)

1. >70% кейсов закрываются правилами и шаблонами
2. Нет необходимости в multi-step reasoning
3. Критичен предсказуемый latency и $ за 1k runs
4. Нужен сложный диалог и уточнения
5. Разные tool-права и human-in-the-loop на money/legal
6. Есть владелец кода и on-call

Если 1–3 высокие, а 4–6 низкие → n8n/Make. Если 4–6 высокие → агент или гибрид. Споры «Make умер, всё на агентах» в 2026 я не разделяю: deterministic glue никуда не делся.

Точки отказа: где ломается каждый путь

n8n / Make

| Отказ | Симптом | Что делаю | |-------|---------|-----------| | God-scenario | 80+ модулей, никто не понимает | режу на sub-flow, naming, versioning | | Silent fail | webhook 200, CRM пустая | явные error paths, dead-letter, алерты | | Race / дубли | два update одного лида | идемпотентность, lock key | | Секреты в UI | токены у half-team | vault, least privilege | | LLM-нода «для красоты» | нестабильный JSON | schema validation + retry + fallback | | Нет owner | «настроил подрядчик и исчез» | runbook + доступ + экспорт flow |

Кастомные агенты

| Отказ | Симптом | Что делаю | |-------|---------|-----------| | Prompt as policy | модель «сама решила скидку» | policy в коде, не только в тексте | | Tool spaghetti | 15 tools без ролей | whitelist, max steps, circuit breaker | | Нет audit | «бот что-то написал клиенту» | session_id, tool args/result redacted | | Handoff в никуда | оператор без контекста | пакет handoff + UI | | Cost spike | review-агент жрёт бюджет | лимиты токенов, кэш, cheaper model на router | | Eval отсутствует | релиз «на глаз» | gold-set, shadow, go/no-go |

Гибрид (мой частый default)

• Router (rules или small model) →
• Deterministic workflow для статусов, счетов, синхронизаций →
• Agent только на языковой кусок →
• Guard перед write/send.

Так я не плачу токенами за то, что умеет if status == "paid".

Миграция без простоя: пошаговый контур

Цель — не «переписать всё за спринт», а переключить scope с возможностью отката.

Фаза 0 — инвентаризация (3–7 дней)

• [ ] Карта flows: trigger → systems → side-effects
• [ ] Топ-10 по объёму и топ-5 по деньгам/риску
• [ ] Где уже есть скрытый LLM / ручной костыль
• [ ] SLA и кто будитcя ночью
• [ ] Экспорт сценариев, секреты, зависимости API

Фаза 1 — strangler, не big bang

1. Выбираю один scope (например first-line FAQ или квалификация).
2. Поднимаю новый контур параллельно (shadow или % traffic).
3. Старый flow остаётся source of truth для write, пока не greened KPI.
4. Feature flag / split по каналу, тегу, % пользователей.
5. Откат = выключить flag, не «откатить миграцию БД».

| Этап | Длительность (ориентир) | Критерий выхода | |------|-------------------------|-----------------| | Shadow | 7–14 дн. | расхождение <X% на gold + нет critical miss | | Canary 10–30% | 7–14 дн. | error budget, CSAT/re-open в норме | | 100% scope | 3–7 дн. | runbook, on-call, дашборд | | Decommission old | после 1–2 стабильных недель | архив flow + документ «как вернуть» |

Фаза 2 — данные и идемпотентность

• Единый correlation_id / session_id сквозь n8n и агента
• Write-ключи: не создавать дубль лида при ретрае
• Очередь dead-letter + ручной replay
• Версионирование промптов/policy рядом с версией flow

Что не делать при миграции

• Менять CRM-схему и оркестратор в один релиз
• Отключать старый Make «с понедельника» без canary
• Переносить 40 сценариев разом «раз уж начали»
• Отдавать cutover без владельца бизнеса на связи

Чеклист go/no-go перед cutover

• [ ] KPI scope записаны заранее (автозакрытие, latency, cost/session)
• [ ] Алерты на error rate, queue lag, tool 5xx
• [ ] Human-in-the-loop на money/legal работает end-to-end
• [ ] Секреты ротированы, доступы least privilege
• [ ] Runbook: rollback <15 минут
• [ ] Оператор обучен новому handoff-пакету
• [ ] Юр./маркировка ИИ и логи хранятся по политике

Часто задаваемые вопросы

Можно ли оставить Make и «просто добавить агента»?

Да, и часто так лучше: агент как один HTTP/queue worker, Make остаётся клеем интеграций. Главное — не дублировать write из двух мест без координации.

Когда кастомный агент дешевле n8n на дистанции?

При высоком объёме однотипного языкового труда и хорошем кэше/роутере; при низком объёме и частых сменах API чаще дешевле no-code + точечный LLM.

Как мигрировать с Zapier/Make на n8n без простоя?

Тот же strangler: паритет сценария в shadow, сверка payload, canary по webhook source, затем DNS/flag. Не надеяться на «импорт 1:1» без тестов side-effects.

Нужен ли LangGraph, если есть n8n?

Только если есть граф решений с состоянием, retries и multi-role. Для линейного «форма → CRM → Telegram» n8n достаточно.

Читайте также

• Cloud.ru AI workflows: сравнение с n8n и Make
• n8n vs Zapier 2026: сравнение автоматизации
• Пайплайн заявка → результат: интеграции и эскалация
• AI-автоматизация бизнеса без программиста (Россия, 2026)

Нужен разбор «оставить Make / переписать / гибрид» под ваш объём и SLA — raisovich.ru

По каким критериям выбирать n8n/Make, а не кастомного агента?

Если больше 70% кейсов закрываются правилами и API, критичны предсказуемый latency и цена за run, а команда без сильной разработки — no-code быстрее и дешевле; LLM нужен там, где свободный текст и неоднозначный intent.

Что входит в strangler-миграцию без big bang?

Один scope параллельно со старым flow, shadow или canary по флагу, старый контур как source of truth для write до green KPI, откат = выключить flag, не откатывать схему БД.

Какие go/no-go пункты обязательны перед cutover?

Заранее записанные KPI scope, алерты и rollback до 15 минут, рабочий HITL на money/legal, least-privilege секреты, обученный оператор и runbook — без этого cutover в прод не делаю.

Я вижу одну и ту же ошибку: команда услышала про CrewAI/LangGraph/AutoGen и GPT-5.x с programmatic tool calling — и сразу проектирует «оркестр». На практике сначала выигрывает один процесс, один владелец, один критерий качества. Ниже — как я раскладываю роли, handoff и QA, и когда сознательно остаюсь на single-agent.

Один агент vs «рой»: критерий выбора

Правило простое: сложность оркестрации растёт быстрее, чем качество ответа, если нет чётких границ ответственности.

| Сигнал | Один агент | Мультиагент | |--------|------------|-------------| | 1 процесс, 1 система правды | ✅ старт здесь | избыточно | | Разные права (read CRM / write 1С / платежи) | рискованно без guard | ✅ разделение ролей | | Разные SLA (FAQ 30 с vs сверка 10 мин) | смешивает приоритеты | ✅ отдельные воркеры | | Нужен параллельный research + draft + review | узко, но возможно | ✅ пайплайн | | Команда <2 людей на поддержку агента | ✅ | почти всегда провал | | Нет логов session_id и policy_version | любой вариант сломается | сломается дороже |

Когда один агент лучше «роя»: support first-line, квалификация лида, статус заказа, внутренняя FAQ-база. Там выигрывает глубина знаний и stop-list, а не число «персон».

Когда рой оправдан: длинный B2B-цикл (research → brief → draft КП → legal check → CRM update), документный конвейер с разными tool-whitelist, или когда review обязан быть отдельным агентом с read-only на исходные факты.

Роли, которые реально живут в production

Я не пложу «креативных» имён. Беру 4–6 ролей максимум, иначе handoff превращается в пинг-понг.

| Роль | Задача | Инструменты (пример) | Право на side-effect | |------|--------|----------------------|----------------------| | Router / Triage | intent, приоритет, stop-list | классификатор, правила | нет | | Worker | выполнить шаг SOP | CRM read, KB, калькулятор | ограниченный write | | Specialist | узкая экспертиза (цены, юр. шаблон) | свой whitelist | только в зоне | | Reviewer / Guard | проверка политики, PII, money | rules + LLM-judge | блок / эскалация | | Executor | финальный write/send | CRM write, email, мессенджер | да, по whitelist | | Human desk | edge, деньги, жалобы | UI + контекст сессии | полный |

Чеклист границ роли

• [ ] У роли есть один primary outcome (не «помочь клиенту во всём»)
• [ ] Whitelist tools записан в коде/конфиге, не только в промпте
• [ ] Max steps / max tokens / wall-time на роль
• [ ] Явный отказ: что роль никогда не делает
• [ ] Версия policy и версии знаний в audit trail

Стек 2026 (LangGraph, CrewAI, AutoGen, programmatic tool calling в новых моделях) — это способ описать граф. Бизнес-ценность даёт не фреймворк, а контракт роли: вход, выход, tools, stop.

Handoff без потери контекста

Handoff ломается в трёх местах: обрезанный контекст, размытая ответственность, отсутствие «почему передали».

Минимальный пакет handoff

1. session_id, trace_id, время, канал
2. Intent + confidence + причина маршрутизации
3. Краткая история (не весь сырой лог) + ключевые факты (ID заказа, ИНН, сумма)
4. Что уже сделано / что запрещено повторять
5. Ожидаемый next action и SLA
6. Ссылка на policy_version и KB snapshot

| Тип handoff | Когда | Риск | |-------------|-------|------| | Agent → Agent | смена компетенции | дубль действий, loop | | Agent → Human | money, legal, low confidence, жалоба | оператор без контекста | | Human → Agent | рутина после решения | агент «забывает» решение человека | | Guard → stop | policy breach | ложные срабатывания без апелляции |

Анти-паттерны

• Передача «всего чата» без структуры — токены горят, факты тонут
• Два агента с правом write в одну сущность без lock/идемпотентности
• Handoff по «ощущению модели» без порога confidence и правил
• Нет кнопки «вернуть в очередь» у человека

Я фиксирую handoff как событие в логе наравне с tool call: from_role, to_role, reason_code, payload_hash. Иначе разбор инцидента — археология.

Контроль качества multi-agent

Качество «роя» — это не средняя оценка диалога. Это метрики на стыках.

| Слой QA | Что меряю | Частота | |---------|-----------|---------| | Router | precision/recall топ-интентов, % unknown | ежедневно | | Worker | task success, tool error rate, retries | ежедневно | | Guard | false block / miss rate на gold set | 2–3× в неделю | | End-to-end | % автозакрытия в scope, CSAT/CES, re-open | еженедельно | | Handoff | время до принятия, % incomplete package | еженедельно | | Cost | токены/сессия, доля reviewer | еженедельно |

Практический минимум на первую боевую версию

• Shadow-mode или 20–40% трафика в scope
• Gold-set 50–100 кейсов с эталонным маршрутом
• LLM-as-judge только как сигнал; финальное — человек на выборке
• Circuit breaker: N ошибок tool API → degrade to human
• Freeze ролей на 7–14 дней после go-live (не плодить агентов «на ходу»)

Правило стоимости: если reviewer съедает >30–40% токенов сессии без снижения re-open — оркестрация декоративная. Упрощаю граф.

Часто задаваемые вопросы

Сколько агентов достаточно для МСП на старте?

Одного worker + router (можно rules-based) + human desk. Reviewer — вторым этапом, когда есть gold-set и понятные policy. Пять «персон» в первую неделю — почти всегда overhead.

Чем multi-agent отличается от обычного workflow в n8n?

В n8n/Make шаги детерминированы: if/then, фиксированные API. Multi-agent добавляет LLM-решения на развилках. Я оставляю LLM там, где язык и неоднозначность, а money/write — за детерминированными guardrails.

Когда «рой» точно не нужен?

Один канал, одна CRM, узкий FAQ, команда без владельца observability. Там multi-agent маскирует отсутствие процесса и знаний.

Как не поймать infinite loop между агентами?

Лимит handoff hops (например 3–5), запрет A→B→A без new fact, wall-time на сессию, явный terminal state и алерт на hop-count.

Читайте также

• Оркестрация tool calling, SOP и audit AI-агента
• Архитектура AI-агента: роли, guardrails, handoff
• Протокол handoff AI-агента: QA и скоринг в production
• 7 ошибок production AI-агентов и handoff

Готов разобрать ваш процесс и сказать честно: хватит одного агента или нужен граф ролей — raisovich.ru

Какие метрики качества важны для multi-agent в проде?

Смотрю стыки: precision router, task success worker, false block guard, incomplete handoff package и cost/session — средняя «оценка диалога» без разреза по ролям почти бесполезна.

Что обязательно класть в пакет handoff между агентами?

Минимум: session_id/trace_id, intent и confidence, ключевые факты, что уже сделано, next action со SLA и ссылка на policy_version — «весь чат» без структуры жечь токены и топить факты.

Когда reviewer-агент оправдан по стоимости?

Когда есть gold-set и понятные policy, а re-open реально падает; если reviewer съедает больше 30–40% токенов сессии без эффекта — граф декоративный и его упрощаю.

Ниже — как я раскладываю пакеты, скрытые строки бюджета и развилку «сам vs подрядчик». Цифры — порядки для МСП РФ, не оферта и не прайс-лист сайта.

Почему «цена внедрения» обманывает

Клиент спрашивает: «Сколько стоит агент?»
Корректный вопрос: сколько стоит закрыть процесс с нужным SLA 12 месяцев?

| Статья | Разово | Ежемесячно | Часто забывают | |--------|--------|------------|----------------| | Discovery + baseline | да | — | Без baseline KPI врут | | Интеграции (CRM, телефония, мессенджер) | да | иногда | Доступы и доработки CRM | | Знания / stop-list / политики | да | да (дрейф) | 2–6 ч/нед. на пилоте | | LLM/API | мало | да | Пики сезона ×1,5–3 | | Каналы (WhatsApp и шаблоны) | да | да | Модерация, номера | | Мониторинг, алерты, DLQ | да | да | Иначе «тихо сломалось» | | Handoff-обучение людей | да | редко | Сопротивление смены | | Доработки scope | — | да | Самая жирная скрытая строка |

TCO 12 мес. ≈ внедрение + 12 × (сопровождение + API + каналы + внутренние часы owner).
Именно TCO сравниваю с экономией часов и стоимостью потерянных заявок.

Пакеты, которые понятны обеим сторонам

Я предпочитаю три уровня не «по количеству нейронов», а по контуру ответственности.

| Пакет | Что внутри | Когда уместен | Типовой риск | |-------|------------|---------------|--------------| | A. Контур без LLM | Формы → CRM, правила, шаблоны, алерты | Грязный хаос входов, нет дисциплины | «Хотели магию, получили порядок» — и это win | | B. Пилот агента | 1 процесс, знания, shadow/доля трафика, KPI 30 дней | Есть API и owner | Scope creep на 5 процессов | | C. Production + retainer | SLA, мониторинг, 2 релиза знаний/мес., отчёт | После go по KPI | Retainer без freeze scope = вечная стройка |

Как не упасть в «фикс за всё»

• Фикс — на описанный scope (процесс, каналы, KPI, stop-list).
• Change request — на новые интеграции и «а давайте ещё склад».
• Value/retainer — на удержание SLA и долю автозакрытия, не на «бесконечные идеи в чате».

Unit-экономика: сам vs подрядчик

Считаю в рублях на закрытую единицу работы (заявка с next-step, тикет resolved, квалифицированный лид) — не в «токенах».

Упрощённая модель на 90 дней

| Параметр | Сам (in-house) | Подрядчик (типовой контур) | |----------|----------------|----------------------------| | Время до пилота | 2–5 мес. (обучение + ловушки) | 4–10 нед. при готовых доступах | | Фото ставки | Зарплата + налоги + менеджмент | Внедрение + retainer | | Риск bus-factor | Высокий (1 энтузиаст) | Ниже, если есть runbook | | Качество baseline | Часто пропускают | Должны требовать вы | | Гибкость | Выше «по ощущениям» | Выше по договору, ниже по хаосу | | Когда выигрывает | Уже есть сильный tech + процесс | Нужен результат на 1–2 контурам |

Грубая эвристика break-even (пример порядка):

• Экономия 25 ч/нед. × 1 800 ₽ = 45 000 ₽/нед. ≈ 180 000 ₽/мес. потенциала.
• Минус внутренние 8 ч/нед. owner на контроль = −60 000 ₽.
• Нетто ~120 000 ₽/мес.
• Если TCO внедрения 450–700k и retainer 80–150k, смотрю месяцы до cum cash-flow > 0, не «ROI 800% на слайде».

У каждого бизнеса свои ставки часа и цена потерянного лида — без baseline калькулятор врёт.

Скрытые затраты «сделаем сами на no-code»

1. 40–80 ч на интеграции «почти готово».
2. Нет DLQ → раз в месяц тихая потеря заявок.
3. Личные мессенджеры менеджеров = отчётность вранья.
4. Смена сотрудника-автора схемы = откат на ноль.
5. LLM без stop-list = один скандал дороже годового retainer.

Когда автоматизация окупается (и когда нет)

Скорее да

• Повторяемый поток ≥30–50 единиц/нед. в одном процессе.
• Есть системы с API (CRM, сайт, почта, мессенджер).
• Боль измерима: first touch, % next-step, time-to-resolve.
• Есть owner на 3–5 ч/нед. минимум.
• Handoff человеку формализован (не «бот вместо отдела»).

Скорее рано

• 5 заявок в неделю и «хотим как у маркетплейса».
• Знания только в головах, документации ноль, owner «все понемногу».
• Цель — уволить всех МОП за месяц.
• Нет готовности менять процесс, только «наложить нейросеть».

| Сигнал | Действие | |--------|----------| | Не можете назвать median first touch | Сначала учёт 2–4 недели | | 3 CRM и Excel «истина» | Сначала master-система | | Бюджет только на API-ключи | Заложите TCO 12 мес. | | Успех = «вау на совещании» | Перепишите success metrics |

Чеклист прозрачного коммерческого предложения

• [ ] Scope: 1 процесс, in/out, stop-list
• [ ] Baseline-метрики и формула KPI
• [ ] Разовые строки vs ежемесячные
• [ ] Что не входит (и как оценивается CR)
• [ ] SLA реакции на инцидент и окно правок знаний
• [ ] Критерий go/no-go на день 30
• [ ] TCO-оценка на 6 и 12 месяцев
• [ ] Unit-метрика (cost per resolved / per qualified)
• [ ] План handoff и обучения смены
• [ ] Freeze scope после cutover на 2 недели

Часто задаваемые вопросы

Сколько стоит «средний» AI-агент для МСП?
Бессмысленная средняя. Реалистичнее вилка контура: от относительно компактной маршрутизации заявок до production с несколькими интеграциями и retainer. Сравнивайте TCO 12 мес. и unit-метрику, не одну цифру в коммерческом.

Retainer обязателен?
Если процесс живой (цены, услуги, сезон), без сопровождения знаний качество падает за 4–8 недель. Можно in-house retainer — но это тоже деньги.

Фикс или time & materials?
Фикс на ясном scope; T&M или пакет часов — на исследовании грязных систем. Смешанная модель чаще честнее чистого «фикс за мечту».

Как понять, что подрядчик занижает цену?
В КП нет baseline, мониторинга, DLQ, обучения и change policy — вы докупите это стрессом. Слишком дешёвое внедрение часто = ваш внутренний TCO ×2.

Читайте также

• Прайсинг услуг автоматизации: пакеты и скрытые затраты
• Сам vs подрядчик: unit-экономика AI-автоматизации
• TCO AI-агента: KPI и стоимость владения 30–90 дней

Нужен расчёт пакетов и break-even по вашему процессу — приходите на raisovich.ru: разложим TCO, unit-метрики и когда автоматизация реально окупается.

Чем TCO 12 месяцев отличается от цены внедрения?

TCO — внедрение плюс 12× (сопровождение, API, каналы, часы owner и доработки); именно его сравнивают с экономией часов и стоимостью потерянных лидов.

Когда автоматизация скорее не окупится?

При потоке в единицы заявок в неделю, знаниях только «в головах», без owner и без готовности менять процесс — «нейросеть поверх хаоса» не даёт unit-экономики.

Что входит в пакет «контур без LLM»?

Формы и каналы → CRM, правила, шаблоны и алерты: порядок входов и дисциплина статусов до пилота агента, когда ещё нет стабильных API и owner.

Ниже — рабочая структура контента под генеративный поиск, не обзор моделей. Классический SEO не отменяю: без индексации и нормального E-E-A-T цитировать часто нечего.

Чем GEO отличается от «просто хорошей статьи»

Генеративный ответ редко копирует ваш H1 целиком. Модель сжимает 2–5 источников в абзац. В этот абзац попадает то, что:

1. Однозначно сформулировано (claim без воды).
2. Привязано к сущности (бренд, продукт, метод, город, стандарт).
3. Подкреплено цифрой, ограничением или шагом, который можно пересказать.
4. Повторено в FAQ/таблицах в согласованных формулировках.

| Элемент | SEO-привычка | GEO-практика | |---------|--------------|--------------| | Первый экран | Интрига, «в статье разберём» | Жирный прямой ответ на запрос за 2–4 предложения | | Сущности | Ключ в title | Явные имена: продукт, метод, роль, гео, версия года | | Доказательства | «Многие отмечают» | Таблица, диапазон, условие, источник типа данных | | FAQ | Ради rich results | Короткие ответы = готовые цитаты для модели | | Обновление | Раз в год | Дата + что изменилось; устаревшие claim режут доверие |

Entity-слой: без кого вас «не из чего» собрать

Entity — не «написать бренд 40 раз». Это согласованная карточка фактов, которую модель может сопоставить across pages.

Мини-карточка entity на ключевой странице

| Поле | Пример (шаблон) | Зачем | |------|-----------------|-------| | Кто | «… — практика внедрения автоматизации для МСП» | Disambiguation | | Что делаете | 3 услуги / 1 метод с именем | Цитируемый объект | | Для кого | Сегмент + анти-сегмент | Меньше галлюцинаций «всем подряд» | | Гео / язык | РФ, RU, удалённо | Локальные ответы | | Ограничения | Чего не обещаете | Снижает выдуманные гарантии | | Proof | Кейс-метрика, срок, стек | Пересказываемый факт |

Практика: одни и те же формулировки entity на «О нас», услуге, кейсе и в Organization/ProfessionalService schema (где уместно). Если на сайте три разных описания «кто вы» — модель выбирает случайное или конкурента.

Чеклист entity за 1 день

• [ ] Одно предложение «кто + для кого + чем не занимаемся»
• [ ] 5–10 стабильных терминов (не синонимическая каша каждый раз)
• [ ] Страница-хаб метода/услуги со ссылками на кейсы
• [ ] Контакты и юр. прозрачность (доверие к источнику)
• [ ] Устаревшие «мы №1» и пустые суперлативы вычищены

Структура страницы под цитирование

Рабочий каркас, который я использую для коммерческих и экспертных URL:

1. Answer-first (2–4 предложения, жирным) — прямой ответ на title/query.
2. Условия применимости — когда совет верен / не верен.
3. Таблица или нумерованные шаги — легко «вырезать».
4. Блок доказательств — метрики, границы, «это не оферта».
5. FAQ 3–6 вопросов — формулировки как у живых людей в ChatGPT.
6. Связанные entity — внутренние ссылки на метод, кейс, прайс-логику.

FAQ, который цитируют

Плохо: «Зависит от многих факторов, давайте обсудим».
Хорошо: «Типовой контур заявок → CRM у МСП занимает 60–90 дней при готовых API; без доступов и owner — дольше».

Правила:

• Вопрос = естественный промпт пользователя.
• Ответ ≤ 400–600 знаков, с числом или ограничением.
• Не противоречить answer-first выше по странице.

Как измерять видимость (без самообмана)

«Нас один раз процитировал Perplexity» — не метрика. Я веду панель 30–50 промптов:

| Тип промпта | Пример | Что смотрю | |-------------|--------|------------| | Категория | «как автоматизировать заявки с сайта в CRM» | Попали ли в shortlist источников | | Сравнение | «сам vs подрядчик автоматизация МСП» | Упоминание подхода / бренда | | Проблемный | «долго отвечаем на лиды что делать» | Цитирование вашего claim | | Брендовый | «[бренд] автоматизация» | Корректность фактов entity | | Негатив/риск | «риски AI-агента в продажах» | Не выдумали ли лишнее |

Протокол замера (раз в 2–4 недели)

1. Фиксирую модели/режимы (например ChatGPT с поиском, Perplexity, Gemini).
2. Тот же список промптов, без «подкрутки» под удачный день.
3. Статусы: cited / mentioned / absent / wrong.
4. Скрин или лог + URL, который утащили в ответ.
5. Доля cited+mentioned по панели = рабочий share of answers.
6. В backlog только страницы, где absent на приоритетных query.

Инструменты вторичны: важнее дисциплина панели. Ручной прогон 40 запросов × 3 системы раз в месяц для МСП-блога часто достаточнее «магического GEO-софта» без процесса.

Типовые ошибки GEO-проектов

| Ошибка | Симптом | Что делаю | |--------|---------|-----------| | Вода в лиде | Модель берёт конкурента с чёткой цифрой | Переписываю answer-first | | 10 синонимов одного метода | Entity «плывёт» | Глоссарий + правка хаба | | FAQ-простыня без ответа | Нет цитаты | Режу до коротких Q&A | | Только новые статьи | Старые URL с трафиком врёт | Обновляю топ-20 URL | | Погоня за брендом в каждом ответе | Игнор / антипаттерн | Сначала полезный claim, бренд вторичен | | Нет замера | «Кажется, стало лучше» | Панель промптов и таблица статусов |

Часто задаваемые вопросы

Нужны ли отдельные «страницы для ChatGPT»?
Отдельный мусорный раздел не нужен. Нужны нормальные URL с answer-first, entity и FAQ. Иногда помогает llms.txt и чистая структура, но это дополнение, не замена смысла.

Schema Markup обязателен?
Не серебряная пуля. Полезен для однозначности (Organization, FAQ, Article), если не врёт. Пустая schema ради schema не поднимает цитируемость.

Сколько времени до эффекта?
Переиндексация и «пересборка» ответов — недели и месяцы. Быстрый win: обновить 10–20 денежящих URL под claim+FAQ, а не написать 50 тонких статей за ночь.

GEO убивает SEO?
Нет. Без технического здоровья, ссылочного и поведенческого контура вас просто не из чего цитировать. GEO — слой формулировок и измеримости в AI-ответах поверх SEO.

Читайте также

• GEO: answer-first блоки и панель запросов для цитируемости
• Как проверить цитирование в ChatGPT и Perplexity
• Сравнение ChatGPT Search, Perplexity и Gemini для бизнеса

Нужна панель промптов и правка топ-страниц под AI-ответы — разберём на raisovich.ru: entity, FAQ и замер share of answers без театра «нас цитирует нейросеть».

Что такое share of answers и как его считать?

Это доля промптов из фиксированной панели 30–50 запросов, где бренд или URL cited/mentioned в ответах ChatGPT, Perplexity и Gemini при регулярном прогоне раз в 2–4 недели.

Зачем entity-слой, если классический SEO уже в порядке?

Модели сжимают 2–5 источников в абзац: без согласованной карточки «кто/что/для кого» и стабильных терминов вас трудно однозначно сопоставить across pages.

Какой answer-first блок цитируют чаще?

Прямой claim за 2–4 предложения с цифрой или ограничением применимости — без интриги «в статье разберём» и без противоречий FAQ ниже по странице.

Ниже — композитный разбор одного production-контура (цифры округлены, отрасль и бренд обезличены). Это не демо «подключили GPT и выручка ×2», а то, что реально удержалось на 30-й и 90-й день.

Контекст «до»: где терялись деньги

Клиент жил в привычной схеме МСП: форма на сайте, письма на общий ящик, менеджеры в WhatsApp Business на личных номерах, CRM «по настроению».

| Метрика (baseline, 4 нед.) | Значение | Боль | |----------------------------|----------|------| | Входящих заявок / нед. | 95–120 | Рост сезона, люди не успевали | | Median first touch (раб. часы) | 4,8 ч | «Горячие» уходили к конкуренту | | % заявок без next-step в CRM | 59% | Нет прогноза и follow-up | | Дубли и «потерянные» диалоги | ~12–15% | Разные номера и чаты | | Доля мусора (спам, нецелевые) | ~22% | Тратили время сильных МОП | | Стоимость часа fully loaded (МОП+дисп.) | ~1 900 ₽ | Считать экономику в часах, не в «магии AI» |

Главный запрос звучал как «хотим AI-агента». Рабочий scope, который я согласовал: не продажи целиком, а приём, нормализация, квалификация по 6 полям, создание сделки, первое касание и эскалация человеку при деньгах/срочности/неясности.

Что внедрили за 72 дня (этапы)

| Фаза | Дни | Что сделали | Результат фазы | |------|-----|-------------|----------------| | 0. Baseline | 1–10 | Выгрузка заявок, разметка топ-тем, карта каналов | Stop-list и KPI go/no-go | | 1. Контур без «мозга» | 11–28 | Webhook формы, парсинг почты, единый inbox → CRM | 100% заявок в CRM как сущность | | 2. Квалификация + шаблоны | 29–48 | Правила + LLM только на извлечение полей и черновик ответа | Shadow 2 нед., правка промптов | | 3. WhatsApp + слоты | 49–62 | Официальный канал, шаблоны, слот диспетчера | First touch <15 мин цель | | 4. Стабилизация | 63–72 | Алерты, DLQ, отчёт, freeze scope | Приёмка по KPI |

Важно: LLM появился не в день 1. Сначала контур данных и владельцы статусов. Иначе «агент» красиво отвечает в пустоту.

Правила агента (жёстко)

• Можно: извлечь компания/город/тип оборудования/срочность, создать/обновить сделку, отправить шаблон «принята, уточним X», предложить 2 слота.
• Нельзя: цена «от себя», обещание выезда «завтра» без слота диспетчера, юр. гарантии, скидки.
• Handoff человеку: бюджет > порога, повторная жалоба, нераспознанный тип работ, клиент просит человека.

Метрики 30 / 60 / 90 дней

Пилот считаю от дня cutover контура (не от первого созвона). Ниже — порядок цифр после стабилизации scope.

| KPI | До | День 30 | День 60 | День ~90 | |-----|----|---------|---------|----------| | Median first touch (раб. часы) | 4,8 ч | 38 мин | 14 мин | 11 мин | | % заявок с next-step в CRM ≤2 ч | 41% | 72% | 84% | 86% | | Авто-квалификация ≥4 из 6 полей | 0% | 58% | 71% | 74% | | Доля handoff человеку в scope | — | 39% | 31% | 28% | | Потери/дубли диалогов | 12–15% | 6% | 3% | ≤3% | | Оценка «ответ по делу» (внутр. аудит 50 диалогов/нед.) | n/a | 78% | 88% | 91% |

Что не выросло сразу: конверсия в оплаченный выезд. Она сдвинулась заметнее к 60–90 дню, когда менеджеры перестали тушить «пустые» заявки и получили нормальный pipeline. Обещать «+40% выручки за месяц» в таких проектах — вредная привычка.

Экономика грубо (порядок)

• Экономия времени на первичной обработке: ~25–35 ч/нед. команды (не «уволили отдел»).
• Минус: каналы, CRM-доработки, сопровождение знаний, мониторинг — отдельные строки TCO.
• Payback контура (внедрение + 3 мес. сопровождения vs сэкономленные часы + меньше потерь лидов): у этого клиента ориентир 4–6 месяцев, не «со второй недели».

Ошибки, которые чуть не похоронили пилот

1. Слишком широкий scope в неделю 1. Хотели и КП, и возражения, и «дожим». Откатили до квалификации + первого касания — метрики поехали вверх.
2. Личные WhatsApp менеджеров. Пока диалоги вне корпоративного канала, CRM врала. Без официального канала кейс не thrives.
3. Знания «в головах» без карточек. Модель выдумывала сроки. Лечится 40–60 карточками с источником правды и запретом импровизации.
4. Нет ежедневного разбора плохих диалогов. Средний score «норм» маскировал 15% токсичных ошибок. Нужны 15–25 fail-кейсов в день на пилоте.
5. KPI только «скорость ответа». Без quality gate команда гнала шаблоны мимо сути. Добавили аудит и stop-list фраз.

Чеклист повторяемости (если копируете)

• [ ] Baseline 2–4 недели: объём, first touch, % next-step, топ-темы, стоимость часа
• [ ] Один процесс, один owner, записанный go/no-go на день 30
• [ ] Все входы → одна сущность в CRM до включения LLM
• [ ] 40+ карточек знаний + stop-list + политика handoff
• [ ] Корпоративный мессенджер-канал, не личные номера
• [ ] Лог каждого ответа: intent, поля, эскалация, оценка
• [ ] Shadow или доля трафика, не big bang на 100%
• [ ] Алерты на падение success rate и очередь DLQ
• [ ] Freeze scope на 2 недели после cutover — не плодить фичи
• [ ] Отчёт 30/60/90 с теми же определениями метрик, что в baseline

Часто задаваемые вопросы

Сколько людей нужно со стороны клиента?
Один владелец процесса (не «комитет»), доступ к CRM/каналам, 3–5 ч/нед. на разбор ошибок на пилоте. Без owner автоматизация сдувается после месяца.

Обязательно ли сразу LLM?
Нет. Сначала маршрутизация и CRM-дисциплина. LLM имеет смысл на извлечении полей, черновиках и классификации — там, где правила начинают ветвиться.

Почему 72 дня, а не 2 недели?
Две недели = демо в песочнице. Реальные сроки съедают доступы, WhatsApp/шаблоны, грязные данные, обучение смены и приёмка по KPI.

Можно ли повторить на e-commerce или услугах b2c?
Схема та же, другие поля и SLA. В b2c чаще упираются в каталог/остатки; в b2b — в квалификацию и слот эксперта.

Читайте также

• Внедрение AI-агента за 90 дней: этапы, цифры и процесс без хайпа
• Контур CRM + webhooks: SLA, мониторинг сбоев и ROI 90 дней
• Очереди, retry и DLQ в автоматизации заявок

Готовы разобрать ваш контур заявок без демо-шоу — напишите на raisovich.ru: снимем baseline и скажем, где автоматизация окупается, а где пока рано.

Какие KPI смотреть на 30-й день после cutover?

Median first touch в рабочие часы, доля заявок с next-step в CRM за ≤2 ч и quality-score ответов по аудиту — скорость без quality gate бесполезна.

С чего начинать контур, если CRM ведётся «по настроению»?

Сначала все входы в одну сущность CRM и владельцы статусов; LLM подключают после baseline и маршрутизации, иначе агент отвечает в пустоту.

Почему конверсия в оплату может не вырасти сразу?

Сначала падает first touch и хаос в pipeline; сдвиг конверсии в оплаченный выезд чаще виден к 60–90 дню, когда менеджеры перестают тушить «пустые» заявки.

Что такое DeepSeek Harness

DeepSeek Harness (dsh) — инфраструктура для запуска AI-агентов: автономных программ, которые используют нейросеть для планирования, вызова инструментов и выполнения задач без постоянного участия человека. Это не модель и не отдельный бот, а «обвязка» вокруг модели: доступ к инструментам, безопасность, логирование, интерфейс.

| Параметр | Значение | |---|---| | Разработчик | DeepSeek AI | | Язык | TypeScript | | Лицензия | MIT (бесплатно, включая коммерческое использование) | | Дата релиза | 13 августа 2026 | | Популярность | 121 000 ★ и 12 000 fork за 3 дня | | Статус | Developer preview — возможны breaking changes | | Запуск | npx @deepseek-ai/dsh web → Web UI на 127.0.0.1:3080 |

Для меня как для инженера, который каждый день проектирует AI-агентов для бизнеса, появление такого инструмента от самого создателя DeepSeek — важный сигнал: LLM-провайдеры начали захватывать слой агентной инфраструктуры, а не только продавать токены.

Как устроен DeepSeek Harness: всё — плагин

Главная архитектурная идея dsh — «Everything is a Plugin» («всё — плагин»). Фреймворк построен на открытой платформе Cordis, где:

• модельные адаптеры — подключаются как плагины;
• инструменты (bash, файлы, веб) — регистрируются как плагины;
• agent loop (цикл «запрос → вызов инструмента → результат») — тоже плагин;
• логи сессий, песочница, политики одобрения — плагины.

У системы нет «привилегированного ядра», которое нужно патчить. Любой компонент заменяется конфигом — профили и бандлы накладываются слоями через cordis.patch.yml.

Что встроено из коробки:

• ✅ песочница для shell-команд (bash/pwsh) с ограничением прав;
• ✅ политика одобрения опасных действий (human-in-the-loop);
• ✅ изоляция файловой системы (fs-sandbox);
• ✅ провайдеры субагентов: Codex и Claude Code;
• ✅ два профиля: web (браузерный интерфейс) и headless (одноразовый запуск без сервера).

DeepSeek Harness vs Hermes: сравнение

Я проектирую ассистентов на Hermes Agent (Nous Research) — это открытый фреймворк, на котором работают все мои клиентские AI-ассистенты. Поэтому вопрос «не заменить ли платформу?» возник сразу. Вот честное сравнение.

| Критерий | DeepSeek Harness | Hermes Agent | |---|---|---| | Вендор | DeepSeek AI (создатель моделей) | Nous Research | | Язык | TypeScript | Python | | Статус | Developer preview (3 дня) | Production (v3.1) | | Мессенджеры (Telegram, WhatsApp и др.) | Пока нет в документации | ✅ Telegram + 10+ платформ | | Память между сессиями | Не заявлена | ✅ Persistent memory | | Самообучение (скиллы) | Не заявлено | ✅ Skills, которые накапливаются | | Sandbox / approval | ✅ Встроены | ✅ Есть | | Профили и изоляция клиентов | ✅ Профили + бандлы | ✅ Profiles (multi-tenant) | | Поддержка MCP | ✅ | ✅ | | Провайдеры моделей | Адаптеры (DeepSeek приоритетно) | 20+ (OpenRouter, DeepSeek, Anthropic, xAI, локальные) |

Вывод, который я делаю для своих клиентов: dsh — это сильный инженерный продукт, но он заточен под кодинг-агентов и браузерный интерфейс. Бизнесу нужны ассистенты, которые живут там, где работает компания: в Telegram, в телефонии, в CRM. Для этого нужен зрелый стек с мессенджер-шлюзом, памятью и годами продакшена — а это сегодня не dsh.

Что значит появление dsh для бизнеса

Тренд очевиден: OpenAI, Anthropic и теперь DeepSeek выпускают собственные harness'ы. Для заказчика это одновременно плюс и минус:

• ✅ Больше конкуренции — цены на агентную инфраструктуру будут падать;
• ✅ Рынок «созревает» — клиенты перестают спрашивать «а что такое AI-агент?», они спрашивают «какой лучше»;
• ⚠️ Шум — каждый месяц выходит «революционный» фреймворк, и бизнесу сложно отличить хайп от рабочего инструмента;
• ⚠️ Вендор-лок — если агент завязан на платформу конкретного провайдера, смена модели становится дорогой.

Моя позиция: клиенту нужен не самый модный фреймворк, а ассистент, который работает и приносит измеримый результат. Поэтому я строю решения на платформо-независимом стеке: Hermes + DeepSeek через OpenRouter + возможность сменить модель в любой момент без переделки системы.

Стоит ли использовать DeepSeek Harness в 2026

Короткий ответ: посмотреть стоит, строить на нём — пока нет.

• 🔴 Dev preview: совместимость ломается от релиза к релизу;
• 🔴 Нет мессенджер-шлюзов — а это ключевая точка контакта бизнеса с клиентами;
• 🔴 Нет долгосрочной памяти и системы навыков;
• 🟢 Архитектура плагинов — образцовая, у неё есть чему поучиться;
• 🟢 Сообщество 121 000 звёзд — экосистема будет расти быстро;
• 🟢 Бесплатно (MIT) — можно тестировать в песочнице без рисков.

Я поставил себе точку ревью через месяц: если dsh добавит стабильный API, мессенджеры и память — он станет реальным кандидатом на роль альтернативной платформы для простых кейсов. А пока мой выбор — зрелый продакшен.

Часто задаваемые вопросы

DeepSeek Harness бесплатный?

Да, проект распространяется по лицензии MIT — бесплатно, включая коммерческое использование. Запускается через npx @deepseek-ai/dsh web, нужен только Node.js.

Чем DeepSeek Harness отличается от Hermes Agent?

Главные отличия: dsh — TypeScript-платформа в статусе developer preview с архитектурой «всё — плагин»; Hermes — зрелый Python-фреймворк с мессенджер-шлюзами (Telegram и другие), долгосрочной памятью и системой самообучающихся навыков. Для бизнес-ассистентов Hermes сегодня практичнее.

Можно ли запустить DeepSeek Harness с моделями DeepSeek?

Да, DeepSeek-адаптеры — приоритетные в dsh. Также поддерживаются сторонние провайдеры и субагенты Codex / Claude Code.

Стоит ли мигрировать на DeepSeek Harness в 2026 году?

Не рекомендую для продакшена: проект в стадии developer preview с breaking changes. Оптимально — следить за развитием и тестировать в песочнице, а критичные бизнес-процессы держать на стабильной платформе.

🚀 Нужен AI-агент, который реально работает, а не «самый модный фреймворк»? Я помогаю бизнесу внедрять ассистентов продаж, поддержки и аналитики на стабильном стеке — с прозрачной ценой и измеримым результатом. Запишитесь на консультацию — разберём вашу задачу и посчитаем окупаемость.

Читайте также:

• Оркестрация AI-агентов: как нейросети работают в команде
• Инструменты AI-агентов: память, human-in-the-loop и запуск
• Стоимость AI-агента для бизнеса: тарифы и ROI

Подходит ли DeepSeek Harness для бизнес-ассистентов в мессенджерах?

Пока нет: в документации нет готовых шлюзов в Telegram, WhatsApp и аналоги. dsh сильнее как платформа для coding-агентов и Web UI, а не как продакшен-стек клиентских ассистентов.

Что значит developer preview DeepSeek Harness для бизнеса?

Это ранний статус с возможным breaking changes между релизами. Смотреть и тестировать в песочнице можно, но строить на нём критичные процессы без запасного плана рискованно.

Зачем DeepSeek AI выпустил собственный agent-фреймворк?

LLM-провайдеры выходят за пределы токенов и захватывают слой агентной инфраструктуры. Для заказчика это больше выбора и конкуренции, но и риск вендор-лока, если стек жёстко завязан на одного вендора.

Я собираю такие пайплайны для блогов, GEO/SEO-блоков и ops-рассылок. Ниже — роли, ворота качества, стоимость итерации и практики, которые реально режут выдуманные факты.

Схема пайплайна: стадии, а не «один промпт»

| Стадия | Вход | Выход | Кто/что | |--------|------|-------|---------| | 0. Demand | тема, intent, KPI | приоритет в backlog | редактор / SEO | | 1. Brief | audience, angle, sources | brief 1–2 экрана | человек + шаблон | | 2. Research | brief, URL/доки | fact-pack со ссылками | agent + tools | | 3. Draft | brief + fact-pack | черновик MD/MDX | LLM draft agent | | 4. QA gates | draft | pass/fail + diff | automations + editor | | 5. Publish | approved | URL, index, UTM | CMS/CI | | 6. Learn | метрики 7/28 дн. | правки шаблона | аналитика |

Ключ: draft-модель не имеет права на publish. Publish — отдельная роль и отдельный токен/ACL.

Роли в контуре

| Роль | Зона | Не делает | |------|------|-----------| | Topic owner | спрос, KPI, «зачем статья» | правка каждого абзаца | | Brief author | угол, stop-list, источники | генерация 3000 знаков «от себя» | | Draft agent | структура, answer-first, черновик | финальные цифры без fact-pack | | Fact checker | сверка цифр, дат, имён, URL | стилистика | | Editor (HITL) | тон, логика, бренд, юридическое | ручной ресёрч с нуля каждый раз | | Publisher | CMS, slug, image, schema | изменение смысла без QA |

В маленькой команде 1 человек = 2–3 роли, но чек-листы ролей не сливаются: иначе редактор «устаёт и жмёт publish».

Quality gates: что должно блокировать релиз

Gate A — Brief complete

• [ ] Один главный вопрос (title = ответ)
• [ ] Audience + stage (TOFU/MOFU/BOFU)
• [ ] 3–7 обязательных фактов / источников
• [ ] Stop-list (что нельзя обещать)
• [ ] CTA и internal links заданы

Gate B — Draft structure

• [ ] Answer-first в первом абзаце (жирный тезис)
• [ ] 3–5 H2, без воды «в этой статье»
• [ ] Таблица или чеклист ≥1
• [ ] FAQ 3–4
• [ ] Длина и slug в допуске

Gate C — Factual / hallucination

• [ ] Каждая цифра имеет source_id в fact-pack
• [ ] Нет «исследований» без URL/имени
• [ ] Цены, сроки, % — только из brief или tool
• [ ] Имена продуктов/законов сверены
• [ ] Авто-проверка: claim extractor → match sources (fail if orphan claims)

Gate D — Brand & risk

• [ ] Тон (я / вы), без запрещённых формулировок
• [ ] Юр. и мед. дисклеймеры где нужно
• [ ] Изображение и alt, нет чужих логотипов
• [ ] Canonical / category / tags

Gate E — Publish

• [ ] Preview OK, mobile
• [ ] Image >30KB, webp
• [ ] 200 на URL после deploy
• [ ] Индексация/пинг по регламенту

Fail на C или D = не publish, а возврат на draft/research. Не «чуть подправить на проде».

Контроль галлюцинаций: практики, которые работают

1. Fact-pack first — модель пишет только из упакованных фактов + явно помеченных допущений.
2. Tool-grounding — цены, остатки, «актуально на дату» через API/таблицу, не из памяти модели.
3. Claim ledger — список утверждений; orphan claim = blocker.
4. Two-model review — вторая модель только ищет неподтверждённое (не «улучшает стиль»).
5. Человек на цифрах — 3–10 минут editor time на article beats 3 часа репутационного тушения.
6. Version freeze — промпт и шаблон версионируются; A/B шаблона, не хаос в system prompt.
7. Post-publish spot-check — 10% выборочно в первую неделю.

Типичные галлюцинации в контент-пайплайне: выдуманные % исследований, несуществующие функции продукта, «кейсы» с круглыми цифрами, битые «факты закона». Gate C заточен именно под них.

Стоимость итерации: чтобы масштаб имел смысл

| Статья затрат | Порядок на 1 материал (МСП-блог) | |---------------|----------------------------------| | Brief человека | 15–40 мин | | Research agent + tools | 5–40 ₽ токены / 5–15 мин | | Draft | 5–25 ₽ / 2–5 мин | | Auto-QA | 2–10 ₽ | | Editor HITL | 20–60 мин | | Image + deploy | 5–15 мин | | Цикл draft→QA→fix | часто 1–3 итерации |

Если editor >90 минут на материал стабильно — ломается brief или fact-pack, а не «модель тупая».
Если итераций >4 — ужесточаю Gate A/B до генерации.

Целевая экономика: человек усиливает gate и смысл, машина — объём и структуру. Когда человек переписывает 70% текста, пайплайн ещё не production.

30–90 дней внедрения пайплайна

| Период | Фокус | KPI | |--------|-------|-----| | 0–30 | 1 формат (например, SEO-статья), gates A–E | 8–12 материалов, <2 critical fact errors | | 31–60 | шаблоны, auto claim-check, image pipeline | −30% editor time, стабильный SLA publish | | 61–90 | 2-й формат, learn-loop по CTR/позициям | unit-экономика материала, backlog из метрик |

Часто задаваемые вопросы

Можно ли без редактора, только auto-QA?

Для внутренних черновиков и low-risk — частично. Для публичного блога, цен, юр. и медицинских тем — нет. Auto-QA ловит структуру и orphan claims; тон, риск и «неловкую правду» закрывает человек.

Чем пайплайн отличается от ChatGPT + копипаст в CMS?

Версии, роли, ACL на publish, fact-pack, повторяемые gates и метрики цикла. Копипаст не масштабируется без роста ошибок линейно с объёмом.

Как встроить GEO/answer-first?

В brief и Gate B: первый абзац = прямой ответ, цитируемые таблицы, FAQ, явные определения. GEO без fact-gates опаснее SEO: модель охотнее попадает в ответы с уверенной ложью.

Что делать с галлюцинацией после publish?

Rollback/unpublish или hotfix в SLA <2 часов, postmortem: какой gate не сработал, добавить тест в claim-check, обновить stop-list. Не «разово поправили» без изменения контура.

Читайте также

• GEO: answer-first блоки и панель запросов для цитируемости
• Верификация AI-контента и защита от дипфейков
• Нейросети для контент-маркетинга: SEO-тексты 2026

🚀 Нужен AI-пайплайн контента с quality gates и контролем галлюцинаций — от brief до publish?
Соберу стадии, роли, авто-проверки и unit-экономику итерации под ваш формат и CMS.

Заказать консультацию — raisovich.ru

Почему draft-модель не должна иметь право на publish?

Publish — отдельная роль и ACL: иначе ошибка fact-pack или orphan claim уходит на сайт без gate C/D. Draft пишет черновик; релиз делает publisher после pass QA.

Когда editor time на материал слишком большой?

Если редактор стабильно больше 90 минут на статью — ломается brief или fact-pack, а не «модель тупая». При больше чем 4 итерациях draft→QA ужесточаю Gate A/B до генерации.

Что обязательно блокирует релиз в quality gates?

Fail на factual/hallucination (Gate C) или brand & risk (Gate D): orphan claims, цифры без source_id, юр./мед. риск. Это возврат на draft/research, а не «чуть подправить на проде».

Я собираю такие контуры для МСП так же, как интеграционный контур, а не как «макрасы в таблице». Ниже — архитектура, SLA, как ловить падения и как считать отдачу без самообмана.

Архитектура контура: слои, а не спагетти

Типовой production-контур, который я защищаю на ревью:

| Слой | Компоненты | Ответственность | |------|------------|-----------------| | Каналы | Telegram, WhatsApp, виджет, почта | вход событий, идемпотентность message_id | | Оркестратор | n8n / Make / custom worker / queue | маршруты, ретраи, dead-letter | | Система правды | CRM / 1С / ERP | статусы, сделки, контакты | | Операционные данные | Google Sheets / DB | справочники, прайсы, временные очереди | | Действия | webhooks out, email, SMS, задачи | side-effects с ACL | | Наблюдаемость | логи, метрики, алерты | MTTR, error budget |

Правила, без которых контур развалится

1. Один source of truth на сущность (сделка живёт в CRM, не дублируется «чуть-чуть» в таблице).
2. Идемпотентность: повтор webhook не создаёт второго лида.
3. Контракт события: JSON-схема, версия, обязательные поля.
4. Очередь + DLQ: сбой ≠ тихий loss.
5. Секреты вне сценариев (vault/env), ротация ключей.
6. Теневой режим на digests перед write в CRM.

Пример цепочки «лид → CRM → менеджер»

Webhook формы → validate → dedupe по phone/email → create/update CRM → notify Telegram менеджеру → SLA-таймер первого касания → эскалация если no-touch.

Таблица не заменяет CRM на этом пути — максимум staging для ручного импорта и A/B полей.

SLA контура: что прописываю до запуска

SLA — не «обычно быстро», а числа в runbook.

| Показатель | Target (типичный МСП) | Как меряю | |------------|------------------------|-----------| | Ingest latency p95 | ≤30–60 сек | event_ts → ack | | CRM write success | ≥99,5% / сутки | ok / (ok+fail) | | End-to-end lead→notify | ≤2 мин p95 | event → сообщение менеджеру | | First human touch (бизнес-SLA) | ≤15 мин в рабочее | CRM activity | | Retry budget | 3–5 попыток, backoff | очередь | | DLQ age | <1 часа в рабочее | мониторинг глубины | | RPO/RTO сценариев | бэкап flow + rollback 15–30 мин | drill раз в квартал |

Отдельно: бизнес-SLA (ответ клиенту) и тех-SLA (доставка события) — разные метрики. Контур может быть «зелёным», а менеджеры молчать — это уже people/process.

Мониторинг сбоев: что должно орать первым

Сигналы

• spike 4xx/5xx на webhook ingress;
• рост DLQ / poisoned messages;
• latency p95 выше порога 10+ мин;
• расхождение счётчиков: forms submitted vs CRM created;
• auth errors (протухший token CRM/Telegram);
• schema validation fail rate.

Минимальный стек наблюдения

| Уровень | Инструмент (пример) | Алерт | |---------|---------------------|-------| | Uptime endpoint | healthcheck оркестратора | pager/Telegram ops | | Бизнес-счётчики | daily reconcile job | diff > N | | Логи run | centralized log + trace_id | error spike | | Синтетика | раз в 15 мин тестовый лид | e2e fail | | On-call | дежурный + runbook | эскалация 15/30/60 |

Я всегда завожу reconcile: ночной или часовой скрипт «сколько заявок с сайта vs сколько в CRM». Без него «тихо потеряли 12 лидов» всплывает через неделю в продажах.

Типовые сбои и реакция

| Сбой | Симптом | Первое действие | |------|---------|-----------------| | CRM API down | 5xx, queue grow | pause writes, buffer, status page | | Дубли лидов | 2+ deal на phone | stop flow, fix dedupe key | | Неверная схема | validation errors | freeze deploy, patch mapper | | Токен мессенджера | 401 notify | rotate token, replay DLQ | | Человек не берёт | green tech, red business SLA | эскалация менеджеру/РОП |

ROI за 30–90 дней: как считаю честно

Формула

ROI = (сэкономленные часы × ставка + доп. выручка от скорости/непотерь − opex контура) / invest

| Статья | 30 дней | 60–90 дней | |--------|---------|------------| | Invest (сборка + интеграции) | 80–250 тыс. ₽ пилот | + доработки | | Opex (оркестратор, API, дежурство) | 5–40 тыс. ₽ | стабилизация | | Экономия (ручной ввод, пинги) | 20–80 ч × ставка | растёт с объёмом | | Непотерянные лиды | 2–8% заявок «не упали» | основной рычаг B2B | | Скорость first touch | −30–70% времени | влияет на конверсию |

Что даёт сигнал уже на 30-й день

• 100% заявок имеют trace в CRM;
• p95 notify <2 мин;
• ручной ввод по процессу −50%+;
• DLQ отрабатывается same-day.

Что ждать к 90-му

• стабильный error budget;
• runbook и второй человек, который умеет чинить;
• цифра «сколько выручки/часов» в отчёте РОПа, не только «автоматизация внедрена».

Если объём <20 событий/неделю, ROI на интеграциях слабый — дешевле полуручной регламент. Контур окупается на повторяемости и цене ошибки (лид, сверка, SLA клиента).

Чеклист запуска контура

• [ ] Процесс и owner (бизнес + тех)
• [ ] Карта событий и source of truth
• [ ] Контракт webhook + версия
• [ ] Dedupe и идемпотентность
• [ ] Retry + DLQ + replay
• [ ] Тех-SLA и бизнес-SLA записаны
• [ ] Алерты в рабочий чат + on-call
• [ ] Синтетический e2e-пинг
• [ ] Daily/hourly reconcile счётчиков
• [ ] Rollback: выключить write, оставить log
• [ ] Обучение менеджеров «что делать, если бот/контур молчит»

Часто задаваемые вопросы

Sheets вместо CRM — нормально?

Как временный staging или справочник — да. Как система сделок и SLA касаний — нет: нет прав, аудита, воронки и нормальных API-блокировок. Я выношу правду в CRM, таблицу оставляю для операционных списков.

n8n/Make или свой worker?

Для 5–15 потоков и МСП low-code часто быстрее. Свой worker — когда нужны жёсткие очереди, высокая нагрузка, сложный ACL и audit. Критерий: стоимость простоя и сложность side-effects, не «модность стека».

Как не утонуть в ретраях?

Backoff, jitter, max attempts, DLQ, алерт на глубину, идемпотентные ключи. Бесконечный retry без DLQ маскирует баг и дублирует side-effects (второй SMS, вторая задача).

За сколько виден ROI?

На потере лидов и ручном вводе — часто 30–45 дней при стабильном трафике. На «мягкой» экономии времени команды — ближе к 60–90 и только с baseline chronometry.

Читайте также

• Кейс: автоматизация отдела поддержки за 30 дней
• Кейс: автосверка актов и платежей в сервисе за 48 дней
• Цены на автоматизацию: фикс, retainer и value-based

🚀 Нужен контур CRM + мессенджеры + webhooks со SLA и мониторингом, а не «три автоматизации до первого сбоя»?
Спроектирую архитектуру, контракты событий, алерты и модель ROI на 30–90 дней под ваш объём.

Заказать консультацию — raisovich.ru

Чем тех-SLA контура отличается от бизнес-SLA?

Тех-SLA — доставка события (ingest, CRM write, notify p95). Бизнес-SLA — first human touch и ответ клиенту. Контур может быть зелёным по API, пока менеджеры молчат — это уже people/process, не «сломался webhook».

Зачем reconcile заявок с сайта и CRM?

Без ежедневной/часовой сверки счётчиков «тихо потерянные» лиды всплывают через неделю в продажах. Reconcile ловит расхождение forms vs CRM created раньше, чем РОП заметит дыру в воронке.

Когда контур CRM + webhooks ещё рано строить?

При объёме меньше ~20 событий в неделю ROI на интеграциях слабый — дешевле полуручной регламент. Контур окупается на повторяемости и цене ошибки: потерянный лид, сверка, SLA клиента.

Я не «подключаю GPT к CRM» и не продаю магию. Я вырезаю один процесс, даю агенту инструменты и правила, оставляю человека на критичных шагах и меряю baseline через 30–60 дней. Ниже — рабочая схема: роль, tools/память, HITL, метрики, риски и чеклист запуска.

Роль агента: не «коллега», а слот в процессе

Агент занимает конкретный слот в цепочке: принять заявку → классифицировать → достать факт → ответить / создать задачу → эскалировать. Без слота он болтает.

| Роль | Что делает | Чего не делает | |------|------------|----------------| | First-line support | FAQ, статус, сбор данных | Скидки «от себя», юр. обещания | | Квалификатор лида | BANT/ICP, слот в календарь | Закрытие сделки без менеджера | | Ops-рутина | Сверка, напоминания, черновики | Финальный платёж/подпись без HITL | | Research-assist | Сводка по правилам | Публикация без QA |

Правило, которое я фиксирую в ТЗ: один процесс, один владелец, один go/no-go. Расширение scope — только после метрик, не «раз уж запустили».

Tools и память: без чего агент — просто LLM

Tools (инструменты)

Агенту нужны явные действия, а не «сам догадается»:

• чтение CRM / таблицы / базы знаний (read);
• запись статуса, тикета, тега (write с ACL);
• webhook/API мессенджера;
• калькулятор/прайс по формуле;
• поиск по утверждённым документам (RAG с источником).

Связка с трендом 2026: модели с programmatic tool calling умеют оркестрировать tools эффективнее, но бизнес-правила и ACL всё равно ваши — модель не заменяет политику доступа.

Память

| Тип | Срок жизни | Зачем | Риск | |-----|------------|-------|------| | Session | диалог | контекст реплик | утечка PII в логах | | Working | задача/тикет | состояние шагов | «залипший» статус | | Long-term | профиль/предпочтения | персонализация | устаревшие факты | | Knowledge | KB/RAG | правда компании | галлюцинации вне корпуса |

Я разделяю: память диалога ≠ источник правды. Цены, остатки, статусы заказов — только из tools/API, не из «помню, что вчера сказали».

Минимальный каркас

1. System policy + stop-list.
2. Router intent → tool plan.
3. Tool result → ответ с цитатой источника (id записи/дока).
4. Confidence / policy check → HITL или publish.
5. Audit log: prompt version, tools, latency, outcome.

Human-in-the-loop: где человек обязателен

HITL — не «если бот не справился», а проектные ворота:

| Триггер | Действие человека | SLA | |---------|-------------------|-----| | Сумма / скидка / возврат выше порога | approve / reject | ≤15–30 мин в рабочее | | Юр., мед., фин. обещания | шаблон или эскалация | немедленный handoff | | Confidence ниже порога | правка ответа | в очереди HITL | | Жалоба / конфликт | только человек | приоритет P1 | | Новый intent вне scope | разбор + KB | daily review |

Схема, которая стабильно живёт в МСП:

• Shadow 1–2 недели: агент предлагает, человек шлёт.
• Assist: агент отвечает, человек видит и может перехватить.
• Auto в scope + HITL на edge: 40–70% закрытий без касания, остальное — очередь.

Без очереди HITL и владельца смены «эскалация» превращается в чёрную дыру в Telegram.

Метрики до/после: что я снимаю

Без baseline разговор про ROI — маркетинг.

| Метрика | До (пример) | После 45–60 дн. (target) | |---------|-------------|---------------------------| | Доля автозакрытий в scope | 0% | 40–60% | | First response | 15–120 мин | <60 сек бот / <5 мин HITL | | Время на тикет у оператора | 8–12 мин | 3–6 мин (assist) | | Повторные обращения 7 дн. | baseline | −10–25% при хорошей KB | | False escalation | — | 8–15% | | Hallucination / fact error | — | <1% после stop-list + tools | | CSAT / CES | baseline | не хуже, лучше +0,2–0,5 |

Экономика грубо: (часы, снятые с линии × fully loaded ставка) − (токены + сопровождение + HITL-FTE). Пилот часто 0,2–0,5 FTE надзора; «агент без людей» — миф на старте.

Риски и чеклист запуска

Риски, которые реально бьют

• Facts in heads → агент выдумывает.
• Write-tools без ACL → порча CRM.
• Нет versioning промптов/KB → «вчера работало».
• Scope creep на 2-й неделе.
• Игнор 152-ФЗ / согласия / маркировки ИИ-ответов где нужно.
• Метрики только vanity (число сообщений бота).

Чеклист запуска (go-live)

• [ ] Один процесс и владелец названы письменно
• [ ] Baseline 2–4 недели цифр снят
• [ ] Stop-list + policy «бот использует ИИ»
• [ ] ≥30–60 карточек знаний с источником
• [ ] Tools: read/write с правами, dry-run на стенде
• [ ] HITL-очередь, дежурный, SLA эскалации
• [ ] Логи: intent, tools, confidence, outcome, версия
• [ ] Go/no-go критерии на день 30 записаны до запуска
• [ ] Rollback: выключить auto, оставить handoff
• [ ] Обучение смены 1–2 часа + шпаргалка перехвата

Часто задаваемые вопросы

Нужна ли «агентная» платформа или хватит бота с tools?

Для одного узкого процесса часто хватает gateway + LLM + 3–7 tools + HITL. Платформа/оркестратор окупается, когда появляются мультишаги, несколько ролей и жёсткий audit. Сначала процесс и метрики, потом фреймворк.

Сколько памяти хранить о клиенте?

Минимум для задачи: id, открытые тикеты, согласие на коммуникацию, явные предпочтения. Не тащите сырые переписки в long-term без политики хранения и доступа — это и риск, и шум для модели.

Когда убирать HITL с шага?

Только после 2–4 недель стабильных метрик на этом шаге: error rate, жалобы, ручные правки. Снимаю HITL точечно (например, статусы заказа), никогда «весь процесс сразу».

Чем tools лучше «просто хорошего промпта»?

Промпт не видит актуальный остаток и не создаёт задачу в CRM атомарно. Tools дают проверяемый факт и действие; промпт задаёт политику, тон и когда звать человека.

Читайте также

• Архитектура AI-агента: роли, guardrails и handoff
• Внедрение AI-агента за 90 дней: этапы, цифры и процесс
• TCO AI-агента: KPI и стоимость владения за 30–90 дней

🚀 Нужен AI-агент в одном процессе — с tools, HITL и метриками до/после?
Соберу scope, политику, контур tools и чеклист go-live так, чтобы через месяц было что показать в цифрах, а не в демо-чате.

Заказать консультацию — raisovich.ru

Какой процесс брать первым под AI-агента?

Узкий, повторяемый, с ясным owner и измеримым baseline: first-line FAQ, квалификация лида или ops-рутина. Без одного go/no-go scope агент расползается в «чат про всё».

Что обязательно снять до go-live агента?

Baseline 2–4 недели: first response, время на тикет, доля ручных шагов, повторные обращения. Без цифр «до» разговор про ROI после запуска — маркетинг, а не управление.

Чем shadow mode отличается от auto с HITL?

В shadow агент только предлагает, человек отправляет; в auto в scope ответы уходят сами, а HITL остаётся на порогах денег, низком confidence и жалобах. Снимать HITL точечно после стабильных метрик, не «весь процесс сразу».

Ниже — рабочая рамка без прайс-листа «для всех»: когда какая модель, как ставить якоря, как отрабатывать возражения и как не убить маржу скрытыми часами.

Три модели: когда какую брать

| Модель | Когда уместна | Риск исполнителя | Риск клиента | Типичный выход | |--------|---------------|------------------|--------------|----------------| | Фикс | Пилот 4–8 недель, ТЗ на 1 контур | Scope creep | Переплата/недоплата vs факт | Внедрение + runbook | | Retainer | Поддержка, доработки, SLA | Недозагруз / перегруз | «Платим, а что сделали?» | Часы/кредиты + отчёт | | Value-based | Явная $ или ₽ метрика | Не достигли KPI | Споры attribution | % от эффекта / success fee | | Гибрид | Фикс пилот + retainer + бонус | Сложнее договор | Прозрачнее путь | Этапы с гейтами |

Правило выбора за 60 секунд

1. Результат нельзя измерить однозначно → не value-based.
2. Scope плавает каждую неделю → retainer или time&materials с cap, не «вечный фикс».
3. Один контур, один KPI, один владелец со стороны клиента → фикс на пилот.
4. После go-live нужны правки правил и интеграции → закладывайте retainer сразу в коммерческое предложение.

Якоря и пакеты: как не торговаться «с нуля»

Клиент всегда сравнивает. Если вы не даёте якорь, якорем станет фриланс за «троечку» или зарплата одного сотрудника «как будто навсегда».

Три пакета (логическая витрина)

| Пакет | Состав | Для кого | Якорь в разговоре | |-------|--------|----------|-------------------| | Audit / Discovery | as-is, baseline метрик, карта scope, оценка | Кто не готов к внедрению вслепую | «Дешевле, чем ошибочный пилот» | | Pilot | 1 процесс, 30–60 дней, KPI до/после | Кто хочет цифры, не презентацию | Сравнение с FTE × месяцы | | Scale + Care | доработка, мониторинг, новые контуры | После успешного пилота | Стоимость простоя vs retainer |

Ценовые якоря, которые работают в B2B

• Стоимость часа сотрудника × часы процесса × 12 — верхняя экономическая рамка.
• Стоимость ошибки (потерянная заявка, просроченная дебиторка, штраф SLA).
• Цена задержки (месяц без пилота = ещё N часов ручной работы).
• Пакет «дорого» рядом с «нормой» — не чтобы продать люкс, а чтобы сделать средний пакет очевидным.

Я не обещаю ROI в КП без baseline. Без цифр «до» value-based — лотерея для обеих сторон.

Unit-экономика сделки (с стороны исполнителя)

Пока не посчитан вклад сделки, любая скидка — удар по себестоимости следующих проектов.

| Статья | Что включить | |--------|----------------| | Прямые часы | discovery, сборка, интеграции, тесты, обучение | | Риск-буфер | 15–30% на scope ambiguity (ниже — если ТЗ железное) | | Инструменты | API, хостинг, лицензии на время проекта | | Поддержка post-go-live | 2–4 недели в цене пилота или отдельной строкой | | CAC продажи | созвоны, КП, ожидание решения (часто забывают) | | Маржа цели | иначе вы строите конвейер выгорания |

Простая проверка перед скидкой

Маржа_после_скидки = Цена × (1 − скидка) − (часы × ставка + расходы)
Если маржа_после_скидки < целевой минимум → меняем scope, не «ещё −15%».

Скидка без вырезания scope = вы дарите часы. Лучше: убрать интеграцию B, оставить A, сохранить цену пакета.

Возражения и ответы без демпинга

| Возражение | Что стоит за ним | Ответ-рамка | |------------|------------------|-------------| | «Дорого» | Нет якоря ценности | Считаем час процесса и стоимость ошибки за квартал | | «Давайте по часам» | Страх фикса | Фикс на пилот + прозрачный change request | | «Сделайте дешевле — потом ещё закажем» | Риск невозврата | Пилот как отдельная ценность; volume — после KPI | | «У конкурента дешевле» | Другой scope | Сводим 3 колонки: вход, выход, кто в риске | | «Value-based 50/50» | Перенос риска | Только с baseline, window замера и исключений | | «Retainer непонятно за что» | Нет отчёта | Кредиты часов + backlog + SLA реакции |

Value-based: минимальный договорный каркас

• Метрика (одна!), формула, источник данных.
• Baseline и окно замера (например, 60 дней после go-live).
• Что не входит в attribution (сезонность, новая реклама, смена прайса).
• Cap и floor по success fee.
• Право на аудит цифр обеими сторонами.

Без этого success fee превращается в спор на созвоне через три месяца.

Практический чеклист коммерческого предложения

• [ ] Модель цены названа явно (фикс / retainer / гибрид / value)
• [ ] Scope: in / out / change request
• [ ] KPI пилота и способ замера
• [ ] Срок, роли клиента (без владельца процесса — стоп-фактор)
• [ ] Что после go-live: handover или retainer
• [ ] Якорь ценности в 2–3 числах (часы, ошибки, цикл)
• [ ] Цена пакетом + опции, не «от …» без границ
• [ ] Условия предоплаты и стоп-работы при простое со стороны клиента

Часто задаваемые вопросы

Можно ли сразу value-based на первый проект с новым клиентом?

Редко. Нет доверия к данным и нет joint baseline. Я чаще фиксирую пилот, собираю метрики и только на втором контуре добавляю success fee.

Retainer — это «оплата за воздух»?

Нет, если есть: кредиты часов, приоритет, SLA реакции, ежемесячный отчёт и backlog. Если отчёта нет — да, это воздух, и клиент прав.

Фикс всегда выгоднее клиенту?

Только при стабильном scope. Иначе фикс раздувается change request'ами или исполнитель режет качество. Иногда честный retainer дешевле нервов и скрытых доплат.

Как индексировать цены раз в год?

Привязка к фактической себестоимости часа и к слову инструментария, плюс 30–60 дней notice. Для retainer — пересмотр scope: что выросло в объёме, то либо дороже, либо уже.

Читайте также

• Прайсинг услуг автоматизации: пакеты и скрытые затраты
• Cost per resolved: unit-экономика AI-автоматизации за 90 дней
• Сам vs подрядчик: unit-экономика AI-автоматизации

Разобрать модель цены под ваш пилот или retainer: https://raisovich.ru

Когда на автоматизации брать фикс, а когда retainer?

Фикс — на пилот с жёстким scope и KPI; retainer — на поддержку, доработки и приоритет после go-live, когда поток мелких задач непредсказуем.

Что обязательно прописать в value-based договоре на внедрение?

Одну метрику и формулу, baseline, окно замера, исключения из attribution, cap/floor success fee и право сторон сверить исходные данные.

Как отвечать на «дорого» без мгновенной скидки?

Считают стоимость часа процесса и цену ошибки за квартал, сравнивают пакеты по входу/выходу/риску; скидка без вырезания scope — подарок часов исполнителя.

Ниже — практическая схема без обзора моделей: структура контента под генеративный поиск, что повышает шанс цитирования и как считать share of answers без самообмана.

Почему классического SEO недостаточно для GEO

Классический SEO оптимизирует сниппет и клик. Генеративный ответ часто закрывает вопрос на месте: модель собирает 2–5 источников в один абзац. Если у вас нет чёткого claim, который можно «вырезать» без потери смысла, вас просто не из чего цитировать.

| Сигнал | SEO (упрощённо) | GEO (практика) | |--------|-----------------|----------------| | Заголовок | ключ + CTR | вопрос пользователя = H2/H3 | | Первый экран | интрига | прямой ответ 2–4 предложения | | Доказательства | «экспертность» общим текстом | цифры, шаги, таблицы, даты | | Структура | длинный narrative | блоки, которые живут отдельно | | Успех | позиции + трафик | упоминание / цитата / ссылка в AI-ответе |

Три слоя цитируемости

1. Claim — однозначный тезис (что, для кого, за какой срок/в каких границах).
2. Evidence — таблица, чеклист, метрика, пример «до/после».
3. Boundary — когда подход не работает (модели любят оговорки из первоисточника).

Без boundary страницу чаще пропускают в пользу более «аккуратного» конкурента.

Answer-first: шаблон блока, который модели реально переиспользуют

Каждый H2 я собираю как мини-статью:

## [Вопрос пользователя дословно или близко]
**Прямой ответ (2–4 предложения, жирным или сразу с фактом).**

Короткое пояснение (1 абзац).

| Критерий | Значение |
| ... таблица или нумерованные шаги ...

Ограничения: ...

Чеклист страницы услуги / гайда

• [ ] Title и H1 совпадают с намерением запроса, не с внутренним сленгом
• [ ] Первый абзац = ответ, не «в этой статье расскажем»
• [ ] Есть ≥1 таблица или нумерованный процесс (3–7 шагов)
• [ ] Есть блок «не подходит, если…»
• [ ] FAQ 3–5 вопросов теми словами, как спрашивают в чате
• [ ] Согласованы сущности: имя услуги, срок, география, цена-ориентир
• [ ] Дата актуальности или явный контекст года (2026)
• [ ] Автор/экспертиза не пустой byline: роль + зона ответственности

entность vs «вода»

Модели плохо цитируют абзацы вида «важно выстроить эффективную стратегию». Хорошо цитируют: «Пилот сверки актов занимал 48 дней при 200 документах/мес.; auto-match вышел на 64%». Факт + граница + единица измерения.

Панель запросов: как я замеряю видимость

Без панели вы оптимизируете вслепую. Я держу фиксированный список промптов (не меняю формулировки каждую неделю) и прогоняю их в 2–3 движках.

Как собрать панель (30–50 штук)

| Тип промпта | Пример | Зачем | |-------------|--------|-------| | Прямой how-to | «Как автоматизировать сверку актов и платежей» | ядро услуги | | Сравнение | «Фикс или retainer на внедрение автоматизации» | коммерческий интент | | Локальный/рынок | «Внедрение автоматизации для МСП в России 2026» | контекст | | Определение | «Что такое GEO оптимизация для AI поиска» | entity/термин | | Возражение | «Почему автоматизация сверки не окупается» | risk-контент | | Чеклист | «Чеклист запуска пилота автоматизации учёта» | listicle-ответы |

Шкала замера (на один промпт × движок)

| Оценка | Критерий | |--------|----------| | 2 | Бренд/сайт назван или процитирован с узнаваемой формулировкой | | 1 | Тема покрыта конкурентами, вас нет, но запрос «ваш» | | 0 | Ответ общий / оффтоп / устаревший без шанса на цитату | | −1 (опц.) | Упомянут конкурент с вашим УТП дословно «украденным» из выдачи |

Считаю Share of Answers = сумма баллов / (число промптов × число движков × 2). Смотрю тренд раз в 2–4 недели, не ежедневную суету.

Анти-самообман

• Не менять промпты под удачный ответ.
• Не засчитывать «модель знает тему» без вашего следа.
• Отдельно логировать: есть ли ссылка, только бренд, или пересказ без атрибуции.
• После крупных правок страницы — повтор панели через 7–14 дней (индексация/кэш).

Что усиливает цитируемость помимо текста

| Рычаг | Зачем моделям/поиску | |-------|----------------------| | Согласованные факты на сайте и в профилях | меньше конфликта источников | | Кейсы с цифрами и сроком | готовый evidence-блок | | llms.txt / понятная карта важных URL | навигация для краулеров и агентов | | Свежие даты и changelog услуги | снижение риска устаревшего совета | | Внешние упоминания (отраслевые обзоры, каталоги) | подтверждение entity |

GEO не отменяет техническое SEO: если страница не открывается, долго грузится или закрыта от индекса — цитировать нечего.

Часто задаваемые вопросы

GEO — это то же самое, что AEO?

Пересекается. AEO чаще про featured/voice-ответы классического поиска, GEO — про генеративные движки и ассистентов. На практике один answer-first каркас закрывает оба контура, если есть факты и FAQ.

Нужно ли писать отдельные тексты «для ChatGPT» и «для Google»?

Отдельный «тайный» текст не нужен. Нужна одна каноническая страница с жёсткой структурой: ответ, доказательства, границы, FAQ. Дальше — адаптация под интент, не под логотип движка.

Как часто обновлять панель запросов?

Ядро (70%) держу стабильным кварталами. 30% ротирую, когда меняется продукт или появляются новые возражения клиентов. Иначе вы теряете сопоставимость замеров.

Сколько времени до первых цитирований?

Зависит от ниши и конкуренции. Реалистичный горизонт для МСП-контента — недели/месяцы после публикации сильных блоков и внешних сигналов, не «на следующий день после H2». Панель покажет тренд раньше, чем «ощущение трафика».

Читайте также

• GEO: как попасть в ответы AI-поиска — сущности и замеры
• SEO vs AEO vs GEO: как правильно выбрать стратегию продвижения для бизнеса в 2026
• Сравнение ChatGPT Search, Perplexity и Gemini для бизнеса

Нужен GEO-аудит блога или панели запросов под вашу нишу: https://raisovich.ru

Что такое Share of Answers в GEO и как его считать?

Это сумма баллов по фиксированной панели промптов, делённая на число промптов × число движков × 2; смотрят тренд раз в 2–4 недели, а не ежедневные скачки.

Зачем в answer-first блоке писать ограничения и boundary?

Модели охотнее переиспользуют аккуратный claim с границами применимости; без оговорок страницу чаще пропускают в пользу более «осторожного» источника.

Сколько промптов достаточно для панели цитируемости?

Практичный диапазон — 30–50 фиксированных формулировок в 2–3 движках: ядро стабильно кварталами, около 30% ротируют при смене продукта или возражений.

Это не «робот заменил главбуха», а узкий контур: акт выставлен → оплата пришла (или нет) → сопоставление по сумме/ИНН/назначению/договору → статус в CRM и напоминание менеджеру. Цифры — композит одного внедрения (РФ, 2026, ~180–220 закрывающих документов в месяц). Не оферта и не гарантия того же результата «из коробки».

Контекст: что болело до старта

Клиент: сервис с абонементами и проектными доработками, 3 менеджера, 1,5 ставки в учёте (бухгалтер + часть времени финдиректора). Документы уходили из 1С/облачной бухгалтерии, оплаты — из банка и эквайринга, статусы «оплачено» в CRM часто отставали на дни.

| Метрика (baseline, 30 дней) | Значение | |-----------------------------|----------| | Закрывающих документов / мес. | ~205 | | Среднее время «акт → подтверждённая оплата в CRM» | 2,8 раб. дня | | Доля без оплаты >14 дней (после акта) | 23% | | Ручные часы на сверку / нед. | ~36 ч | | Ошибки сопоставления (не тот договор/сумма) | ~1 из 12 | | Эскалации «где деньги?» от продаж | 8–12 раз / нед. |

Боль не в «мало денег на счёте», а в кассовой слепоте: продажи не знали, кого дожимать, учёт тонул в Excel, дебиторка раздувалась из-за простой несостыковки статусов.

Ограничения scope, которые зафиксировали письменно

• Не трогаем налоговый учёт и проводки «как в 1С по закону» — только операционный контур статусов.
• Не обещаем авторазнесение спорных платежей с кривым назначением без человека.
• Пилот = один юрлицо + два продукта (подписка + разовые работы).
• Цель 48 дней: скорость и полнота сверки, не замена бухгалтера.

Как шло внедрение по неделям

| Недели | Фокус | Результат на выходе | |--------|-------|---------------------| | 1–2 | Baseline, карта полей, 300+ пар «акт–платёж» | Правила матчинга: сумма ±1 ₽, ИНН, договор, период | | 3–4 | Выгрузки банк + реестр актов → очередь сопоставления | Черновик статуса в CRM, confidence + причина | | 5–6 | Пилот 50% потока, shadow-mode, правки словаря назначений | Auto-match ~62%, остальное — очередь человеку | | 7 | 100% scope, SLA напоминаний, freeze правил | Стабильные KPI 10+ дней подряд |

Что реально автоматизировали

1. Нормализация выписок и реестра актов (даты, копейки, юрлица).
2. Сопоставление: точное → мягкое (сумма+ИНН+окно дат) → ручной разбор.
3. Запись статуса в CRM и задачу менеджеру при «акт есть, оплаты нет N дней».
4. Еженедельный срез дебиторки для финдиректора без ручной склейки Excel.

Человек остался на: спорные назначения, частичные оплаты, взаимозачёты, нестандартные договоры. Это сознательно: цена ошибки в деньгах выше скорости «зелёной галочки».

Цифры «до / после» на 48-й день

Сравнение: 30 дней baseline vs последние 14 дней после go-live (объём документов ±10%).

| KPI | До | После | Дельта | |-----|----|-------|--------| | Время акт → статус оплаты в CRM | 2,8 дн | 4,5 ч | −~80% | | Без оплаты >14 дней | 23% | 7% | −16 п.п. | | Ручные часы сверки / нед. | ~36 | ~11 | −25 ч | | Ошибки сопоставления в ушедших статусах | ~8% | ~2% | контроль + правила | | Доля auto-match без правок | 0% | 64% | только «чистые» пары | | Эскалации «где деньги?» / нед. | 8–12 | 2–3 | прозрачность CRM |

Unit-срез (порядок величин)

• Экономия ~25 ч/нед. учёта × эффективная ставка часа → окупаемость пилота в горизонте одного-двух месяцев при сохранении объёма.
• Побочный эффект: менеджеры начали закрывать «забытые» оплаты раньше — дебиторка сжалась не магией взыскания, а скоростью сигнала.

Ошибки, которые почти убили пилот

1. Слишком умный fuzzy-match с первого дня. Ловил «похожие» суммы на разных договорах. Откатил к жёстким правилам + очереди сомнений.
2. CRM как единственный источник правды без сверки с банком. Статусы врали, пока не зафиксировали: банк/выписка primary для «деньги пришли».
3. Напоминания всем подряд на 3-й день. Шум → игнор. Сетка: 7 / 14 / 21 день + только ответственный менеджер.
4. Не описали «не трогаем». Попытка затянуть частичные оплаты и взаимозачёты в v1 раздула scope на неделю.

Чеклист повторения

• [ ] Зафиксировать baseline 20–30 дней (время, % висяков, часы)
• [ ] Описать 5–7 полей матчинга и что делать при partial match
• [ ] Разделить auto / review / manual и не смешивать в одном статусе
• [ ] Один канал правды для «оплата пришла» (выписка), CRM — mirror
• [ ] Пилот на 40–50% потока минимум 10 рабочих дней
• [ ] Freeze правил на 7–14 дней перед масштабом
• [ ] Отчёт: % auto-match, очередь review, топ причин ручного разбора
• [ ] Владелец процесса (не «все понемногу»)

Часто задаваемые вопросы

Можно ли сделать то же самое только на Excel и банке?

На объёме до ~50 документов в месяц — да, шаблоном. Выше — ломается на дисциплине выгрузок и версии файла. Автоматизация имеет смысл, когда боль уже в часах и просроченной дебиторке, а не в «хочется красивый дашборд».

Нужны ли AI-агенты для такой сверки?

Для ядра матчинга — нет: правила, словари назначений и очередь надёжнее. Модели уместны на разборе кривых назначений платежа после того, как 80% потока закрыто детерминированно. Иначе вы оптимизируете demo, а не кассу.

Сколько длится поддержка после 48 дней?

Обычно 2–4 часа в месяц на новые шаблоны назначений и редкие edge-кейсы, плюс контроль % auto-match. Если доля ручного разбора ползёт вверх — это сигнал менять правила, а не «добавить ещё нейросеть».

Что было самым дорогим в проекте?

Не интеграции, а разметка истории и согласование, кто отвечает за статус в CRM. Техника встала быстрее, чем процессные роли.

Читайте также

• Кейс: автоматизация обработки КП в B2B за 55 дней — цифры
• Очереди, retry и DLQ: как не терять заявки в автоматизации
• Cost per resolved: unit-экономика AI-автоматизации за 90 дней

Разобрать ваш контур сверки, дебиторки или статусов в CRM под ключ: https://raisovich.ru

При каком объёме документов окупается автосверка актов и платежей?

Ориентир из кейса — около 180–220 закрывающих в месяц и десятки часов ручной сверки; на ~50 документах чаще хватает дисциплины Excel и выгрузок из банка.

Какой auto-match считать нормой на пилоте сверки?

В описанном внедрении после shadow-mode вышли примерно на 62–64% чистого auto-match; остальное оставляли в очереди review, а не «дожимали» fuzzy-логикой.

Почему выписку, а не CRM, делают источником правды по оплатам?

CRM легко отстаёт и врёт по статусам; банк/выписка фиксирует факт денег, а CRM остаётся зеркалом и каналом задач менеджеру.

Я сажаю пилот на эту метрику с первой недели: иначе через месяц все спорят о «качественном ощущении», а бюджет уже съеден токенами, доработками интеграций и ночными разборами DLQ. Ниже — формула, KPI по месяцам и типичные поломки unit-экономики в бою.

Формула cost per resolved (CPR)

CPR = TCO периода / N успешно закрытых единиц, где «успех» = бизнес-критерий, а не «бот ответил».

| Компонент TCO (30–90 дней) | Что включить | Часто забывают | |----------------------------|--------------|----------------| | Модель / API | Токены, voice, embedding | Пики, eval-прогоны, dev-стенды | | Инфра | Хостинг, очереди, логи, secrets | Алерты, бэкапы, staging | | Интеграции | CRM, телефония, мессенджеры | Повторные коннекторы после смены API | | Люди build | Внедрение, промпты, guardrails | 2–3 итерации после «готово» | | Люди run | On-call, разбор DLQ, QA-выборка | Время менеджеров на handoff | | Переделки | Баги, ложные эскалации | Репутационные скидки/компенсации | | Compliance | Хранение, redaction, доступы | Юр. ревью шаблонов ответов |

Что считать «resolved»

| Тип потока | Единица resolved | Не считать resolved | |------------|------------------|---------------------| | Поддержка | Тикет закрыт без возврата 48–72ч | Авто-ответ «мы получили» | | Квалификация лида | Карточка с полными полями + next step | Мусорный контакт в CRM | | КП / документы | Отправлен согласованный артефакт | Черновик в чате без отправки | | HR FAQ | Сотрудник получил policy-ответ | «Обратитесь в HR» без сути |

Если в знаменатель класть «число сообщений бота», CPR всегда выглядит красиво и всегда врёт.

KPI-рамка 30 / 60 / 90 дней

Я не жду «окупаемости на второй неделе». Смотрю траекторию.

| Горизонт | Фокус | Целевые сигналы | |----------|-------|-----------------| | 0–30 | Стабильность трубы | Success rate, DLQ rate, p95, % handoff осмысленный | | 31–60 | Качество решения | % resolved без правок, CSAT/QA sample, re-open rate | | 61–90 | Экономика | CPR vs baseline human, ROI, доля авто-закрытия |

Таблица сравнения с baseline

| Метрика | До (человек) | После (AI+human) | Комментарий | |---------|--------------|------------------|-------------| | Время до первого ответа | | | Обычно падает быстро | | Время до resolved | | | Часто растёт, если много пинг-понга | | Cost per resolved | | | Главный судья | | % эскалаций | | | Высокий % не враг, если дешёвый triage | | Ошибки high-risk | | | Деньги/юр. — строго к нулю |

Правило: если CPR через 90 дней не ниже baseline на оговорённый % (или не даёт рост объёма при том же штате) — пилот не «масштабируем», а режем scope.

Что ломает unit-экономику в бою

Красивый POC умирает на одних и тех же статьях. Я закладываю их в модель заранее.

| Поломка | Симптом в цифрах | Что делать | |---------|------------------|------------| | Токен-взрыв | API cost ↑ при том же N | Короче контекст, кэш, лимит tool-call | | Handoff-пинг-понг | Время people run ↑ | Пакет handoff + SLA матрица | | Дубли в CRM | Лишние сделки, ручная чистка | Идемпотентность + suppress | | Тихие потери лидов | Расхождение ads vs CRM | Очередь + DLQ + сверка | | Вечный «ещё допилим» | Build hours не сходятся к нулю | Freeze scope, change board | | Over-automation | High-risk ошибки | Вернуть human confirm на money/legal | | Нет владельца метрик | Споры вместо решений | Один owner CPR + еженедельный разбор |

Чеклист «экономика не нарисована»

1. TCO считает finance-friendly таблица, не скрин из кабинета API.
2. В N resolved только единицы с бизнес-определением.
3. People run — часы × ставка, не «ну это же между делом».
4. Есть baseline за те же 30 дней до пилота (или параллельная контрольная группа).
5. Сценарии high-risk вынесены: их «успех» ≠ авто-closed.

Без baseline любой ROI — маркетинг.

Как считать ROI без розовых слайдов

ROI периода ≈ (Выгода − TCO) / TCO.

Выгода я беру из двух корзин (можно комбинировать):

| Корзина | Формула-смысл | Осторожно | |---------|---------------|-----------| | Экономия труда | (минуты_human − минуты_после) × N × ставка | Не двойной счёт с FTE «уволили» | | Рост объёма | Доп. resolved × маржа_на_единицу | Нужна связь с выручкой, не vanity | | Скорость | Влияние SLA на конверсию/отток | Только с замером, не «кажется» |

Мини-модель на 90 дней (шаблон)

1. Зафиксировать N_resolved_auto, N_resolved_human_assist, N_failed.
2. Собрать TCO (таблица выше).
3. CPR = TCO / (N_auto + N_assist с весом, если assist дешевле pure human).
4. Сравнить с CPR_baseline.
5. ROI = (CPR_baseline − CPR_new) × N_new_total / TCO − 1 (упрощённо для cost-saving кейса).

Если выгода в «росте продаж», отдельно трекаю attribution: иначе AI припишут лиды от рекламы.

Часто задаваемые вопросы

Какой CPR считать хорошим?
Тот, что устойчиво ниже baseline при не худшем risk profile. Абсолютное число без вашей ставки часа и сложности тикета бессмысленно.

Учитывать ли стоимость внедрения в 90 днях?
Да, но раздельно: build amortized (например, /6–12 мес) и run. Иначе пилот всегда «убыточен», а run-фаза — «волшебно дешева».

Что если 70% handoff?
Это может быть OK для triage: дешёвый intake + дорогой human на хвосте. Смотрите CPR и время до first useful action, не «% автомифа».

Как часто пересматривать модель?
Еженедельно — операционные метрики; раз в 30 дней — полная TCO/CPR; при смене модели/промпта/канала — внеочередной срез.

Читайте также

• TCO и ROI AI в бою: что ломается и как считать за 90 дней
• TCO AI-агента: KPI и стоимость владения за 30–90 дней
• Внедрение AI-агента за 90 дней: этапы и цифры

Помогу собрать вашу таблицу TCO и CPR под реальный поток заявок: https://raisovich.ru

Что входит в TCO при расчёте cost per resolved?

API и инфра, интеграции, build/run люди, переделки, compliance — не только счётчик токенов. People run считают часами × ставкой, включая handoff и DLQ.

Почему нельзя считать resolved по числу сообщений бота?

Resolved — бизнес-единица: закрытый тикет, квалифицированный лид, отправленное КП. Авто-ответ «мы получили» в знаменатель не кладут — иначе CPR всегда врёт.

На каком горизонте 30/60/90 дней смотреть экономику AI-пилота?

0–30: стабильность трубы; 31–60: качество решения; 61–90: CPR vs baseline и ROI. Масштабируют только если экономика устойчиво лучше оговорённого порога.

Я проектирую pipeline от входящего события до результата так, будто интеграции будут падать: таймауты, 429, частичные ответы, дубли. Ниже — рабочая схема, метрики и правила, которые удерживают поток заявок в МСП без героизма дежурного.

Каркас pipeline: от события до результата

Минимальный боевой контур я собираю из пяти узлов. Пропуск любого из них почти гарантирует «заявка зависла / уехала дважды».

| Узел | Ответственность | Типичный failure mode | |------|-----------------|------------------------| | Ingress | Приём webhook/form/почты, проверка подписи | Подделка, ретраи провайдера | | Queue | Буфер, приоритет, delayed retry | Переполнение, poison message | | Worker | Бизнес-шаг + вызовы API | Таймаут, 5xx, кривая схема | | Outbox / state | Статус заявки в своей БД/CRM | Рассинхрон «сделали, но не записали» | | Notify | Клиент / менеджер / DLQ-алерт | Тихий провал уведомлений |

Чеклист на старте пилота

1. У каждого события есть stable id (или hash тела + source).
2. Worker идемпотентен: повтор с тем же id не создаёт вторую сделку.
3. Статусы заявки живут у вас, а не только в UI стороннего SaaS.
4. Есть видимая очередь отложенных и DLQ (хотя бы таблица + дашборд).
5. Алерт человеку при DLQ > 0 за N минут — не «потом в логах посмотрим».

Без идемпотентности retry опаснее, чем отсутствие retry: вы чините доступность ценой дублей в CRM.

Retry: когда повторять, а когда сразу в DLQ

Слепой retry «ещё 10 раз сразу» усугубляет инцидент. Я разделяю ошибки на классы.

| Класс ошибки | Пример | Политика | |--------------|--------|----------| | Transient | 502, timeout, connection reset | Retry + exponential backoff + jitter | | Rate limit | 429, Retry-After | Delayed retry по заголовку | | Business reject | 400 validation, «сделка закрыта» | Без retry → fix data or escalate | | Auth | 401/403 после ротации ключа | Stop + page on-call, не молотить | | Poison | Падает на любом payload | 1–2 попытки → DLQ + sample |

Практичные числа для МСП (старт)

• max attempts: 5 для transient;
• backoff: 30s → 2m → 10m → 30m → 2h (с jitter ±20%);
• отдельный fast-fail для auth и schema errors;
• deadline на жизнь сообщения: 24–72 ч, потом DLQ + ручной разбор;
• concurrent workers: ограничить, чтобы не убить CRM rate limit.

Правило: retry только если повтор безопасен. Создание платежа/отправка SMS без idempotency key — не retry, а ручной или компенсирующий сценарий.

DLQ и эскалация человеку: пакет, а не «ошибка в логе»

Dead Letter Queue — не помойка, а очередь работы для людей. Я кладу туда достаточно контекста, чтобы менеджер или интегратор закрыл кейс без археологии.

| Поле DLQ-записи | Зачем | |-----------------|-------| | original_event_id | Связь с источником | | last_error_code / message | Быстрый triage | | attempt_count + timestamps | Понять «долго молотили» | | payload_redacted | Воспроизведение без секретов | | suggested_owner | sales / ops / eng | | customer_impact | lead lost / delay / unknown | | replay_safe | yes/no — можно ли кнопкой replay |

Эскалация: три уровня

1. L1 авто: клиенту «принялии, свяжемся»; менеджеру карточка «нужен ручной шаг».
2. L2 ops: DLQ > порога или auth failure — алерт в чат дежурного.
3. L3 eng: poison rate, рост latency p95, circuit open > 15 мин.

Эскалация без suggested_owner и impact превращается в общий шум: все видят, никто не берёт.

Метрики, без которых pipeline «вроде работает»

Я смотрю не «количество сценариев в no-code», а воронку доставки.

| Метрика | Нормальный смысл | Красный флаг | |---------|------------------|--------------| | Ingress → queued | Приём жив | Падение при росте маркетинга | | Success rate 24h | Доля доведённых | < 95% на критичном потоке | | p95 processing time | Скорость до результата | Скачок после релиза | | Retry rate | Доля с ≥1 retry | Рост = деградация API | | DLQ rate | Доля в ручной разбор | > 2–3% — чинить корень | | Duplicate suppress | Сколько отсекли | Внезапно 0 — сломан id | | Human escalate rate | Доля handoff | Рост без роста quality |

Мини-ритуал на неделю

1. Топ-5 ошибок в DLQ — одна корневая причина в спринт.
2. Один «сухой» replay учебного события end-to-end.
3. Проверка, что алерт DLQ реально будит нужный чат (не /dev/null).
4. Сверка: число лидов в рекламе ≈ ingress ≈ созданных карточек (±допуск).

Если сверка расходится, я не «улучшаю промпт агента» — сначала чиню трубу.

Часто задаваемые вопросы

Хватает ли встроенных retry в Zapier/Make?
Для низкого объёма — иногда. Для лидов и оплат мне нужны свои статусы, идемпотентность и DLQ с владельцем. Иначе разбор инцидента — скриншоты из пяти UI.

Что делать с уже попавшими в DLQ заявками?
Сортировка по impact → replay_safe=yes пачкой после фикса → остальные вручную с шаблоном ответа клиенту. Не replay всего слепо.

Как не задушить CRM ретраями?
Общий rate limiter на connector, bulkhead по типу события, backoff с jitter, circuit breaker на 5xx.

Нужна ли очередь, если событий мало?
Да, хотя бы лёгкая (таблица + worker по cron): она даёт отложенный retry и DLQ. Прямой «webhook → 8 HTTP» хрупкий даже на 20 лидах/день.

Читайте также

• Pipeline от заявки до результата: интеграции, сбои, эскалация
• Оркестрация tool-calling AI-агента: SOP, лимиты и audit trail
• TCO и ROI AI в бою: что ломается и как считать за 90 дней

Нужен разбор вашего контура заявок и схема очередей/DLQ под CRM — напишите: https://raisovich.ru

Чем идемпотентный worker отличается от обычного webhook-сценария?

Повтор с тем же stable id не создаёт вторую сделку: статус живёт у вас, а retry безопасен. Без идемпотентности retry опаснее отсутствия retry.

Когда ошибку нельзя ретраить и нужно сразу в DLQ?

Business reject (400, закрытая сделка), auth 401/403 и poison payload — без слепого retry; в DLQ кладут context, owner и replay_safe для человека.

Какие метрики pipeline заявок смотреть ежедневно?

Success rate 24h, DLQ rate, duplicate suppress и сверку ads → ingress → карточки CRM: расхождение чинят в трубе, а не «улучшением промпта».

Я вывожу tool-calling в прод только когда вижу три артефакта: карту инструментов с правами, лимиты на сессию и полный журнал «запрос → tool → результат → решение». Без этого агент либо молчит на полезных шагах, либо жжёт бюджет и CRM в цикле.

Planner / Executor: две роли вместо одного «умного» цикла

Смешивать «подумай и сразу дерни API» в одном промпте — путь к непредсказуемым side-effect. Я разделяю поток на две роли с разными правами.

| Роль | Вход | Выход | Права на tool | |------|------|-------|---------------| | Planner | Цель, контекст CRM, политика | План шагов + stop-условия | Только read/search | | Executor | Один шаг плана + схема args | Результат tool + raw/normalized | Whitelist write/action | | Guard | План или результат | allow / deny / escalate | Нет внешних вызовов | | Auditor | События сессии | Запись в лог, score риска | Append-only |

Минимальный SOP на один тикет

1. Intake: тип задачи, обязательные поля, channel.
2. Planner: 1–5 шагов, без «и ещё что-нибудь полезное».
3. Guard на план: запреты policy (деньги, юр., удаление).
4. Executor по одному шагу; после каждого — проверка схемы ответа.
5. Stop: цель достигнута / нехватка данных / лимит / escalate.
6. Handoff-пакет или закрытие с кратким summary для человека.

Один «агент в while True» без явного stop я в бою не держу: стоимость и риск растут быстрее качества.

Whitelist инструментов и контракт аргументов

Tool-calling ломается чаще на кривых args и «лишних» правах, чем на «глупой» модели. Я фиксирую контракт на каждый инструмент.

| Поле контракта | Зачем | Пример | |----------------|-------|--------| | name | Стабильный id в логах | crm.update_deal_stage | | description | Когда вызывать (и когда нет) | Только после подтверждённого intent | | input_schema | JSON Schema / pydantic | deal_id uuid, stage enum | | side_effect | none / write / money / external | write | | auth_scope | Минимальные права | deals:write:own | | timeout_ms | Защита от висяков | 8000 | | retry_policy | idempotent only | max 2, backoff | | on_deny | Что сказать пользователю | «Нужен менеджер» |

Чеклист перед подключением нового tool

1. Есть ли идемпотентный ключ (чтобы retry не создал дубль)?
2. Можно ли выполнить действие без tool (тогда tool не нужен)?
3. Записан ли пример bad args и ответ API на ошибку?
4. Есть ли маскирование PII в логах запроса/ответа?
5. Кто владелец tool в команде (on-call при 5xx)?
6. Есть ли feature-flag на отключение без релиза агента?

Пока на эти вопросы нет ответов, tool остаётся в staging с синтетическими тикетами.

Лимиты сессии: токены, шаги, деньги, время

Без лимитов tool-calling превращается в неконтролируемый счёт. Я ставлю жёсткие потолки на сессию и на инструмент.

| Лимит | Типичное значение на старте | Что делать при hit | |-------|----------------------------|--------------------| | max_tool_calls | 6–10 на тикет | escalate + summary | | max_planner_revisions | 2 | handoff «не смог спланировать» | | max_wall_time | 90–180 сек | partial result + human | | max_cost_tokens | бюджет на intent-класс | degrade: только read-tools | | max_write_tools | 1–3 write за сессию | дальнейшие write → human | | circuit_breaker | N ошибок API подряд | pause tool на 5–15 мин |

Правила, которые снижают «зацикливание»

• После двух одинаковых ошибок tool — не повторять с теми же args.
• Write-tool только после явного плана с обоснованием.
• Любой tool с side_effect=money — только через human confirm (отдельный шаг UI/сообщения).
• Параллельные tool-call — только для read; write строго последовательно.

Лимиты я храню рядом с политикой, а не «в голове у промпта»: промпт можно обойти формулировкой, код лимита — нет.

Audit trail: что писать, чтобы разбирать инциденты за минуты

Когда клиент говорит «бот сам поменял сделку», спор решает журнал. Я пишу события в одном формате.

| Событие | Обязательные поля | |---------|-------------------| | session_start | session_id, channel, user/hash, intent | | plan_created | steps[], policy_version | | tool_call | tool, args_redacted, attempt | | tool_result | ok/error, latency_ms, result_hash | | decision | continue / stop / escalate, reason | | handoff | package_id, assignee_queue | | session_end | outcome, cost_tokens, tool_count |

Как читать audit при разборе

1. Найти session_id по времени и channel.
2. Сверить policy_version и whitelist — не уехал ли конфиг.
3. Посмотреть первый deny/error — часто корень там, а не в последнем шаге.
4. Сравнить args write-tool с тем, что в CRM сейчас (дрейф данных).
5. Если модели «передумали» mid-flight — усилить guard на план, не «сменить модель».

Без audit trail я не спорю с бизнесом о «вине ИИ»: нет следа — нет улучшения, только мнения.

Часто задаваемые вопросы

Нужен ли отдельный planner, если модель «умеет» tool-calling из коробки?
Для демо — нет. Для боя с CRM и деньгами — да: отдельный план и guard на write снижают сюрпризы сильнее, чем смена провайдера.

Что важнее: больше tools или жёстче контракты?
Жёстче контракты. Десять размытых tools хуже трёх с схемой, timeout и idempotency key.

Как понять, что лимиты слишком жёсткие?
Смотрю долю session_end по причине max_tool_calls при успешном partial progress. Если >15% и handoff «дожимает» в 1 шаг — поднимаю лимит точечно на этот intent.

Можно ли логировать полные ответы API?
Только в secure store с TTL и redaction. В обычные чаты/тикеты — hash, статус и бизнес-поля без секретов.

Читайте также

• Архитектура AI-агента для бизнеса: роли, guardrails и handoff
• Протокол handoff AI-агента: QA-скоринг в production
• Pipeline от заявки до результата: интеграции, сбои, эскалация

Готов разобрать ваш tool-calling контур и собрать SOP с лимитами под ваш CRM: https://raisovich.ru

Зачем разделять planner и executor в tool-calling агенте?

Чтобы план с read-правами не смешивался с write-вызовами: executor идёт по whitelist по одному шагу, а guard режет money/legal side-effect до факта.

Что обязательно писать в audit trail tool-calling сессии?

События «запрос → tool → args/result (с redaction) → решение/stop» с session_id, policy_version и причиной остановки — иначе инцидент в CRM не разобрать за минуты.

Какие лимиты ставить на tool-calling в первой боевой версии?

Типичный старт: 6–10 tool calls на тикет, 1–3 write за сессию, wall time 90–180 с и circuit breaker на серии ошибок API — лимиты в коде, не только в промпте.

Я закладываю стоимость владения до старта пилота. Иначе через два месяца «дешёвый агент» оказывается дороже одного сильного менеджера — только без прозрачных KPI. Ниже — как считаю и что реально ломается.

Из чего складывается TCO (не только токены)

| Статья | 0–30 дней | 31–90 дней | Комментарий | |--------|-----------|------------|-------------| | Discovery + baseline | Высокая | Низкая | Разметка, замеры «как есть» | | Интеграции и доступы | Высокая | Средняя | CRM, почта, 1С, секреты | | Промпты/правила/policy | Средняя | Средняя+ | Доработки по reason mix | | LLM/API/инфра | Низкая–средняя | Растёт с трафиком | Плюс retry и пики | | Человек: review + handoff | Высокая | Должна падать | Иначе ROI нет | | Мониторинг, DLQ, алерты | Средняя | Обязательная | Без этого — скрытый долг | | Инциденты и откаты | Переменная | Переменная | Заложить буфер | | Обучение команды | Средняя | Низкая | Playbook, не «один вебинар» | | Комплаенс/логи/PII | Средняя | Постоянная | Особенно внешний контур |

Грубая ошибка: в смету кладут только подписку и «настройку бота». В бою 40–60% TCO часто сидит в людях и переделках интеграций.

Мини-формула на квартал

TCO_90 ≈ внедрение + Σ(run cost) + Σ(часы людей × ставка) + инциденты + доработки − уже оплаченный «простой» инструмент, который выключили.

Ставку людей беру полную (не «оклад/168»), иначе ROI нарисованный.

KPI на 30 / 60 / 90 дней: что должно двигаться

| Горизонт | Обязательные KPI | Здоровый сигнал | Тревога | |----------|------------------|-----------------|--------| | 30 дней | Baseline зафиксирован; capture ≥98%; handoff-пакет есть | Есть дашборд и taxonomy причин | «Вроде отвечает» без цифр | | 60 дней | Time-to-first-touch ↓; rework не растёт; Act success стабилен | Auto/assist растут на узком классе | Auto ↑, жалобы клиентов ↑ | | 90 дней | Cost per successful outcome ↓ vs baseline; доля эскалаций explainable | 1–2 класса задач предсказуемы | TCO без владельца процесса |

Я не обещаю «окупаемость за 2 недели». На 30-й день цель — управляемость, на 90-й — подтверждённый unit-эффект на выбранном процессе.

Unit-метрики, которые я привязываю к деньгам

• стоимость одного успешного исхода (КП отправлено, тикет закрыт, лид квалифицирован);
• минуты человека на исход до/после;
• потери из-за SLA (если считаются);
• ошибка с ценой (переделка, скидка, возврат) — редко, но бьёт сильно.

Что ломается в бою: топ причин, не «модель тупит»

| Поломка | Симптом | Корень | Что чиню первым | |---------|---------|--------|-----------------| | Тихий fail интеграции | Заявки «исчезают» | Нет DLQ/алертов | Идемпотентность + мониторинг | | Рассинхрон CRM | Два статуса правды | Два writer на поле | Master-система на поле | | Handoff-пустышка | Люди злятся на бота | Нет пакета эскалации | Шаблон + SLA роли | | Prompt drift | Вчера ок, сегодня нет | Правки без версий | Версии policy + changelog | | Cost spike | Счёт API x3 | Циклы tool-call, огромный контекст | Лимиты, кэш, узкий retrieval | | Ложный auto | Клиент получил бред | Нет Reviewer/порога | Confidence + запрет Act | | Саботаж процесса | Менеджеры обходят | KPI бьют по ним | Пересчёт мотивации + обучение | | «Пилот вечный» | 90 дней без решения go/no-go | Нет критериев | Стоп-метрики заранее |

Модель меняют последней. Сначала данные, права, маршруты, лимиты.

Как считать ROI без самообмана

ROI_90 = (Выгода_90 − TCO_90) / TCO_90

Выгода — только то, что можно защитить:

| Тип выгоды | Как доказать | Чего избегаю | |------------|--------------|--------------| | Экономия времени | (мин до − мин после) × объём × ставка | «Все стали думать стратегически» | | Рост throughput | Больше исходов при тех же FTE | Смешение с сезонностью без baseline | | Снижение потерь | Меньше просрочек/ошибок с $ | Редкие события без статистики | | Скорость ответа → конверсия | A/B или до/после на одном канале | Приписывать весь рост продаж агенту |

Правила честного отчёта

1. Baseline ≥ 2–4 недели до включения авто.
2. Один процесс = один ROI; не смешивать маркетинг и саппорт.
3. Выгоду режу на реализованную (уже в P&L/времени) и проектируемую.
4. В TCO включаю доработки после «готово».
5. Go/no-go на 90-й день: продолжать / сузить / выключить.

Если выгода держится только пока «энтузиаст руками подпирает» — это не ROI продукта, а ROI героизма.

Бюджетный каркас пилота (порядок величин для планирования)

Цифры — ориентиры порядка, не оферта; зависят от интеграций и объёма.

| Сценарий | Фокус | На что уходят деньги | Риск | |----------|-------|----------------------|------| | Узкий assist | Черновики + handoff | Настройка, review-часы | Низкий, эффект умеренный | | Auto на 1 классе | Полный Act по policy | Интеграции + мониторинг | Средний | | Несколько каналов сразу | «Сразу везде» | Хаос, двойной TCO | Высокий — не рекомендую на старте |

Я почти всегда начинаю с assist на одном канале и одном классе задач: TCO предсказуемее, поломки локальные.

Часто задаваемые вопросы

Почему TCO растёт после «успешного» демо?

Демо без DLQ, версий policy и 20% краевых кейсов. В бою всплывает длинный хвост; его надо закладывать в 31–90 дни.

Можно ли опереться только на экономию токенов новой модели?

Нет. Токены — часто меньшая доля. Люди, интеграции и инциденты перевешивают, пока процесс не стабилен.

Что если ROI на 90-й день около нуля?

Сужаю класс задач, режу Act, усиливаю baseline. Нулевой честный ROI лучше отрицательного «успеха» с рисованой выгодой. Иногда правильное решение — выключить.

Кто владелец TCO в компании?

Не «IT» и не «подрядчик» в вакууме. Нужен owner процесса (продажи/поддержка) + технический owner канала. Без пары владения счёт размазывается и никто не режет scope.

Читайте также

• TCO AI-агента: KPI и стоимость владения за 30–90 дней
• Прайсинг услуг автоматизации: пакеты и скрытые затраты
• Pipeline от заявки до результата: интеграции, сбои, эскалация

Нужна смета TCO и модель ROI под ваш процесс на 90 дней — raisovich.ru: соберём baseline, статьи затрат и критерии go/no-go.

Какие KPI смотреть на 30, 60 и 90 день после запуска AI?

На 30-й — baseline, capture и handoff-пакет; на 60-й — time-to-first-touch и стабильный Act success; на 90-й — cost per successful outcome ниже baseline и explainable эскалации.

Почему в TCO нельзя считать только API и подписку на модель?

В бою 40–60% стоимости часто сидят в людях, доработках интеграций, инцидентах и мониторинге; токены — лишь одна строка сметы.

С какого сценария безопаснее стартовать пилот по ROI?

С узкого assist на одном канале и одном классе задач: TCO предсказуемее, поломки локальные, go/no-go на 90-й день опирается на unit-метрики.

Я проектирую pipeline от исхода назад: какой артефакт нужен бизнесу, какие системы уже есть, где можно автоматом, где только assist. Ниже — каркас, который выдерживает боевой трафик у МСП.

Карта pipeline: от входа до закрытия

Минимальный контур, который я фиксирую до выбора инструментов.

| Стадия | Вход | Выход | Система | Авто / человек | |--------|------|-------|---------|----------------| | Capture | Форма, почта, мессенджер | Единый тикет/лид | CRM / очередь | Авто | | Normalize | Сырой текст/файлы | Поля по схеме | Парсер + словарь | Авто + review | | Enrich | ID клиента, история | Контекст + риски | CRM, 1С, база знаний | Авто | | Decide | Контекст + policy | Маршрут: auto / assist / human | Правила + score | Авто | | Act | Черновик / команда API | Подтверждённое действие | Почта, CRM, склад | По policy | | Verify | Ответ API / факт | Статус done / failed | Логи, webhook | Авто | | Learn | Правки человека | Кейс в базу | Таблица + ревью раз/нед | Человек |

Если стадии 2–4 нет, «интеграция» превращается в спам в чат менеджеру с сырым текстом формы.

Принцип одного владельца стадии

У каждой стадии есть один owner (роль или сервис). Два бота пишут в одно поле CRM — гарантированный рассинхрон. Я явно указываю write-права: кто master для status, amount, next_action.

Интеграции: что стыковать в первую очередь

Я не подключаю «всё, что есть в каталоге». Порядок по боли процесса.

| Приоритет | Связка | Зачем | Типичный сбой | |-----------|--------|-------|---------------| | P0 | Канал → очередь/CRM | Не терять заявку | Дубли, потеря вложений | | P0 | Очередь → уведомление человеку | SLA на handoff | Тихий fail webhook | | P1 | CRM ↔ склад/прайс | Правда о наличии/цене | Устаревший кэш | | P1 | Агент → черновик в карточке | Assist без копипаста | Перезапись полей менеджера | | P2 | Биллинг / документооборот | Закрытие цикла | Неверный контрагент | | P2 | Дашборд метрик | Управление, не «ощущения» | Метрики только из логов чата |

Правила стыковки, которые экономят неделю отладки

1. Идемпотентность: повтор webhook не создаёт второй лид (ключ = external_id + channel).
2. Таймауты и retry с jitter на каждый внешний API; без бесконечного цикла.
3. Dead-letter queue: упавшие сообщения не исчезают — лежат с причиной.
4. Версия схемы полей: v1/v2, иначе вчерашний парсер ломает сегодняшний отчёт.
5. Секреты вне промпта и вне no-code «переменных в открытом виде».

Метрики pipeline: что смотреть ежедневно

Без цифр «вроде работает» длится до первого инцидента в пятницу вечером.

| Метрика | Как считаю | Красная зона (ориентир пилота) | |---------|------------|--------------------------------| | Capture rate | Создано тикетов / входящих событий | ниже 98% | | Time-to-first-touch | До первого содержательного шага | Выше baseline −30% не достигнуто к 30 дню | | Auto-resolve share | Закрыто без человека / все | Резкий рост без роста качества review | | Escalation rate | Handoff / все | выше 70% после 45 дней без плана сужения | | Escalation reason mix | По taxonomy | выше 40% «unknown» | | Act success | Успешные API / попытки | ниже 95% на P0-действиях | | Rework rate | Возврат после «done» | Рост 2 недели подряд | | Cost per run | Токены + API + минуты человека | Не считается = слепой полёт |

Я вывожу одну доску: воронка стадий + топ-5 причин эскалации + стоимость. Остальное — по запросу.

Сбои и эскалация человеку: playbook

Сбой — это ожидаемое состояние, не «неловкий момент». Каталогизирую заранее.

| Класс сбоя | Пример | Реакция системы | Эскалация | |------------|--------|-----------------|-----------| | Data | Нет артикула, битый PDF | Уточняющий вопрос 1 раз | Человек, если 2-й fail | | Policy | Скидка, юр. риск | Блок действия | Сразу handoff-пакет | | Integration | 500 от CRM, timeout | Retry → DLQ | On-call / менеджер канала | | Model | Низкий confidence, противоречие | Не Act | Assist-очередь | | User | «Позовите человека» | Stop auto | Приоритетный handoff | | Cascade | 3 fail подряд на Act | Pause агента на канале | Инцидент + kill-switch |

Шаблон эскалации (коротко)

• Кому: роль (не «всем в чат»).
• SLA: например 15 мин в рабочее / 2 ч вне.
• Пакет: причина, что сделано, что нельзя делать автоматом, ссылка на тикет.
• Обратный путь: после решения человека — статус в CRM и (раз в неделю) кейс в базу.

Эскалация «просто переслали скрин в Telegram» без полей = pipeline отсутствует, есть групповой чат.

30 дней внедрения: порядок, а не «подключим n8n и посмотрим»

| Неделя | Фокус | Критерий выхода | |--------|-------|-----------------| | 1 | Baseline + схема полей + taxonomy сбоев | Таблица метрик «как есть» | | 2 | Capture + Normalize + идемпотентность | 0 потерь на тестовом потоке | | 3 | Decide + Act на 1 узком классе + handoff | 20–40% трафика, логи чистые | | 4 | DLQ, алерты, дашборд, postmortem 2 сбоев | Playbook эскалации подписан владельцем процесса |

Расширять класс задач я разрешаю только после стабилизации Act success и понятного reason mix. Иначе масштабируете хаос.

Часто задаваемые вопросы

С чего начать: CRM, мессенджер или «агент»?

С карты стадий и baseline. Агент без Capture/Verify — декорация. Сначала не терять заявку и не врать в статусах.

Сколько интеграций достаточно для пилота?

Обычно 2–4: канал, CRM/очередь, один источник правды (прайс/остатки), уведомление. Остальное — после метрик.

Что делать, если эскалаций слишком много?

Не «усиливать промпт». Смотреть top reasons: data vs policy vs model. Часто лечится словарём полей и запретом Act на серой зоне, а не новой моделью.

Нужен ли отдельный on-call на автоматизацию?

На боевом контуре — да, хотя бы «владелец канала» с kill-switch. Иначе в инцидент все пишут подрядчику в личку.

Читайте также

• Кейс: автоматизация обработки КП в B2B за 55 дней — цифры
• Архитектура AI-агента для бизнеса: роли, guardrails и handoff
• Интеграция AI-агентов с CRM

Если нужно спроектировать pipeline под ваш поток заявок — raisovich.ru: разложим стадии, интеграции и эскалацию до пилота.

Какие стадии обязательны в automation pipeline до выбора инструментов?

Capture, Normalize, Enrich, Decide, Act, Verify и Learn — без 2–4 стадий «интеграция» превращается в спам сырым текстом менеджеру.

Какие метрики pipeline смотреть ежедневно в пилоте?

Capture rate, time-to-first-touch, auto-resolve, escalation rate и reason mix, Act success, rework и cost per run — на одной доске, не «ощущениями».

Что входит в рабочий пакет эскалации человеку?

Роль-получатель, SLA, причина, что уже сделано, запреты для auto и ссылка на тикет; скрин в общий чат без полей — не pipeline.

Я собираю агентов так, чтобы менеджер или оператор понимал: где агент действует сам, где только готовит черновик, и в какой момент обязан остановиться. Ниже — протокол, который переношу из проекта в проект, без гонки за «лучшей моделью».

Четыре роли, без которых агент превращается в болтливого бота

Если в одном промпте смешать «продажника», «юриста» и «саппорт», получится непредсказуемое поведение. Я разделяю минимум на роли с разными правами на действия.

| Роль | Что делает | Право на действие | Типичный выход | |------|------------|-------------------|----------------| | Intake | Классифицирует заявку, извлекает поля | Только чтение + запись в карточку | Тип задачи, confidence, missing fields | | Worker | Выполняет узкий шаг (черновик, поиск, расчёт) | Ограниченный tool-call по whitelist | Артефакт + обоснование | | Reviewer | Проверяет артефакт по чеклисту | Reject / approve / escalate | Score, список замечаний | | Handoff | Собирает контекст для человека | Не закрывает сделку сам | Пакет: история, риск, next step |

Один «супер-агент» на всё — антипаттерн для МСП: проще отладить четыре узких шага с логами, чем один «умный» поток без аудита.

Минимальный контракт роли

• Вход: схема полей (JSON/таблица), источник данных, дедлайн.
• Выход: структурированный результат + confidence + needs_human (bool).
• Запреты: список тем и действий, которые роль не трогает (скидки, юр. формулировки, обещания сроков без данных).
• Инструменты: только whitelist; всё остальное — отказ с причиной.

Guardrails: границы, которые спасают от «агент сам решил»

Guardrails — не «мягкие пожелания в system prompt», а проверки до и после действия. Я ставлю их на три уровня.

| Уровень | Что режем | Пример правила | |---------|-----------|----------------| | Policy | Бизнес-запреты | Скидка свыше 10% — только человек; PII не уходит во внешние логи | | Tool | Технические границы | Нет delete/update в CRM без флага; rate limit на API | | Output | Форма ответа | Обязательные поля; запрет «гарантирую» / «одобрено» без review |

Чеклист guardrails перед пилотом

1. Список запрещённых действий (деньги, юр. статус, удаление данных) — явно в коде/правилах, не только в тексте.
2. Порог confidence: ниже X% → handoff, не «попробуй ещё раз в цикле».
3. Максимум tool-call за сессию — защита от зацикливания и счёта за токены.
4. Санитизация входа: обрезка вложений, лимиты длины, проверка домена отправителя.
5. Аудит-лог: кто/что/когда + версия промпта и политики.
6. Kill-switch: кнопка «агент off» для канала без деплоя.

Без kill-switch и лога я не вывожу агента на боевой трафик даже на 10% заявок.

Handoff: как передавать человеку, чтобы не потерять контекст

Handoff ломается не из-за «глупой модели», а из-за пустой карточки: оператор видит «разберись» без полей, истории и риска. Я фиксирую пакет передачи.

| Поле handoff-пакета | Зачем | |---------------------|-------| | Причина эскалации | policy / low confidence / missing data / user request | | Что уже сделано | шаги + артефакты (черновик, выписки) | | Чего не хватает | конкретные поля или решения | | Риск, если ошибиться | деньги, репутация, SLA | | Рекомендуемый next step | 1–2 варианта, не эссе | | Таймстемп и channel | чтобы не потерять тред |

Правила handoff, которые снижают пинг-понг

• Агент не закрывает тикет фразой «обратитесь к менеджеру» без пакета — это сброс ответственности.
• Человек не переписывает с нуля: правит артефакт; правки идут в few-shot / базу кейсов раз в неделю.
• Повторная эскалация по той же причине больше N раз за день → сигнал на доработку Worker/Policy, не «ещё один промпт».

Сквозной протокол: от заявки до закрытия шага

Так выглядит минимальная архитектура «на одном процессе» (лид, саппорт, КП — не важно).

| Шаг | Владелец | Успех | Провал → | |-----|----------|-------|----------| | 1. Приём | Intake | Тип + поля ≥ порога | Уточняющий вопрос или handoff | | 2. Исполнение | Worker | Артефакт по схеме | Retry 1 раз / escalate | | 3. Проверка | Reviewer | Score ≥ порога | Правка или человек | | 4. Действие вовне | Tool + policy | Подтверждение API | Откат + алерт | | 5. Закрытие | Система | Метрика в дашборд | Инцидент-тикет |

Я не добавляю «креатив» и «личность бренда» на шаги 2–4, пока не стабилен маршрут 1→5. Харизма без маршрута = красивые галлюцинации в CRM.

Что логирую обязательно

• latency по шагам;
• доля auto / assist / human-only;
• причины эскалации (taxonomy, не free text);
• стоимость прогона (токены + API);
• расхождения review: человек vs Reviewer.

Часто задаваемые вопросы

Можно ли начать с одного промпта без ролей?

Можно для внутреннего черновика. На внешний контур (клиент, деньги, SLA) я сразу режу роли и policy — иначе стоимость переделок выше, чем «лишний» день на схему.

Guardrails в промпте достаточно?

Нет. Промпт — слой поведения. Деньги, удаление данных и отправка наружу должны отсекаться кодом/правилами инструментов. Промпт обходят формулировкой; код — нет.

Сколько handoff «нормально» на старте?

В пилоте 40–70% assist/human — нормально. Цель не «0% людей», а предсказуемый маршрут и снижение времени до первого качественного ответа. Fully auto только на узком, хорошо размеченном классе задач.

Чем это отличается от «оркестрации агентов» из хайпа?

Оркестрация без ролей, guardrails и handoff-пакета — демо. Мне нужен аудит, kill-switch и метрики; фреймворк вторичен.

Читайте также

• 7 ошибок production AI-агентов и handoff человек↔агент
• TCO AI-агента: KPI и стоимость владения за 30–90 дней
• 6 слоёв стека AI-агентов: архитектура enterprise-решений 2026

Нужен разбор вашего процесса и карта ролей/границ под пилот — напишите на raisovich.ru: соберём протокол handoff и guardrails без лишнего хайпа.

Какие четыре роли нужны рабочему AI-агенту в бизнесе?

Intake, Worker, Reviewer и Handoff с разными правами на действия; один «супер-агент» без аудита — антипаттерн для МСП.

На каких трёх уровнях ставить guardrails перед боевым трафиком?

Policy (бизнес-запреты), Tool (whitelist и rate limit) и Output (обязательные поля и запрет обещаний без review); плюс kill-switch и аудит-лог.

Что обязательно положить в handoff-пакет оператору?

Причину эскалации, сделанные шаги, недостающие поля, риск ошибки, 1–2 next step, channel и таймстемп — иначе оператор получает пустое «разберись».

Ниже — как я собираю сетку тарифов под внедрение и сопровождение: от диагностического аудита до production. Цифры — порядки для РФ 2026, не публичная оферта.

Три пакета вместо «от 50 тыс. ₽»

Клиенту нужна понятная лестница. Мне — защита маржи и scope creep.

| Пакет | Для кого | Что внутри | Ориентир цены (разово) | Срок | |-------|----------|------------|------------------------|------| | Диагностика | «Не понимаем, с чего начать» | Baseline, карта процессов, 1–2 use-case, go/no-go, бюджет v1 | 40–90 тыс. ₽ | 5–10 дн. | | Пилот | Есть боль и данные | 1 процесс, знания, канал, KPI 30 дней, отчёт | 150–350 тыс. ₽ | 30–45 дн. | | Production | Пилот ок | Интеграции, SLA, мониторинг, handoff, обучение | 350–900+ тыс. ₽ | 45–90 дн. |

Ежемесячное сопровождение (после пилота)

| Уровень | Состав | Ориентир / мес. | |---------|--------|-----------------| | Light | Правки знаний, разбор инцидентов 2–4 ч, отчёт | 25–50 тыс. ₽ | | Standard | + доработки правил, A/B формулировок, контроль KPI | 50–120 тыс. ₽ | | Plus | + новые ветки в scope, приоритет, совместный backlog | 120–250 тыс. ₽ |

Правило: токены и сторонние API либо отдельной строкой «по факту с потолком», либо включены с запасом 15–25%. Иначе первый же всплеск диалогов съест маржу.

Unit-экономика: из чего складывается цена

Я считаю снизу вверх, потом сверяю с «сколько рынок стерпит».

| Статья | Как считаю | Типичная доля в пилоте | |--------|------------|------------------------| | Аналитика и baseline | 16–40 ч × ставка | 15–25% | | Знания / сценарии | 20–60 ч | 20–30% | | Интеграции (CRM, почта, 1С-lite) | 8–80 ч | 15–35% | | Настройка gateway / хостинг setup | фикс + 4–12 ч | 5–10% | | QA и приёмка | 10–25 ч | 10–15% | | Риск-буфер | 15–25% к работам | — | | Токены/API на пилот | оценка трафика × 1,5 | 3–12% |

Пример грубого unit для пилота поддержки

• 120 ч смешанной работы × 2 500 ₽ blended = 300 тыс.
• Буфер 20% = 60 тыс.
• Инфра + токены 40 тыс.
• Итого себестоимость ~400 тыс. → цена клиенту 480–560 тыс. при целевой валовой 20–30% или режем scope до 150–250 тыс., если рынок МСП не тянет full-пакет.

Если продаёте «пилот за 99 тыс.» без урезания scope — вы либо субсидируете маркетинг, либо потом воюете на change request.

Скрытые затраты (у клиента и у исполнителя)

Их редко пишут в КП — и зря.

У клиента

| Скрытая статья | Как проявляется | Как заложить | |----------------|-----------------|--------------| | Время владельца процесса | Созвоны, приёмка, разбор ошибок | 0,2–0,5 FTE на пилот | | Чистка данных | Прайс в PDF, CRM-дубли | Отдельная оценка до пилота | | Over-the-top надзор | «Пусть менеджер всё перечитывает» | Месяц-два; иначе нет ROI | | Смена процессов | Новые статусы, регламент эскалации | Орг. изменение, не «настройка бота» | | Юр. и политика ИИ | Маркировка, stop-list, ПДн | Чеклист до go-live | | Зависимость от API | Рост цен моделей, лимиты | Мульти-провайдер / потолок бюджета |

У исполнителя

• Бесконечные «ещё одну интеграцию» без change request.
• Поддержка в мессенджере 24/7 «по-дружески».
• Обучение новых менеджеров клиента каждый месяц.
• Долги по знаниям: устаревший прайс = инциденты на вас.

Чеклист в договор:

• [ ] Scope в таблице: in / out
• [ ] Лимит часов правок в месяц
• [ ] SLA ответа, не «всегда на связи»
• [ ] Токены: включено N / сверх — по отчёту
• [ ] Критерий приёмки пилота (KPI), не «чтобы нравилось»
• [ ] Стоимость вывода за scope (rate card)

Как сравнивать пакеты на созвоне с клиентом

Не «наш бот умнее», а экономика решения.

| Вопрос клиенту | Зачем | |----------------|-------| | Сколько диалогов/заявок в неделю и % типовых? | Ёмкость автоматизации | | Сколько стоит час fully loaded у линии? | Потолок ROI | | Где источник правды по ценам/остаткам? | Риск интеграций | | Кто владелец пилота 3–5 ч/нед.? | Без владельца пакет «Пилот» сгорит | | Что нельзя автоматизировать никогда? | Stop-list и юр. рамка |

Быстрый ROI-скелет (на салфетке)

1. Часы, которые забирает процесс сейчас × ставка.
2. Доля, которую реально закрываем без человека (осторожно: 30–50% на старте).
3. Минус стоимость пакета / 6–12 мес. и сопровождение.
4. Если payback > 6–9 мес. при честных допущениях — режем scope или не идём в сделку.

Антипаттерны прайсинга, которые я больше не использую

1. «От X ₽» без пакета — приводит токсичный трафик и торг.
2. Фикс «всё включено на год» без лимита диалогов — лотерея.
3. Цена = конкурент минус 10% — игнорирует ваш cost base.
4. Скидка за «логотип в портфолио» без письменного кейс-права и срока.
5. Оплата только success-fee на внедрении с грязными данными — вы финансируете хаос клиента.

Часто задаваемые вопросы

Почему диагностика отдельным пакетом, а не «в подарок»?

Потому что 70% отказов и сорванных сроков рождаются на этапе «не знали, что данных нет». Платная диагностика отсекает неготовность и даёт честный бюджет.

Можно ли price за диалог вместо фикса?

Да, на сопровождении после стабилизации: фикс за платформу + tier по объёму. На этапе внедрения фикс+scope предсказуее для обеих сторон.

Как объяснить клиенту рост цены после пилота?

Пилот = один процесс и ручной контур. Production = интеграции, надежность, аудит, обучение. Показываю дельту scope таблицей, не «ну так вышло».

Что делать, если МСП просит «как у фрилансера за 30 тыс.»?

Либо микро-scope (только FAQ на одном канале без CRM), либо вежливый отказ. Демпинг убивает качество и репутацию сильнее, чем потерянный лид.

Читайте также

• TCO AI-агента: KPI и стоимость владения за 30–90 дней
• Сам vs подрядчик: unit-экономика AI-автоматизации
• Сколько стоит AI-агент для бизнеса в августе 2026: тарифы и ROI

🚀 Нужна сетка пакетов и unit-экономика под ваши услуги автоматизации?
Соберу cost base, три пакета, rate card на change request и скрипт продажи без демпинга.

Заказать консультацию — raisovich.ru

Из каких пакетов состоит лестница прайсинга автоматизации?

Диагностика 40–90 тыс. ₽, пилот 150–350 тыс. ₽, production 350–900+ тыс. ₽ разово; после — light, standard или plus сопровождение от 25 до 250 тыс. ₽ в месяц с отдельной строкой на токены и API.

Какие скрытые затраты чаще всего ломают ROI пилота?

У клиента — время владельца процесса, чистка данных, избыточный надзор и смена регламентов; у исполнителя — scope creep, «бесплатная» поддержка в мессенджере и долги по устаревшим знаниям.

Как быстро прикинуть payback автоматизации на созвоне?

Часы процесса умножьте на fully loaded ставку и реалистичную долю без человека (часто 30–50% на старте), вычтите пакет и сопровождение на 6–12 месяцев; если payback больше 6–9 месяцев — режьте scope или не берите сделку.

Ниже — рабочая схема для МСП и B2B-блогов: что писать, как размечать смысл для моделей и как проверять, цитируют ли вас ChatGPT/Perplexity/Gemini/поиск с AI-ответами. Без обзора «какая модель круче».

Сущности: о чём модель может «уверенно» говорить

AI-ответ собирается из кусков, которые выглядят как факты о сущностях: компания, продукт, услуга, локация, человек-эксперт, метод, регламент.

| Сущность | Минимум фактов на сайте | Где дублировать | |----------|-------------------------|-----------------| | Компания | юр./бренд-имя, чем занимается, география, для кого | О нас, контакты, llms.txt, профили | | Услуга | название, для кого, срок, входные данные, результат, цена-ориентир | Услуги + 1 кейс + FAQ | | Метод/фреймворк | шаги 1–N, ограничения, KPI | Отдельная статья-канон | | Эксперт | имя, роль, зона компетенции | Об авторе, цитаты в статьях | | Локация (если offline) | город, район, режим, карта | Локальные лендинги |

Правило согласованности

Если на главной «внедрение за 30 дней», а в блоге «минимум 90» — модель либо проигнорирует, либо выберет чужой источник. Я свожу одну каноническую цифру на сущность и везде повторяю формулировку близко к дословному ядру (не копипаста абзацев, а стабильный fact-core).

Чеклист сущности «Услуга X»:

• [ ] Одно каноническое имя (не 5 синонимов в H1)
• [ ] 3–5 фактов: срок, формат, для кого, не для кого
• [ ] 1 таблица сравнения / пакетов
• [ ] 1 блок «ограничения и риски»
• [ ] 3 FAQ с прямым ответом в первом предложении
• [ ] Ссылка на кейс или методологию с датой

Структура контента под цитирование

Модели любят фрагменты, которые можно вырезать целиком. Я пишу страницу как набор цитируемых блоков, а не «простыню с водой».

Каркас статьи/услужной страницы

1. Answer-first (1–2 предложения = прямой ответ на запрос).
2. Определение сущности (что это / чем не является).
3. Нумерованные шаги или чеклист.
4. Таблица (сравнение, сроки, KPI, пакеты).
5. Ограничения (когда не работает).
6. FAQ (вопрос = H3, ответ с первой строки).
7. Дата и контекст («актуально на …», регион, сегмент).

| Блок | Зачем AI-поиску | Антипаттерн | |------|-----------------|--------------| | Answer-first | Даёт готовый lead ответа | «В этой статье расскажем…» | | Таблица | Плотность фактов, легко цитировать | Длинные абзацы без структуры | | FAQ | Попадает в question-prompts | FAQ-вода без цифр | | Ограничения | Повышает trust, меньше «рекламного» тона | Только выгоды | | Внутренние ссылки на канон | Усиливают сущность | Сиротские посты без хаба |

Микро-приёмы, которые реально помогают

• В H2 держать язык запроса: «как замерить видимость в AI-поиске», не «некоторые аспекты мониторинга».
• Числа писать конкретно: «40–60%», не «значительно».
• Один claim — один абзац; не смешивать цену, срок и юр. оговорки в одном предложении.
• Для бренда: 2–4 фразы-шаблона («Raisovich помогает МСП…») в О нас + кейсах, без спама в каждом абзаце.

Как замерять видимость (без самообмана)

Органический трафик из Search Console ≠ GEO. Нужен промпт-пул и регулярный прогон.

Методика на 30 дней

| Шаг | Действие | Артефакт | |-----|----------|----------| | 1 | 25–40 промптов: бренд, услуги, «лучший / как выбрать / сколько стоит», 5–8 без бренда | Таблица prompts.xlsx | | 2 | Фиксированные движки (2–4): например ChatGPT, Perplexity, Gemini, AI-обзор в поиске | Протокол среды | | 3 | Раз в неделю: mention / cite / recommend / none | Лог с датой и скрином | | 4 | Если cite — URL и тип блока (FAQ, таблица, определение) | Пометки в логе | | 5 | Раз в месяц — дельта и backlog правок контента | 1-страничный отчёт |

Шкала простой оценки по промпту:

• 0 — нет упоминания
• 1 — бренд мельком, без рекомендации
• 2 — есть в списке/сравнении
• 3 — цитата или опора на ваш URL/формулировку
• 4 — явная рекомендация с вашим fact-core

Целиться сразу в «нас везде рекомендуют» бессмысленно. Сначала share of voice по 10 money-промптам и рост cite-rate.

Что часто ломает замер

• Каждый раз новый wording промпта («креативлю») — ряд несопоставим.
• Личный залогиненный чат с историей — смещение.
• Один удачный скрин = «мы в GEO». Нужна серия.
• Путают PR-упоминания в СМИ с цитированием вашего канона.

14-дневный спринт GEO для одного направления

| День | Работа | |------|--------| | 1–2 | Карта сущностей + канонические факты | | 3–4 | Промпт-пул и baseline-замер | | 5–8 | Переписать 1 хаб + 2 кластерные статьи под блоки | | 9–10 | FAQ, таблицы, согласовать цифры между URL | | 11 | llms.txt / краткие machine-readable summary при наличии | | 12–13 | Внутренняя перелинковка на канон | | 14 | Повторный замер, backlog v2 |

Не распыляйтесь на 50 URL. Один money-intent + сущности вокруг него дают больше, чем тонна тонкого контента.

Часто задаваемые вопросы

GEO — это вместо SEO?

Нет. SEO остаётся для классической выдачи и брендового спроса. GEO усиливает шанс попасть в сгенерированный ответ. Делаю оба слоя на одних сущностях и фактах.

Нужна ли Schema.org обязательно?

Полезна (Organization, FAQ, Article, Service), но без ясных фактов в тексте разметка не спасёт. Сначала смысл и структура, потом JSON-LD.

Как часто обновлять страницы под AI-поиск?

Канон услуг и price-ориентиры — при каждом реальном изменении; методологические статьи — раз в 1–3 месяца с датой пересмотра. Свежесть сигнала важна, но «переписать ради даты» без правок фактов — шум.

Можно ли купить цитирование?

Платный контент и биржи ссылок не заменяют согласованную сущность и полезный фрагмент. Покупать имеет смысл экспертизу и данные, не «пакет GEO на 100 промптов с гарантией».

Читайте также

• GEO: как AI-агенты попадают в ответы AI-поиска
• llms.txt и GEO-оптимизация
• Как проверить цитирование в ChatGPT и Perplexity

🚀 Нужен GEO-аудит: сущности, промпт-пул и план правок на 14–30 дней?
Соберу карту фактов, baseline видимости и конкретный backlog по URL — без отчёта «на 40 страниц воды».

Заказать консультацию — raisovich.ru

Что нужно, чтобы попасть в ответы AI-поиска?

Нужны согласованные сущности с каноническими фактами, цитируемые блоки (определение, шаги, таблица, FAQ) и регулярный замер по фиксированному пулу промптов — иначе оптимизация идёт впустую.

Как выглядит простой замер видимости в GEO?

Фиксируете 25–40 промптов и 2–4 движка, раз в неделю ставите шкалу 0–4 от отсутствия упоминания до явной рекомендации и раз в месяц смотрите дельту cite-rate и backlog правок.

С чего начать GEO-спринт на две недели?

С карты сущностей и baseline-замера, затем один money-хаб плюс две кластерные статьи под блоки, перелинковка на канон и повторный прогон — без распыления на десятки URL.

Это не «бот пишет КП за вас», а узкий процесс: приём запроса → извлечение полей → проверка комплектации по прайсу/остаткам → черновик ответа менеджеру → handoff. Цифры — композит одного внедрения (оптовая поставка + кастомные комплекты, РФ, 2026). Не оферта и не гарантия тем же результатом «из коробки».

Контекст: что болело до старта

Компания: B2B, средний чек 180–450 тыс. ₽, 4 менеджера, общая почта + Telegram + форма на сайте. КП часто «кривые»: нет артикулов, смешанные единицы, вопросы по срокам и аналогам.

| Метрика (baseline, 30 дней) | Значение | |-----------------------------|----------| | Входящих запросов на КП / мес. | 96 | | Среднее время до первого содержательного ответа | 4,2 ч | | Доля без ответа >24 ч | 19% | | Повторные уточнения «что именно нужно» | 41% диалогов | | Конверсия запрос → отправленное КП | 62% | | Ошибки в цене/комплекте в черновиках | ~1 из 8 |

Боль не в «мало лидов», а в очереди и качестве первички: менеджеры тушили пожар, а не продавали.

Ограничения, которые зафиксировали в договоре scope

• Не трогаем юр. оферту и индивидуальные скидки >12% — только человек.
• Не обещаем срок поставки «от себя», если нет данных в 1С/таблице.
• Пилот = 1 канал (форма + почта), Telegram — вторая очередь.
• Цель 55 дней: ускорение primary review, не замена отдела продаж.

Как шло внедрение по неделям

| Недели | Фокус | Результат на выходе | |--------|-------|---------------------| | 1–2 | Baseline, разметка 250+ писем/тикетов, словарь полей | Таксономия: 9 типов запроса, 14 обязательных полей | | 3–4 | Парсинг + карточки знаний (прайс, аналоги, FAQ по срокам) | Черновик ответа в CRM-карточке, confidence score | | 5–6 | Пилот 40% трафика, shadow + правки правил | Авто-prep 55% запросов, эскалация edge-кейсов | | 7–8 | 100% scope, SLA, отчёт, freeze | Стабильные KPI 2 недели подряд |

Что реально автоматизировали

1. Извлечение: номенклатура, объём, город, желаемый срок, контакты.
2. Сопоставление с прайсом и «допустимыми аналогами» (белый список).
3. Генерация черновика КП-текста + таблицы позиций для менеджера.
4. Флаги риска: нет остатка, скидка вне сетки, нестандартная логистика.

Человек всегда нажимал «отправить» на деньги и нетиповые условия. Это сознательно: в B2B цена ошибки выше скорости.

Цифры «до / после» на 55-й день

Сравнение: 30 дней baseline vs последние 14 дней после go-live (один и тот же объём ±8%).

| KPI | До | После | Дельта | |-----|----|-------|--------| | Время primary review | 4,2 ч | 38 мин | −85% | | Без ответа >24 ч | 19% | 4% | −15 п.п. | | Запрос → отправленное КП | 62% | 79% | +17 п.п. | | Повторные «уточните ТЗ» | 41% | 22% | −19 п.п. | | Ошибки цены/комплекта в ушедших КП | ~12% | 3% | контроль человеком + прайс | | Доля fully auto без правок менеджера | 0% | 31% | только «чистые» типовые | | Нагрузка на 1 менеджера (часы на первичку / нед.) | ~18 ч | ~7 ч | −11 ч |

Unit-срез (порядок величин)

• Экономия времени 4 менеджеров: ~44 ч/нед. → при fully loaded 1 200–1 800 ₽/ч это ~210–300 тыс. ₽/мес. высвобожденного времени (не «прибыль на счёт», а ёмкость на сделки).
• Пилот+внедрение (работы, интеграции, знания): ориентир 280–420 тыс. ₽ разово + 25–60 тыс. ₽/мес. сопровождение и токены.
• Окупаемость по высвобожденным часам — порядка 1,5–2,5 месяца, если часы реально перекладывают в продажи, а не в простой.

Что не сработало с первого раза

Чеклист ошибок — полезнее красивого success-story.

• [ ] Слишком широкий scope в неделю 3 — добавили «любые аналоги». Откатили: только белый список, иначе галлюцинации комплектации.
• [ ] Прайс в PDF без структуры — парсинг плыл. Перевели критичные позиции в таблицу-источник правды.
• [ ] Оценка только «нравится менеджеру» — ввели бинарные метки: поля ок / цена ок / можно слать / эскалация.
• [ ] Игнор «пустых» запросов — 15% писем были «прайс на всё». Отдельный сценарий: короткий ответ + ссылка на каталог + 3 уточняющих вопроса.
• [ ] Telegram раньше почты — хаос в контекстах. Вернули порядок: сначала стабилизировали form+mail.

Жёсткие границы кейса

Не переносится 1-в-1 на: тендерную документацию с сотнями страниц, медицину/финконсалтинг без юриста, компании без цифрового прайса. Там другой baseline и другой риск.

Часто задаваемые вопросы

Сколько дней реально нужно на такой кейс в B2B?

На узкий primary review КП при наличии CRM и хоть какого-то цифрового прайса — 45–70 дней. Если знания только в головах и Excel «у Ивана» — закладывайте +3–4 недели на данные.

Можно ли сразу 80% без человека?

В этом контуре — нет. 30–40% fully auto на типовых — нормальный потолок на старте. Выше только после 2–3 месяцев чистки номенклатуры и правил скидок.

Что измерять кроме скорости ответа?

Долю отправленных КП, долю правок менеджера, ошибки цены, конверсию КП→сделка (лаг 2–6 недель), и не «сколько сообщений сгенерил бот».

Нужен ли отдельный разработчик?

Для парсинга почты, карточки в CRM и логов — да, хотя бы part-time. «Только ChatGPT в браузере» этот KPI не держит.

Читайте также

• Внедрение AI-агента за 90 дней: этапы, цифры и процесс без хайпа
• Кейс: квалификация лидов и CRM-автоматизация за 45 дней
• Сам vs подрядчик: unit-экономика AI-автоматизации

🚀 Нужен разбор вашего потока КП или заявок с baseline и цифрами на 45–60 дней?
Соберу scope, словарь полей, KPI go/no-go и оценку бюджета — без демо ради демо.

Заказать консультацию — raisovich.ru

Какие KPI выросли после автоматизации разбора КП?

За 55 дней primary review сократился с 4,2 ч до 38 мин, доля без ответа дольше 24 ч — с 19% до 4%, конверсия запрос в отправленное КП — с 62% до 79%; fully auto без правок менеджера — около 31% типовых.

Сколько примерно стоит такое внедрение?

Ориентир пилот и внедрение — 280–420 тыс. ₽ разово плюс 25–60 тыс. ₽ в месяц на сопровождение и токены; окупаемость по высвобожденным часам порядка 1,5–2,5 месяца, если ёмкость уходит в продажи.

На какие компании кейс не переносится один в один?

Не переносится 1-в-1 на тендерную документацию на сотни страниц, медицину и финконсалтинг без юриста и компании без цифрового прайса — там другой baseline и другой риск.

Я считаю TCO до подписания scope. Иначе через месяц всплывают «неучтенные» 80–150 часов команды, и ROI выглядит магией. Ниже — рабочая модель для МСП: поддержка, квалификация лидов, внутренняя ops-рутина. Цифры — порядки 2025–2026, подставьте свои ставки.

Из чего складывается TCO на горизонте 90 дней

| Статья | 30 дней (пилот) | 60–90 дней (production) | Комментарий | |--------|-----------------|-------------------------|-------------| | Платформа / LLM / хостинг | 5–40 тыс. ₽ | 15–80+ тыс. ₽ | Зависит от объёма и self-host | | Внедрение (разово) | 80–250 тыс. ₽ или 40–120 ч | доработки 20–40% от пилота | Scope creep — главный враг | | Интеграции CRM/helpdesk | 20–100 тыс. ₽ | сопровождение | Статусы, prefill handoff | | Владелец процесса (FTE %) | 0.15–0.3 | 0.1–0.25 | Без владельца TCO «взрывается» | | Операторы на handoff | по % эскалаций | стабилизация | Часто забывают в ROI | | QA / разбор диалогов | 3–6 ч/нед | 2–4 ч/нед | Обязательная статья | | Knowledge updates | 2–5 ч/нед | 2–4 ч/нед | Акции, прайс, офер | | Риски / переделки | резерв 15–25% | резерв 10–15% | Инциденты, stop-list |

Формула грубо:
TCO_90 ≈ setup + 3×(run_месяц) + cost_people_QA_owner + cost_handoff_extra + reserve

Сравнивайте TCO не с «нулём», а с fully loaded стоимостью текущего процесса (часы × ставка × ошибки × скорость ответа).

KPI-дашборд: что должно гореть на 30 / 60 / 90 день

Без baseline TCO бессмысленен: непонятно, что окупаем.

День 0: снять baseline

• Объём диалогов/лидов в неделю
• AHT / time-to-first-response / time-to-resolve
• % повторных обращений
• Конверсия в MQL/сделку (если продажи)
• Стоимость часа fully loaded

Пороги по фазам

| KPI | День 30 (пилот) | День 60 | День 90 | |-----|-----------------|---------|---------| | Автозакрытие в scope | ≥35–45% | ≥45–55% | ≥50–65%* | | QA pass rate | ≥75% | ≥85% | ≥90% | | Critical fails (money/legal) | 0 на выборке | 0 | 0 | | Handoff с карточкой | ≥80% | ≥95% | ≥98% | | Time-to-human после триггера | измерен | ≤ SLA | ≤ SLA | | Reopen 48ч | ≤ baseline | ↓ 10–20% | ↓ к цели | | CSAT / оценка | ≥ human-only −0.2 | ≈ human | ≥ human или = |

*Зависит от сложности тем; FAQ ≠ сложные претензии.

Чеклист go / hold / kill

• [ ] Go: pass rate и critical fails в норме, автозакрытие ≥ floor, владелец есть
• [ ] Hold: метрики ок, но интеграция/очередь handoff сырые — чиним процесс, не «добавляем модель»
• [ ] Kill/pivot: нет владельца, scope плывёт, critical fails, TCO_people > экономии 2 месяца подряд

Юнит-экономика: когда агент окупается

Пример для first-line (цифры учебные — замените):

| Параметр | Значение | |----------|----------| | Диалогов в месяц в scope | 1 200 | | Стоимость 1 диалога человеком | 120 ₽ fully loaded | | Автозакрытие к 90 дню | 55% | | Handoff 45% × 0.7 времени человека | экономия не 55% wall-clock, а меньше | | Грубый saved/мес | ~1 200 × 0.55 × 120 × 0.75 ≈ 59 тыс. ₽ | | Run-cost + people QA/owner | 35–50 тыс. ₽ | | Payback setup 150 тыс. ₽ | порядка 3–6+ мес. после стабилизации |

Важно: экономия ≠ автозакрытие × ставка. Часть времени уходит на контроль, эскалации и обучение. Я закладываю коэффициент 0.6–0.8 к «идеальной» экономии, пока процесс не стабилизирован.

Скрытые утечки TCO

1. Бесконечный «ещё один интент» без вывода старых
2. Нет stop-list → инциденты и ручной разбор
3. Два владельца = ноль владельцев
4. API-счётчик без лимитов и кэша tools
5. Пилот на всём сайте вместо 1 процесса

План 30–90 дней через призму денег и KPI

| Окно | Фокус денег | Фокус KPI | Запрет | |------|-------------|-----------|--------| | 1–30 | Не раздувать setup; shadow/часть трафика | Baseline, QA, карточка handoff | Маркетинг «мы внедрили AI» | | 31–60 | Добить 1–2 интеграции, убрать ручной костыль | Автозакрытие ↑, critical = 0 | Расширение на 5 новых тем | | 61–90 | Зафиксировать run-cost; отчёт TCO vs baseline | Стабильный pass rate, SLA handoff | Смена платформы «ради хайпа» |

К дню 90 у меня на столе: одна страница TCO (факт), дашборд KPI, backlog v2 с оценкой часов — и решение: масштабировать scope, держать, или резать.

Часто задаваемые вопросы

Можно ли считать ROI только по токенам?

Нет. Токены часто 10–30% run-cost. Люди, QA и интеграции обычно больше. ROI без FTE — самообман.

Что делать, если к 30 дню автозакрытие 20%?

Смотреть root cause: знания, tools, scope слишком широкий, плохой handoff. Не покупать «модель мощнее», пока QA не показывает, где ломается. Hold и узкий scope лучше, чем красивый % на мусорных интентах.

Как учесть стоимость ошибки агента?

Заложите ожидаемый убыток: % critical × средняя цена инцидента × объём. Даже редкий money-fail бьёт TCO сильнее, чем «сэкономили 2 минуты на FAQ».

90 дней — это всегда достаточно?

Для одного узкого процесса с API — часто да. Если знания в головах, легаси без API, или 5 стейкхолдеров без владельца — закладывайте 120+ и честно режьте scope.

Читайте также

• Внедрение AI-агента за 90 дней: этапы, цифры и процесс без хайпа
• Сам vs подрядчик: unit-экономика AI-автоматизации 2026
• Стоимость AI-агента для бизнеса: тарифы и ROI

Нужен расчёт TCO и KPI под ваш процесс на 30–90 дней — можно разобрать на https://raisovich.ru

Из чего складывается TCO AI-агента за 90 дней?

TCO_90 ≈ setup + 3× run-месяц + люди (владелец, QA, handoff) + резерв 10–25%; токены часто лишь 10–30% run-cost, остальное — интеграции, знания и контроль качества.

Какие KPI проверять на 30, 60 и 90 день внедрения?

На 30 — baseline, QA ≥75%, handoff с карточкой ≥80%; на 60 — автозакрытие ↑ и critical fails = 0; на 90 — pass rate ≥90%, стабильный SLA handoff и отчёт TCO vs baseline.

Почему экономия от автозакрытия меньше, чем процент закрытых диалогов?

Часть времени уходит на QA, эскалации и обучение; к «идеальной» экономии (автозакрытие × ставка) закладывайте коэффициент 0.6–0.8, пока процесс не стабилизирован.

Я разделяю SEO-трафик и GEO-видимость: во втором случае побеждает не длина текста, а машиночитаемая определённость. Ниже — практика, как упаковать агента и автоматизацию так, чтобы Perplexity / ChatGPT Search / аналоги чаще ссылались на вас, а не пересказывали рынок без источника.

Сущность «AI-агент» в глазах AI-поиска

Модели собирают ответ из кластеров фактов. Если у вас размыто «умное решение для бизнеса», вас смешают с десятками конкурентов. Если есть стабильное имя + роль + границы — выше шанс отдельной карточки в ответе.

| Поле сущности | Плохо | Хорошо для цитирования | |---------------|-------|-------------------------| | Имя | «наш бот» | Конкретное имя продукта / агента | | Роль | «помогает клиентам» | First-line FAQ / квалификация MQL / статус заказа | | Канал | «везде» | Telegram + виджет + CRM X | | Интеграции | «с чем угодно» | Bitrix24 / amoCRM / 1С — списком | | Ограничения | молчание | Stop-list: скидки, юр. обещания — человек | | Гео / язык | не указано | РФ, RU, часовой пояс поддержки | | Доказательства | «лидер рынка» | Цифра пилота, срок, процесс (без вранья) |

Правило: один агент = одна сущность. «Платформа из 12 агентов» без имён и ролей почти не цитируется предметно.

Контент, который модели реально вытаскивают

AI-поиск любит блоки, которые можно вырезать целиком: определение, таблица сравнений, чеклист шагов, FAQ с прямым ответом в первом предложении.

Обязательный набор страниц/блоков

1. Что это — 2–4 предложения answer-first, без воды
2. Для кого / не для кого — границы scope
3. Как работает handoff — человек в контуре (доверие + уникальность)
4. Интеграции и данные — источники правды
5. Метрики и срок внедрения — порядок цифр, не сказка
6. FAQ — вопросы «как устроен / сколько / чем отличается»
7. Кейс-срез — процесс → baseline → изменение KPI

Таблица «цитируемость vs маркетинг»

| Тип абзаца | Вероятность цитаты | Почему | |------------|--------------------|--------| | Определение + роль агента | Высокая | Чёткий factoid | | Таблица интеграций / этапов | Высокая | Структура | | «Мы лучшие / инновации» | Низкая | Нет факта | | Длинный storytelling без цифр | Средняя/низкая | Трудно вырезать | | FAQ с прямым ответом | Высокая | Паттерн Q→A |

Я пишу так, чтобы первый абзац H2 уже был ответом. Это совпадает и с SEO snippet, и с тем, как модели режут источники.

Технический слой GEO для агентов и автоматизации

Контент без сигналов сущности работает хуже.

Чеклист сигналов

• [ ] Стабильный URL сущности (продукт / агент / услуга внедрения) — без вечной «переезжающей» лендинг-каши
• [ ] Одинаковое имя в title, H1, первом абзаце, схеме Organization/SoftwareApplication (где уместно)
• [ ] llms.txt / индекс для AI-краулеров: ссылки на ключевые definition + FAQ + кейсы
• [ ] Публичные сравнения «агент vs чат-бот vs RPA» — вы задаёте рамку, а не конкурент
• [ ] Упоминания в сторонних источниках: каталоги, VC/отраслевые разборы, партнёрские страницы — согласованные факты
• [ ] Даты и версии: «обновлено 2026-08», этапы 30/60/90 дней
• [ ] Локальный слой: город/РФ, если продаёте внедрение on-site или под 152-ФЗ

Чего избегать

• Десять синонимов имени на одной странице
• Противоречие «внедрение за 3 дня» на лендинге и «90 дней» в блоге
• Скрытые цены-приманки без условий — модели копируют и потом «ловят» на нестыковке

Согласованность фактов между сайтом, блогом и карточками — ваш главный GEO-актив.

Как замерять, что агент «попал» в ответы

Без замера GEO превращается в веру.

| Метод | Частота | Что фиксировать | |-------|---------|-----------------| | Набор из 15–30 промптов | 1× / 2 нед. | Бренд / имя агента / «да-нет» в ответе, позиция, цитата URL | | Промпты-сравнения | 1× / 2 нед. | Упоминание vs конкуренты | | Промпты-задачи | 1× / мес. | «Как внедрить X» — есть ли ваш протокол | | Рефералы / UTM с AI-браузеров | непрерывно | Визиты, не только vanity screenshots | | Ручной log | каждый прогон | Модель, дата, скрин, verbatim цитата |

Мини-набор промптов (примеры направлений):
«AI-агент для квалификации лидов в CRM Россия», «handoff человек бот поддержка протокол», «внедрение AI-агента 90 дней KPI», «чем AI-агент отличается от чат-бота для МСП».

Цель на 4–6 недель: рост share of answer по кластеру (не один счастливый скрин). Параллельно — рост цитируемых URL с definition/FAQ, не только главной.

Часто задаваемые вопросы

GEO для AI-агента — это то же SEO?

Пересекается, но не равно. SEO часто гонится за позицией и кликом; GEO — за включением в синтезированный ответ и корректной атрибуцией. Нужны и классические страницы, и блоки, удобные для цитирования.

Нужен ли отдельный домен под каждого агента?

Обычно нет. Важнее стабильные URL и ясная иерархия: компания → продукт/агент → кейсы → метод внедрения. Отдельный домен без ссылочного и контентного веса чаще вредит.

Можно ли «протолкнуть» агента только через llms.txt?

Нет. llms.txt помогает навигации краулера, но без сильных definition-страниц, согласованных фактов и внешних подтверждений цитирование слабое.

Как быстро ждать эффект?

Первые сдвиги по узким long-tail промптам — часто 2–6 недель после публикации согласованного кластера. По конкурентным head-запросам — месяцы и только с доказательствами + упоминаниями.

Читайте также

• GEO-протокол: как попасть в ответы AI-поиска по локальному спросу
• llms.txt и GEO-оптимизация
• Контент-стратегия для GEO-оптимизации

Если нужно упаковать вашего AI-агента как цитируемую сущность и собрать замер промптов — напишите на https://raisovich.ru

Какие поля сущности AI-агента важны для цитирования в AI-поиске?

Нужны стабильное имя, роль (first-line, MQL, статус заказа), каналы, список интеграций, stop-list ограничений, гео/язык и проверяемые доказательства пилота — без этого модель обобщает вас до «чат-бота».

Какой контент чаще цитируют модели AI-поиска?

Высокая вероятность у definition + роль, таблиц интеграций и этапов, FAQ с прямым ответом в первом предложении; низкая — у «мы лучшие» и storytelling без цифр.

Как замерять видимость AI-агента в ответах AI-поиска?

Раз в 2 недели прогоняйте 15–30 промптов и фиксируйте бренд/имя агента, позицию, цитату URL и модель; цель на 4–6 недель — рост share of answer по кластеру, не один скрин.

Я выстраиваю handoff так же, как смену операторов: очередь, приоритет, обязательные поля, stop-list и метрики «после передачи». Ниже — каркас, который работает для first-line поддержки, квалификации лидов и внутренних ops-агентов. Цифры — порядок величины из проектов 2025–2026, не оферта.

Зачем протокол, а не «кнопка оператору»

Без протокола handoff превращается в хаос: клиент повторяет историю, оператор не видит intent, агент снова вмешивается, логи рвутся. Типовая цена — рост time-to-resolve на 20–40% и падение CSAT именно на «пограничных» диалогах.

| Элемент | Без протокола | С протоколом | |---------|---------------|--------------| | Триггер эскалации | «модель не уверена» / настроение | Правила + score + stop-list | | Контекст человеку | Скрин/«посмотри чат» | Карточка: intent, факты, попытки, риск | | Возврат агенту | Никогда / всегда | Только после закрытия edge и правки знаний | | Ответственность | «бот виноват» | Владелец процесса + владелец знаний | | QA | Раз в месяц «почитали» | Ежедневная выборка + scorecard |

Цель handoff — не «спасти диалог любой ценой», а безопасно закрыть кейс и улучшить систему так, чтобы такой кейс чаще решался агентом в следующий раз.

Правила эскалации: матрица «когда звать человека»

Я фиксирую правила до пилота. Модель не «сама решает судьбу клиента» — она классифицирует и следует политике.

Обязательный handoff (stop-list)

• Деньги: скидка вне прайса, возврат, спор по оплате
• Юр. обещания: сроки договора «от себя», гарантии вне шаблона
• Безопасность / PII: смена доступов, удаление данных без процедуры
• Эмоция + риск churn: повторная жалоба, угроза судом/ОЗПП
• Медицина / финансы / дети — если есть в scope бизнеса

Условный handoff (score)

| Сигнал | Порог | Действие | |--------|-------|----------| | Confidence / agreement tools | < порога (часто 0.55–0.7) | Эскалация или уточняющий вопрос ×1 | | Повтор «не понял» от клиента | ≥2 в сессии | Handoff | | Out-of-scope intent | любое | Человек или честный отказ + маршрут | | Конфликт фактов CRM vs текст | любое | Человек + флаг в лог | | Сумма/срок выше лимита | по матрице | Человек с prefill |

Чеклист карточки handoff (минимум)

• [ ] Intent + подтип
• [ ] ID клиента / лида / заказа
• [ ] Что уже проверено агентом (tools, факты)
• [ ] Что клиент уже сказал (3–5 буллетов, не простыня)
• [ ] Причина эскалации (код из справочника)
• [ ] Рекомендованный следующий шаг человеку
• [ ] Риск: low / med / high

Без кодов причин вы не увидите, почему агент «сдаёт» 30% диалогов — и будете чинить модель вместо знаний или CRM.

QA-скоринг ответов: как считать качество каждую неделю

QA — не «почитали 5 чатов и понравилось». Это scorecard на выборке + разбор хвоста.

Выборка

| Объём трафика в scope | Выборка / день | Фокус | |----------------------|----------------|-------| | до 50 диалогов | 100% или 20–30 | Все эскалации + random | | 50–200 | 15–25 + 100% high-risk | Эскалации, money, жалобы | | 200+ | 25–40 stratified | По intent-бакетам |

Scorecard (пример 0–100)

| Критерий | Вес | 0 | 1 | 2 | |----------|-----|---|---|---| | Факт / соответствие источнику | 30 | Ошибка факта | Спорно | Верно | | Полнота (закрыл вопрос) | 20 | Ушёл в сторону | Частично | Закрыл | | Тон и политика бренда | 15 | Грубо/обещание | Норм | Эталон | | Корректный handoff | 20 | Молчание/петля | Поздно | Вовремя + карточка | | Безопасность (stop-list) | 15 | Нарушение | На грани | Ок |

Pass: средний score ≥80 и ноль critical fails (факт money/legal, stop-list).
Go-live / hold: 7 дней подряд pass на выборке и автозакрытие в scope не ниже согласованного floor (часто 40–55% на first-line FAQ).

Еженедельный ритуал (45–60 мин)

1. Топ-10 low-score диалогов
2. Классификация root cause: знание / tool / промпт / процесс / человек
3. 3–7 правок в knowledge + 1 правка правил handoff
4. Не трогаем «модель ради модели», пока не закрыт хвост знаний

Метрики production: что смотреть на дашборде

| KPI | Зачем | Ориентир после стабилизации* | |-----|-------|------------------------------| | % автозакрытия в scope | ёмкость | 45–70% (зависит от темы) | | % handoff | нагрузка на людей | 20–40% в scope | | First response (бот) | SLA канала | секунды–минуты | | Time-to-human после триггера | качество очереди | <5–15 мин в раб. время | | Reopen / повтор за 48ч | «ложное закрытие» | ↓ к baseline | | QA pass rate | доверие | ≥85–90% выборки | | Critical fail rate | риск | → 0 на money/legal | | CSAT / оценки после handoff | стык систем | не хуже human-only |

*Композит пилотов; ваш baseline важнее чужих «−40%».

Связка handoff + QA даёт управляемость: вы видите не только «бот ответил», а когда система должна уступить человеку и почему качество просело.

Часто задаваемые вопросы

Сколько операторов нужно на handoff при 100 диалогах в день?

Зависит от % handoff и средней длины. При 30% handoff и 8–12 мин на кейс это порядка 4–6 человеко-часов чистого времени плюс пики. Считайте от своего AHT и графика, не от «одного дежурного на всё».

Можно ли отдавать handoff в общую очередь CRM без карточки?

Технически да, практически — нет. Без prefill вы теряете 1–3 минуты на каждый кейс и учите людей ненавидеть агента. Карточка — дешёвая интеграция с высоким ROI.

Что важнее: поднять автозакрытие или QA pass rate?

Сначала ноль critical fails и pass rate, потом автозакрытие. Иначе вы масштабируете ошибки. После 2–3 недель стабильного QA можно аккуратно расширять scope и снижать ложные эскалации.

Как часто пересматривать stop-list?

Раз в спринт (1–2 недели) по кодам эскалаций и инцидентам. Stop-list живой: новый офер, новая акция, новый юр. риск — сразу в правила, не «потом в v2».

Читайте также

• 7 ошибок production AI-агентов и handoff человек↔агент
• Внедрение AI-агента за 90 дней: этапы, цифры и процесс без хайпа
• Кейс: квалификация лидов в CRM за 45 дней — +38% к MQL без найма

Нужен рабочий протокол handoff и QA под ваш процесс — разберём scope и метрики на https://raisovich.ru

Что должно быть в карточке handoff от AI-агента?

Минимум: intent и подтип, ID клиента или заказа, что уже проверено tools, 3–5 буллетов слов клиента, код причины эскалации, рекомендованный шаг человеку и риск low/med/high.

Какой QA pass rate нужен для go-live AI-агента?

Ориентир — средний score ≥80 при нуле critical fails (money/legal, stop-list) и 7 дней подряд pass на выборке плюс автозакрытие не ниже согласованного floor (часто 40–55% на first-line FAQ).

Какие KPI смотреть на дашборде handoff в production?

Смотрите % автозакрытия в scope, % handoff, time-to-human после триггера, reopen за 48ч, QA pass rate, critical fail rate и CSAT после handoff — не только «бот ответил».

Ниже — как я считаю unit-экономику выбора для МСП: поддержка, квалификация лидов, внутренние workflow. Без хайпа моделей и без «всем нужен интегратор».

Что сравниваем (одинаковый результат)

| Параметр | Фиксируем | |----------|-----------| | Scope | First-line FAQ или квалификация лидов + CRM | | Срок до пилота | 30–45 дней до KPI-отчёта | | Каналы | Telegram + сайт + CRM | | Критерий успеха | % автозакрытий / MQL + time-to-first + логи | | Горизонт TCO | 6 месяцев |

Если scope «сделать нам AI» без KPI — сравнивать бессмысленно: вы покупаете хаос в двух упаковках.

Прямые затраты: 6 месяцев (порядок)

| Статья | Сам (in-house) | Подрядчик / готовый контур | |--------|----------------|----------------------------| | Софт, API, хостинг РФ | 15–40 тыс. ₽ | часто в тарифе / 10–30 тыс. ₽ | | Время владельца (основатель/ops) | 60–120 ч × ваша ставка | 15–30 ч на ТЗ и приёмку | | Время технаря (если есть) | 40–80 ч | 0–20 ч на доступы | | Внешний подряд / пилот | 0 | 80–250 тыс. ₽ пилот или 50 тыс. ₽/мес × N | | Доработки после запуска | 20–40 ч | 1–2 итерации в договоре / пакет | | Грубый cash-out | низкий | выше на старте | | TCO с учётом часов | часто 200–450 тыс. ₽ экв. | 150–350 тыс. ₽ при узком scope |

Ставку часа основателя я беру не «хочу 0 ₽», а упущенная валовая / 160. Иначе «сам бесплатно» — самообман.

Скрытые статьи, которые ломают «сам дешевле»

1. Нет baseline — через месяц нечего доказывать, пилот «висит».
2. CRM-поля и права — 70% времени уходит не на промпт, а на данные.
3. Эскалации и stop-list — без них CSAT и юристы прилетают вместе.
4. Онколл — бот падает в пятницу вечером; кто чинит?
5. Смена модели/тарифа API — без абстракции gateway переписываете сценарии.
6. Документация для команды — иначе знание уходит с одним сотрудником.

Подрядчик дороже в счёте, но продаёт сжатый time-to-value и чужой checklist ошибок. In-house дешевле в cash, если это уже ваша вторая-третья автоматизация.

Когда выбирать что (правила)

| Ситуация | Решение | |----------|---------| | <30 целевых обращений/нед. | Сначала канал и оффер, не агент | | Есть ops/разработчик и 2-й похожий процесс | Сам / гибрид | | Первый пилот, KPI через 30 дней совету директоров | Подрядчик или готовый тариф | | Нужны 5 систем и кастомная логика | Подряд + внутренний owner | | Хотите «как товар» без проекта | Фикс-тариф ассистента (predictable opex) | | Нет человека на приёмку | Не начинать ни так, ни так |

Пример unit-экономики (поддержка, 2 оператора)

Допустим ФОТ+налоги двух first-line ≈ 180 тыс. ₽/мес. Рутина 45% времени.

| Сценарий | Инвест (6 мес. экв.) | Эффект | Payback | |----------|----------------------|--------|---------| | Сам, удачно | ~250 тыс. экв. (часы+API) | −35–40% рутины | 3–5 мес. | | Сам, с перезапуском | ~400 тыс. экв. | −15% / откат | >6–9 мес. или провал | | Подрядчик, узкий scope | ~180–220 тыс. | −40% рутины к 45 дн. | 2–4 мес. | | Готовый ассистент 50 тыс./мес. | 300 тыс./6 мес. | быстрее старт, меньше кастома | если закрывает 30%+ рутины |

Вывод: при первом пилоте «дешёвый сам» часто проигрывает из-за перезапуска. При втором процессе in-house уже опирается на ваши шаблоны — и выигрывает.

Чеклист перед решением

• [ ] Scope на 1 странице: in / out / KPI / stop-list
• [ ] Посчитаны часы основателя, не только invoice
• [ ] Назначен owner приёмки (даже с подрядчиком)
• [ ] Есть доступ к диалогам и CRM до старта
• [ ] Горизонт TCO 6 месяцев, не «цена за месяц»
• [ ] План B: что делаем, если автозакрытие <25% к дню 30

Часто задаваемые вопросы

Можно ли гибрид?

Да: подрядчик собирает каркас и KPI, вы забираете контент знаний и вторую линию доработок. Часто лучший TCO.

Фикс в месяц или project fee?

Project — если уникальный процесс и один раз. Фикс/подписка — если хотите предсказуемый opex и обновления сценариев.

Сколько закладывать на токены?

Для FAQ/квалификации МСП часто 3–15 тыс. ₽/мес. на старте. Если счет улетел — смотрите циклы и логи, не «сменить модель наугад».

Когда точно не outsource?

Если нет времени на ТЗ и еженедельный разбор логов. Подрядчик без заказчика = красивый бот в вакууме.

Читайте также

• AI-ассистенты как товар: модель 50 000 ₽/мес
• Сколько стоит AI-агент для бизнеса: тарифы и ROI
• Внедрение AI-агента за 90 дней: этапы и цифры

🚀 Нужен расчёт «сам vs подрядчик» под ваш scope и ФОТ — с TCO на 6 месяцев?
Соберу таблицу часов, рисков и порога окупаемости без воды.

Заказать консультацию — raisovich.ru

Когда «сам» дешевле подрядчика по TCO AI-автоматизации?

Когда есть владелец процесса, 40–80 свободных часов и это уже вторая-третья похожая автоматизация: cash-out низкий, а TCO с часами основателя часто 200–450 тыс. ₽ экв. на 6 месяцев.

Какой горизонт считать для unit-экономики AI-пилота?

Шесть месяцев TCO с одинаковым scope и KPI — не «цена за месяц» и не счёт подрядчика без часов основателя по упущенной валовой.

Почему сравнение «подписка vs счёт» вводит в заблуждение?

Оно игнорирует 60–120 часов владельца, CRM-данные, онколл и риск перезапуска: при первом пилоте «дешёвый сам» часто проигрывает time-to-value и payback 2–4 месяца у узкого подрядчика.

Я разбираю видимость в AI-поиске так же, как воронку продаж: baseline, узкий scope, действия, KPI. Ниже — рабочий протокол для МСП (услуги, клиники, B2B-локально, обучение), без обещаний «вас процитирует каждая модель завтра».

Зачем отдельно от классического SEO

| | Классическое SEO | GEO (AI-поиск) | |--|------------------|----------------| | Единица успеха | Позиция / клик | Упоминание / цитата / рекомендация в ответе | | Контент | Длинные страницы под ключ | Короткие проверяемые факты + сущности | | Локальность | Карты, NAP, отзывы | «Кто в городе X делает Y надёжно» в ответе модели | | Замер | Метрика/Serpstat | Таблица промптов + shortlist источников | | Срок сигнала | Недели–месяцы | Часто 1–3 цикла контента + переобход |

Если вас нет в shortlist источников модели по запросу «лучший … в [город]» или «как выбрать … для МСП в РФ» — трафик из AI-поиска вы не заберёте, даже при топ-3 в Яндексе.

Протокол на 14 дней (пошагово)

День 1–2 — карта локальных интентов

Соберите 30–50 формулировок так, как пишет человек модели:

1. Проблема + город/регион — «настроить квалификацию лидов Москва»
2. Сравнение — «агентство vs штат AI-автоматизация»
3. Прайс-интент — «сколько стоит внедрение AI-агента для поддержки»
4. How-to — «как проверить цитирование в Perplexity»
5. Trust — «кейсы автоматизации поддержки МСП Россия»

Зафиксируйте в таблице: промпт | тип | приоритет | есть ли сейчас страница-ответ.

День 3–5 — сущности и «цитируемые блоки»

Модели любят именованные, проверяемые куски:

• Юрлицо / бренд / продукт как entity (одинаковое написание везде)
• Цифры с контекстом: «за 30 дней −42% нагрузки first-line» (не «сильно ускорили»)
• NAP и гео: город, формат работы, для кого
• FAQ-блоки с прямым ответом в первом предложении
• Таблицы сравнения / чеклисты (легко «поднять» в answer)

Минимум на ключевые 5–8 URL: H1 = вопрос, первый абзац = answer-first, далее таблица или список.

День 6–9 — усиление сигналов доверия

• Кейсы с метриками до/после (даже композит — честно подпишите)
• Ссылки с отраслевых площадок / каталогов / партнёров (не спам)
• Единый author/organization schema где уместно
• llms.txt / понятная структура blog → services (если ещё нет)
• Убрать противоречия: разные цены и обещания на лендинге vs в блоге

День 10–14 — замер и итерация

Повторите те же 30–50 промптов (лучше 2–3 движка). Для каждого:

| Поле | Что писать | |------|------------| | Упомянуты? | да / нет / косвенно | | Цитата с URL? | да / нет | | Конкуренты в ответе | список | | Тип ответа | рекомендация / how-to / прайс | | Гипотеза | какой блок дописать |

Не гонитесь за «нас назвали героем». Цель цикла — попасть в shortlist + дать модели факт, который не стыдно повторить.

Чеклист GEO под локальный спрос

• [ ] 30+ промптов с городом/нишей, не только «общие»
• [ ] 5+ страниц с answer-first и таблицей/FAQ
• [ ] Единое написание бренда и услуг
• [ ] Хотя бы 2 кейса с цифрами (не только «внедрили AI»)
• [ ] Локальные маркеры: город, формат, для кого, ограничения
• [ ] Повторный замер через 10–14 дней в той же таблице
• [ ] Запрет на накрутку прокси «из датацентра» как единственный замер

Типичные ошибки

1. Только SEO-тексты 8 000 знаков — модели берут факт, не «воду под LSI».
2. Нет города в сущностях — для локального интента вы «никто».
3. Замер с одного IP/аккаунта — считайте тенденцию, не один скрин.
4. Обещания без цифр — вас нечего цитировать.
5. Путаница брендов — «Раисыч / raisovich / другое юрлицо» вперемешку.

Часто задаваемые вопросы

GEO заменяет SEO?

Нет. SEO даёт базу индекса и доверия. GEO — отдельный слой: как вас пересказывают answer-engines.

Сколько страниц нужно для старта?

Хватит 5–8 сильных URL под приоритетные интенты + 2 кейса. Лучше мало и фактурно, чем 40 «рерайтов».

Как часто перезамерять?

Раз в 2–4 недели на одном и том же наборе промптов. После крупного обновления кейсов — внепланово.

Нужен ли отдельный домен под GEO?

Обычно нет. Важнее ясная структура, факты и повторяемые сущности на основном сайте и в блоге.

Читайте также

• Как проверить, цитирует ли вас ChatGPT и Perplexity: GEO-замер за 2 часа
• Локальное GEO: Яндекс Карты и AI-поиск для МСП
• GEO AI-сервисы и агенты: видимость в ИИ-поиске

🚀 Нужен GEO-протокол под вашу нишу и город — с таблицей промптов и планом блоков?
Соберу карту интентов, разметку цитируемых страниц и первый цикл замера.

Заказать консультацию — raisovich.ru

Что входит в GEO-протокол на 14 дней для МСП?

Карта 30–50 локальных интентов, сущности и цитируемые блоки на сайте, сигналы доверия и повторный замер shortlist в AI-поиске через 10–14 дней.

Чем GEO для локального спроса отличается от классического SEO?

SEO гонится за позицией и кликом; GEO — за упоминание и рекомендацию в ответе модели по запросам вроде «кто в городе X делает Y».

Какие ошибки чаще всего мешают попасть в ответы AI-поиска?

Длинная «вода» без фактов, отсутствие города в сущностях, замер с одного IP и обещания без цифр, которые модели нечего цитировать.

Ниже — как я веду такой кейс: не «подключили нейросеть», а вычистили воронку, зафиксировали правила, связали каналы с CRM и приняли пилот по цифрам. Цифры — композит внедрений 2025–2026 (B2B-услуги / обучение / digital, 2–5 менеджеров). Это не оферта и не гарантия «+38% каждому».

Контекст «до»: где терялись лиды

| Метрика | Было | |---------|------| | Каналы | Сайт-форма, Telegram, реклама, партнёры | | Команда | 3 менеджера, без выделенного SDR | | Входящие / нед. | 80–120 обращений | | Доля «мусор / нецелевой» | ~45–55% | | MQL от входящих | ~20–25% | | Time-to-first-touch | 4–6 ч днём, до суток вечером | | CRM | Есть, поля заполняются «как получится» | | Повторные касания «кто это?» | 25–30% сделок на старте |

Боль не в «мало лидов», а в том, что менеджеры тратили половину дня на разбор «просто узнать цену» и пустые формы, а тёплые заявки остывали в общей куче.

Что сделали за 45 дней

Недели 1–2 — baseline и правила

• Выгрузили 400+ сделок/заявок за 3 месяца, разметили: ICP, бюджет-сигнал, срочность, канал.
• Зафиксировали определение MQL письменно (не «на глаз тимлида»).
• Выбрали узкий scope: только квалификация + маршрутизация, без автодожима и автоскидок.
• Stop-list агенту/боту: обещать сроки внедрения, менять прайс, «гарантировать ROI».

Недели 3–4 — сценарий + CRM

• Короткий диалог/форма: 5–7 вопросов (роль, задача, срок, бюджетный коридор, канал связи).
• Скоринг 0–100: порог MQL / nurture / disqualify.
• Запись в CRM: источник, score, саммари, следующий шаг, ответственный.
• Эскалация человеку при score ≥ порога или при «нужен созвон сегодня».

Недели 5–6 — пилот и жёсткая приёмка

• 100% новых заявок с сайта и Telegram через единый вход.
• Ежедневный разбор 15–20 диалогов: false positive / false negative.
• Freeze scope: никаких «давайте ещё прогревать рассылкой».
• Отчёт: MQL%, time-to-first, % сделок с полными полями, нагрузка менеджеров на рутину.

KPI до / после (пилот 45 дней)

| KPI | До | После 45 дн. | Комментарий | |-----|----|--------------|-------------| | Доля MQL от входящих | ~22% | ~60% | после фильтра и дожима вопросов | | Time-to-first (раб. окно) | 4–6 ч | 8–15 мин | маршрутизация + алерт | | Полнота карточки в CRM | ~40% | 85%+ | обязательные поля на входе | | Доля «пустых» касаний менеджера | 100% baseline | ~55–60% | −40% рутины на мусоре | | MQL к baseline (объём) | 100% | ~138% | +38% за счёт скорости и дожима | | Конверсия MQL→SQL | без изм. базы | ±0…+5 п.п. | качество, не «накрутка» |

Главный эффект — не «ИИ продаёт сам», а менеджеры начинают день с очереди уже квалифицированных MQL, а не с хаоса в мессенджере.

Unit-экономика пилота (порядок цифр)

| Статья | Сумма | |--------|-------| | Разметка сделок + правила MQL | 35–60 тыс. ₽ | | Сценарий бота/формы + gateway | 25–45 тыс. ₽ | | Интеграция CRM + поля + алерты | 30–50 тыс. ₽ | | Токены / хостинг 1,5 мес. | 5–15 тыс. ₽ | | Сопровождение и разбор логов | 25–40 тыс. ₽ | | Итого пилот | ~120–210 тыс. ₽ |

Окупаемость при среднем чеке 150–400 тыс. ₽ и +3–6 доп. MQL в неделю, которые раньше остывали, часто 1–2 закрытые сделки. Если входящих <30/нед. — сначала канал, не скоринг.

Чеклист, если повторяете сами

• [ ] ICP и MQL описаны на 1 странице, согласованы с продажами
• [ ] В CRM есть обязательные поля: score, источник, next step
• [ ] Один вход для сайта + Telegram (не два параллельных хаоса)
• [ ] Алерт менеджеру в рабочий чат при MQL, не «посмотрите вечером»
• [ ] Логи каждого ответа/отказа — иначе нельзя чинить false negative
• [ ] Запрет обещать цену/срок без человека
• [ ] Владелец пилота на 45 дней с правом freeze scope

Часто задаваемые вопросы

Можно ли уложиться в 2 недели?

Только если ICP уже зафиксирован, CRM в порядке и каналы с API. Иначе «быстрый бот» = переразметка через месяц.

Это замена отдела продаж?

Нет. Это фильтр и ускоритель first-touch. Сделку, возражения и цену закрывает человек (или отдельный playbook — уже другой проект).

Какой score считать MQL?

Тот, на котором менеджеры согласны тратить 20+ минут. Если порог «для галочки» — KPI раздуются, SQL падает.

Что если лидов мало?

Сначала маркетинг и оффер. Автоматизация квалификации на 15 заявках в месяц почти не окупается как отдельный пилот.

Читайте также

• Кейс: автоматизация отдела поддержки за 30 дней
• Кейс: автоматизация отдела продаж и поддержки для МСП
• Сколько стоит AI-агент для бизнеса: тарифы и ROI

🚀 Нужна квалификация лидов с цифрами до/после, а не «бот для галочки»?
Я соберу baseline, правила MQL, CRM-поля и 45-дневный пилот так, чтобы было что показать в отчёте.

Заказать консультацию — raisovich.ru

Какие KPI дал пилот квалификации лидов за 45 дней?

В композите кейса доля MQL выросла примерно с 22% до 60% входящих, time-to-first-touch сократился с часов до 8–15 минут, MQL к baseline — около +38% без найма SDR.

Что делают в первые две недели автоматизации квалификации?

Фиксируют ICP и MQL на одной странице, снимают baseline воронки, согласуют score и stop-list с продажами — без этого сценарий в CRM бессмысленен.

Нужен ли отдельный SDR, чтобы вырастить MQL?

Нет: пилот как раз снимает мусор с менеджеров фильтром и handoff в CRM; SDR имеет смысл при другом объёме и модели, не как замена правил квалификации.

Я собираю карточки ассистентов как карточки товара, не как манифест агентства. Ниже — блоки, без которых заявка не рождается, даже если трафик из блога есть.

За 30 секунд посетитель должен ответить «да» на 4 вопроса

1. Что это за роль? (не «AI-решение»)
2. Где уже работает? (канал, бот, дайджест, звонок)
3. Сколько и на каких условиях? (цена/мес, отписка)
4. Что сделать дальше? (одна кнопка)

Если хоть один ответ «ну, вроде…» — страница проиграла чату с менеджером конкурента.

Обязательные блоки карточки

| Блок | Задача | Антипаттерн | |------|--------|--------------| | Hero: имя + цена + 1 обещание | Снять неопределённость | «Инновационный AI» | | Результат в production | Доказать, не пообещать | Сток «рукопожатие» | | Как работает (вход→процесс→выход) | Снять страх «чёрного ящика» | 12 экранов архитектуры | | Что умеет (5–7 пунктов) | Scope | Список из 40 фич | | Подключение за 1 день | Снять страх проекта | «Индивидуально, от 6 недель» | | FAQ 4–6 | Снять возражения | Юр.простыня | | CTA ×2 (верх/низ) | Действие | 5 кнопок «узнать больше» | | Кому не подходит | Доверие | Только «идеально всем» |

Hero, который не врёт

Шаблон:

[Эмодзи] [Название роли]     [50 000 ₽/мес]
[Одно предложение результата в настоящем времени]
[Кнопка: Подключить за 1 день]
[Вторичная: Посмотреть результат →]

Пример: «Контент-ассистент — ведёт Telegram и блог в вашем ToV. 50 000 ₽/мес.»

Не: «Революционная платформа генеративного контента на базе LLM».

Блок «результат в действии»

| Роль | Что показать | |------|----------------| | Контент | Ссылка на канал + 2–3 свежих поста | | Метрика | Скрин дайджеста (без чужих ПДн) | | Голос | 30–60 сек аудио / сценарий звонка | | Продажи/поддержка | Живой бот + 3 типичных диалога |

Правило: если результата нет у вас — не продавайте роль как «готовую». Сначала свой production.

Живой каталог: raisovich.ru/agents.

CTA: одна цель на экран

| Место | CTA | |-------|-----| | Hero | Подключить / Оставить заявку | | После proof | Хочу такую же роль | | После FAQ | Задать вопрос / Выбрать ассистента | | Footer | Ссылка на сайт + каталог |

Избегайте развилок «скачать PDF / смотреть видео / читать ещё 5 статей» вместо контакта. Лид-магнит — ок как дополнение, не вместо заявки.

Чеклист перед деплоем страницы

• [ ] Цена видна без скролла «в подвал»
• [ ] Есть proof-ссылка (бот/канал/кейс)
• [ ] FAQ закрывает: «это же ChatGPT?», «можно отменить?», «сколько внедрение?»
• [ ] Нет противоречия тарифам на других страницах
• [ ] Мобильный hero читается без pinch-zoom
• [ ] Форма: имя + контакт + какая роль (не 12 полей)
• [ ] Метрика событий: view_card / click_cta / submit
• [ ] Страница в каталоге и в sitemap
• [ ] Answer-first абзац для GEO (модели тоже «читают» карточку)

Связка блог → карточка → заявка

| Этап | Ошибка | Норма | |------|--------|-------| | Статья | CTA только «читайте ещё» | CTA на роль / каталог | | Каталог | 403 / «скоро» на всём | 4+ live карточки | | Карточка | Нет цены | Цена + 1 день | | После заявки | Тишина | Ответ < 1 часа + next step |

Контент без полки товаров = трафик в никуда. Я это уже мерил на своём блоге.

Часто задаваемые вопросы

Сколько блоков — это «слишком много»?

Если после hero человек не понял цену и роль — блоки ниже не спасут. Сначала ясность, потом глубина. 6–8 секций достаточно.

Нужен ли калькулятор на карточке?

Для одной роли за 50 000 ₽ — обычно нет. Калькулятор уместен, когда 3+ роли или usage-based токены. Иначе это отвлекающий манёвр.

Видео или текст?

Короткое proof-видео (demo роли) усиливает. Длинный «о нас» ролик — редко. Текст + живая ссылка на production выигрывают у стокового ролика.

Что важнее: дизайн или proof?

Proof. Красивая пустая карточка конвертирует хуже простой страницы со ссылкой на работающий бот.

Читайте также

• AI-ассистенты как товар: модель 50 000 ₽/мес
• Сколько стоит AI-агент: тарифы и ROI
• Кейс: автоматизация отдела поддержки за 30 дней

🚀 Нужна полка AI-товаров, а не «ещё один лендинг агентства»? Откройте каталог или напишите на raisovich.ru — соберём роли под ваш KPI. Это не оферта; сроки и результат зависят от готовности процесса.

Что должно быть ясно за 30 секунд на странице AI-ассистента?

Какая роль, где уже работает в production, сколько стоит и на каких условиях, какая одна кнопка дальше — без «нейросетей нового поколения» без proof.

Какие блоки обязательны на карточке AI-товара?

Hero с именем и ценой, живой результат, схема вход→процесс→выход, узкий scope умений, FAQ и один CTA — не манифест агентства на 40 фич.

Как связать блог, карточку ассистента и заявку?

Статья ведёт на конкретную роль или каталог, карточка снимает неопределённость ценой и proof, после заявки ответ меньше часа с next step — иначе трафик уходит в никуда.

Я делаю такие замеры клиентам и себе: часто «красивый» JSON-LD и llm.txt есть, а в shortlist ответа — конкуренты с кейсами и FAQ. Ниже — рабочий протокол без самообмана.

Что считать «цитированием»

| Сигнал | Вес | Пример | |--------|-----|--------| | Бренд в тексте ответа | Высокий | «…как у Raisovich / Раисыч» | | Ссылка / карточка источника | Высокий | URL blog.raisovich.ru в citations | | Парафраз вашего definition | Средний | Ваша формулировка «агент vs бот» без ссылки | | Общий совет «как у всех» | Нулевой | Без бренда и URL |

Правило: считаем только то, что можно скриннуть и повторить. «Кажется, нас имели в виду» — не метрика.

Протокол на 2 часа

1. Корзина из 20 запросов (30 мин)

| Корзина | Сколько | Примеры | |---------|---------|---------| | Definition | 5 | «что такое AI-агент для бизнеса», «агент vs чат-бот» | | Commercial | 5 | «сколько стоит AI-агент», «внедрение AI-агента 30 дней» | | Proof / кейс | 4 | «кейс AI поддержка интернет-магазин» | | Local / ниша | 3 | «AI-агент для МСП Екатеринбург» | | Brand | 3 | «Раисыч AI», «raisovich агент» |

Пишите запросы как клиент, не как SEO-копирайтер.

2. Прогон (60 мин)

Для каждого запроса:

1. Новый чат / инкогнито (без вашей истории).
2. Один и тот же prompt-шаблон: «Кратко ответь и перечисли 3–5 компаний или источников».
3. Запись в таблицу: дата, модель/сервис, есть ли бренд, URL, кто в shortlist, скрин.

| Поле | Зачем | |------|-------| | query | воспроизводимость | | engine | ChatGPT / Perplexity / AI-обзор | | cited_us | yes/no | | our_url | если был | | competitors | 1–5 имён | | notes | «есть FAQ», «нет цены» |

3. Сводка (30 мин)

• Share of answer: % запросов, где вы в ответе.
• Gap-темы: запросы, где вас нет, а конкурент есть.
• Контент-долг: 3 страницы, которые закроют top-gap.

Ловушки замера (я на них уже наступал)

1. Data-center IP / Cloudflare — consumer ChatGPT/Perplexity с сервера часто режут. Замер с обычного браузера, не с «серверного SEO-бота».
2. Персонализация — старый чат «помнит» вас. Только новый тред.
3. Путаница technical GEO и citation — 90+ баллов воркера ≠ вас цитируют. Это разные оси.
4. Один прогон — шум. Минимум 2 волны: день 0 и день 14–30.
5. Бренд-запросы only — они льстят. Смотрите commercial + definition.

Что делать с результатами

| Если… | Действие | |-------|----------| | Нет definition | Одна страница-глоссарий answer-first + схема | | Нет commercial | Порядок бюджета, этапы 30/90, stop-list «кому не подходит» | | Нет proof | 1 кейс с baseline → KPI → срок | | Есть бренд, нет URL | Усилить первоисточник: дата, автор, FAQPage, внутренние якоря | | Shortlist = маркетплейсы | Появиться в обзорах/сравнениях, не только на своём лендинге |

Связанный разбор упаковки: GEO для AI-сервисов и агентов.

Мини-шаблон строки лога

2026-08-08 | perplexity | "сколько стоит AI-агент" | cited_us=no |
competitors=A,B,C | notes=есть вилка 10–50k, нашего порядка нет

Через месяц сравниваете ту же двадцатку — не новую «удобную».

Часто задаваемые вопросы

Достаточно ли проверить Google AI Overview?

Нет. Overview, ChatGPT и Perplexity по-разному собирают shortlist. Минимум два движка + brand-корзина.

Нужен ли платный API для замера?

Для старта — нет. API удобен на 100+ запросов и трендах; для 20 запросов хватает дисциплины и таблицы.

Как часто повторять?

Раз в 2–4 недели на одну корзину. После крупных деплоев страниц — точечный re-check gap-запросов через 7–10 дней.

Что важнее: FAQ или кейс?

Для definition — FAQ и жёсткое определение. Для commercial — кейс с цифрами и границами scope. И то и другое бьёт сильнее «ещё одной SEO-статьи».

Читайте также

• GEO для AI-сервисов и агентов: видимость в ИИ-поиске
• Локальное GEO для МСП: Яндекс Карты и AI-поиск
• GEO для SaaS и стартапов

🚀 Нужен GEO-замер и план якорей под ваши 20 запросов? Напишите мне на raisovich.ru — разберём shortlist и контент-долг. Результаты всегда индивидуальны.

Что считать цитированием в ChatGPT и Perplexity?

Бренд в тексте ответа, ссылка/карточка источника или узнаваемый парафраз вашего definition — только то, что можно скриннуть и повторить.

Сколько запросов нужно для честного GEO-замера?

Достаточно корзины из ~20 целевых запросов (definition, commercial, brand) с фиксацией shortlist; технический GEO-балл сайта сам по себе не равен попаданию в ответ.

Как не обмануть себя при проверке цитирования?

Не меняйте корзину запросов между циклами, не считайте «кажется, нас имели в виду» и не опирайтесь на один IP или один движок.

Я пришёл к этой модели после десятков разговоров, где клиент хотел «агента», а на деле ему нужна была одна понятная роль с результатом. Ниже — как устроена полка товаров, чем она выгоднее кастома и где ломается.

В чём разница: кастом vs товар на полке

| Параметр | Кастомный AI-агент | AI-ассистент как товар | |----------|--------------------|-------------------------| | Цена входа | 100–500k+ разработка | 50 000 ₽/мес за роль | | Срок | 2–8 недель | 1 день подключения | | Что покупают | Проект + ТЗ + риски | Готовый результат в production | | Scope | «Сделаем всё» | Одна роль = один KPI | | Отписка | Договор / акт | В любой момент | | Доказательство | Демо / пилот | Живой канал, бот, дайджесты |

Кастом нужен, когда процесс уникален (своя ERP, жёсткий compliance, нестандартный handoff). Товар — когда роль уже отработана: контент, квалификация лидов, дайджест Метрики, голосовой приём.

Полкa из 8 ролей (как я собираю каталог)

| № | Ассистент | Что видит клиент как «результат» | |---|-----------|-----------------------------------| | 1 | Контент | Telegram + блог с единым ToV | | 2 | Аналитик Метрики | Утренние дайджесты с инсайтами | | 3 | Голосовой | Звонки / voice в мессенджере | | 4 | Продажи | Квалификация 24/7 | | 5 | Поддержка | FAQ + эскалация оператору | | 6 | HR | Скрининг и первичный опрос | | 7 | Аналитик бизнеса | Сводка из CRM/Метрики | | 8 | AI-секретарь | Календарь, follow-up, задачи |

Принцип: не демо, а production у меня самого. Клиент смотрит живой канал и бота — и решает, нужна ли такая же роль у него.

Каталог: raisovich.ru/agents.

Unit-экономика глазами владельца

| Метрика | Ориентир | |---------|----------| | Цена 1 ассистента | 50 000 ₽/мес | | Средний чек | 2–3 роли = 100–150 000 ₽/мес | | Токены / инфра на роль | обычно десятки–сотни ₽, не «половина чека» | | Время подключения | 1 день (бриф → ToV/данные → тест → go-live) | | Риск для клиента | Низкий: можно отключить без «зарытых» 300k в разработку |

Для МСП важнее не «самая умная модель», а предсказуемый месячный расход и понятный KPI.

5 шагов подключения за 1 день

1. Выбор роли — одна, не «весь отдел сразу».
2. Бриф ToV / скрипт — 5–10 эталонных ответов или постов.
3. Доступы — канал, Метрика, CRM, телефония (минимум для роли).
4. Тест 3–5 сценариев — edge cases и эскалация человеку.
5. Go-live + мониторинг — алерты, лимит, лог ошибок.

Если на шаге 2 клиент не может дать 5 эталонов — рано автоматизировать: сначала процесс на бумаге.

Кому модель не подходит

• Нужен уникальный контур с 10+ интеграциями с нуля.
• Нет владельца процесса (некому принимать эскалации).
• Ожидание «заменит весь отдел за неделю» без baseline KPI.
• Требование on-prem/закрытого контура без готовности платить за отдельный контур.

В этих случаях я честно предлагаю кастомный проект или сначала аудит процесса — не «ещё одного бота в мессенджере».

Чеклист: готовы ли вы к productized-ассистенту

• [ ] Есть один KPI роли (лиды/сутки, % закрытых FAQ, посты/нед)
• [ ] Есть человек на handoff
• [ ] Есть 5+ эталонных диалогов/постов
• [ ] Бюджет от 50 000 ₽/мес на роль понятен финмодели
• [ ] Готовы измерять baseline 7–14 дней до/после

Часто задаваемые вопросы

Чем ассистент отличается от ChatGPT Plus?

ChatGPT — генератор в чате. Ассистент — система: расписание, tools, CRM, политики, мониторинг, единый Tone of Voice. Это сотрудник с регламентом, а не вкладка в браузере.

Почему не 9 900 ₽ как «у всех»?

За 9 900 обычно дают один сценарий без ответственности за production. 50 000 ₽ — цена роли с поддержкой, доработками и работой 24/7, которую я сам гоняю на своих каналах.

Можно взять двух ассистентов?

Да. Два товара = 100 000 ₽/мес. Без «пакетов» и скрытых модулей.

Что если не зайдёт?

Отключаете. Я завязан на результате в проде, а не на том, чтобы «дожать» годовой контракт на сырой пилот.

Читайте также

• Сколько стоит AI-агент для бизнеса: тарифы и ROI
• Внедрение AI-агента за 90 дней: этапы и цифры
• 7 ошибок production AI-агентов и handoff

🚀 Нужна одна роль, а не «проект на квартал»? Посмотрите каталог ассистентов или напишите мне на raisovich.ru — подберём роль и подключим за 1 день. Результат индивидуален, это не публичная оферта.

Чем товарный ассистент отличается от кастома «под ключ»?

Товар — готовая роль с одним KPI, фикс 50 000 ₽/мес и подключением за 1 день; кастом — проект на недели с ТЗ, рисками scope и ценой входа от сотен тысяч.

За сколько реально подключают productized-ассистента?

При готовом канале, доступе к эталонным диалогам и назначенном handoff — за 1 рабочий день; без baseline и владельца приёмки срок размывается.

Кому модель 50 000 ₽/мес за роль не подходит?

Тем, кому нужен уникальный процесс (своя ERP, жёсткий compliance) или кто ждёт «сделаем всё» без одного измеримого KPI роли.

Я отдельно веду GEO для компаний, которые продают или внедряют AI-агентов: у них высокий спрос в AI-ответах («лучший AI-агент для поддержки», «сколько стоит внедрение», «чем агент отличается от чат-бота»), но сайты часто пустые — только лендинг «автоматизируем всё». Ниже — рабочая схема на 30 дней.

Чем GEO для AI-сервиса отличается от обычного SEO

| Фокус SEO | Фокус GEO / AEO для AI-агентов | |-----------|--------------------------------| | Позиции по запросу | Попадание в ответ и цитату | | Длинные обзоры | Жёсткие definition + цифры + границы | | Ключи в H1 | Answer-first абзац + FAQ-схема | | Ссылочная масса | Упоминания, отзывы, кейсы, первоисточники | | Трафик на статью | Бренд в shortlist моделей ответа |

ИИ-поиск любит: определение → для кого → как работает → цифры → риски → источник. Не любит: воду, «лучший в мире без доказательств», отсутствие даты и автора.

Карта запросов, где вас должны цитировать

Соберите 3 корзины (пример для внедрения AI-агентов):

| Корзина | Примеры интентов | Тип контента | |---------|------------------|--------------| | Definition | «что такое AI-агент для бизнеса», «агент vs чат-бот» | 1 страница-глоссарий + схема | | Commercial | «сколько стоит AI-агент», «внедрение за 30/90 дней» | прайс-логика, этапы, ROI-рамка | | Proof | «кейс AI-агент поддержка», «ошибки production» | кейс с KPI до/после | | Comparison | «LangGraph vs no-code для МСП» | таблица + кому что | | Risk / law | «маркировка ИИ», «ПДн и боты» | чеклист compliance |

Для каждой корзины — одна сильная страница-якорь, не десять пересказов.

Структура страницы, которую модели легко «разбирают»

1. Жирный answer-first в первом абзаце (прямой ответ).
2. Таблица или список фактов (срок, цена-порядок, KPI, ограничения).
3. H2 по подвопросам пользователя, не по «красоте оглавления».
4. Блок FAQ 4–8 вопросов с короткими ответами.
5. Доказательства: цифры, скрин процесса (без ПДн), цитата клиента, метод замера.
6. Дата обновления и кто отвечает за текст.
7. Внутренние ссылки на кейс / цены / внедрение.

Мини-шаблон definition-блока

AI-агент для бизнеса — система, которая не только отвечает текстом, а выполняет шаги процесса (tools, CRM, эскалация человеку) в заданном scope. От чат-бота отличается действиями и политиками, не «более умной болтовнёй».

Такой абзац копируют и люди, и модели.

30-дневный GEO-план для AI-агентства / продукта

Неделя 1 — аудит цитируемости

• [ ] 20 запросов, по которым вас должны упоминать
• [ ] Проверка: что отвечают ChatGPT / Perplexity / AI-обзор поиска по ним
• [ ] Список конкурентов в shortlist ответов
• [ ] Дыры: нет цены-порядка, нет KPI, нет «для кого не подходит»

Неделя 2 — якоря

| Страница | Обязательные блоки | |----------|-------------------| | /ai-agenty (услуга) | scope, этапы 30/90 дн., порядок бюджета, stop-list | | /kejs или 2 кейса | baseline → действия → KPI → срок | | /faq-ai-agenty | 10–15 Q&A, schema FAQ | | Глоссарий | агент / оркестрация / handoff / human-in-the-loop |

Неделя 3 — доказательства и сущность бренда

• Единый NAP/реквизиты, «о компании», авторы.
• Кейсы с методом: «композит» или «конкретный клиент (аноним)».
• Внешние упоминания: VC/Habr/отраслевые каталоги — без спама.
• llms.txt / понятная карта важных URL (если уже используете в SEO-стеке).

Неделя 4 — измерение

| Метрика | Как смотреть | |---------|--------------| | Brand mention в AI-ответах | ручной panel 15–20 запросов раз в 2 нед. | | Цитирование URL | Perplexity/источники в AI-обзорах | | Брендовый спрос | «бренд + AI-агент» в Метрике/Search Console | | CTR с AI-блоков / referral | по возможности аналитики | | Конверсии с якорей | заявки с /ai-agenty и кейсов |

GEO без замера — снова «публикуем статьи и надеемся».

Таблица: что усиливает цитату для AI-агентов

| Сигнал | Влияние | Комментарий | |--------|---------|-------------| | Конкретные KPI и сроки | Высокое | «−42% нагрузки за 30 дней» лучше «повышаем эффективность» | | Ограничения и stop-list | Высокое | модели доверяют честным границам | | Сравнение альтернатив | Среднее–высокое | «когда no-code, когда код» | | Свежая дата | Среднее | 2026 в title/updated | | Юр. и ПДн блок | Среднее | особенно для РФ-аудитории | | Тонкая вода 3000 слов | Отрицательное | размывает answer |

Связка GEO + продукт агента

Если у вас сам продукт — агент, GEO работает в две стороны:

1. Маркетинг: вас находят в ИИ-поиске по коммерческим вопросам.
2. Продукт: база знаний агента должна быть такой же «цитируемой» внутри — карточки с источником, датой, запретами. Иначе внешний GEO обещает одно, а агент в проде отвечает другое.

Именно поэтому я связываю GEO-страницы с реальными процессами внедрения: 90 дней, ошибки production, а не с абстрактным «мы лидеры AI».

Часто задаваемые вопросы

GEO заменяет SEO для AI-компаний?

Нет. Техническое SEO, скорость, индекс, коммерческие лендинги остаются. GEO добавляет слой ответопригодности и цитируемости.

Нужно ли писать отдельный текст «для ChatGPT»?

Нет отдельного «тайного формата». Нужны ясный ответ, факты, FAQ и источники. Переоптимизация под одну модель обычно устаревает.

Сколько кейсов достаточно для shortlist?

Часто 2 сильных кейса с KPI сильнее 15 без цифр. Один — поддержка, второй — продажи/ops, плюс честные ограничения.

Как быстро ждать эффект?

Первые сдвиги в ручной panel-проверке — недели 3–8 при уже живом сайте. Это не «гарантия топ-1 в ChatGPT завтра».

Читайте также

• Локальное GEO для МСП в 2026: Яндекс Карты и AI-поиск
• Внедрение AI-агента за 90 дней: этапы и цифры
• Сколько стоит AI-агент для бизнеса: тарифы и ROI

🚀 Нужно, чтобы AI-поиск начинал цитировать ваш AI-сервис, а не только конкурентов?
Соберу карту запросов, якоря, FAQ и 30-дневный GEO-план под агентов и внедрение — с замером mention, не «просто посты».

Заказать консультацию — raisovich.ru

Чем GEO для AI-сервиса отличается от обычного SEO?

SEO бьётся за позиции и трафик, GEO — за попадание в ответ и цитату: definition, цифры, границы scope и доказательства важнее длинных обзоров.

Какие блоки обязательны на странице-якоре для цитируемости?

Answer-first абзац, таблица фактов, FAQ, KPI и ограничения, дата обновления, автор и внутренние ссылки на кейс или внедрение.

Как измерять GEO-эффект для AI-агентства?

Ручной panel 15–20 запросов раз в две недели, цитирование URL, брендовый спрос и конверсии с якорных страниц — не только «опубликовали статьи».

Ниже — семь ошибок, которые я чаще всего разбираю после go-live, и как их закрывать. Фокус на поддержке, квалификации лидов и внутренних ops-агентах. Цифры — порядок величины из пилотов 2025–2026, не обещание «вам будет так же».

Ошибка 1. Агент без чёткой границы ответственности

Симптом: бот отвечает «обо всём», потом уверенно врёт в edge-кейсе.

| Плохо | Норма | |-------|-------| | «Помощник по любым вопросам» | Scope = топ-N тем + явный out-of-scope | | Модель сама решает, когда звать человека | Правила эскалации + stop-list | | Нет списка запрещённых действий | Деньги, юр. обещания, смена договора — только человек |

Правило: агент — исполнитель процесса, не «универсальный сотрудник». Чем шире scope без данных, тем выше hallucination rate.

Ошибка 2. Handoff = «перекинуть в чат» без контекста

Если оператор получает пустой «клиент написал», handoff вреден: человек тратит время на раскопки, клиент повторяет историю.

Минимальный пакет эскалации

• [ ] Полная история диалога (не последний реплик)
• [ ] Определённый intent и почему эскалация
• [ ] Что агент уже пообещал / какие данные собрал
• [ ] ID клиента / заказа / тикета в CRM
• [ ] Рекомендованный next step для человека (не обязательно верный, но структурированный)
• [ ] Приоритет (VIP, деньги, жалобы, срок SLA)

| Метрика handoff | Target после настройки | |-----------------|------------------------| | % эскалаций «не туда» | <12–15% | | Время до первого ответа человека после эскалации | по SLA, не «когда заметили» | | Повтор «расскажите ещё раз» | → 0 в идеале |

Ошибка 3. KPI только «% закрыл бот»

Автозакрытие без качества — ловушка. Агент может «закрывать» диалоги отписками.

| KPI | Зачем | |-----|-------| | % автозакрытия в scope | ёмкость | | CSAT / оценка по закрытым ботом | качество | | Reopen rate за 48–72 ч | ложные закрытия | | Hallucination / factual error rate | доверие | | Cost per resolved dialog | экономика | | % эскалаций с полным контекстом | зрелость handoff |

В пилотах я закладываю: автозакрытие 40–60% в узком scope при CSAT ≥ baseline и reopen не хуже ручного режима. Если автозакрытие 80%, а reopen взлетел — это не успех.

Ошибка 4. Знания «залили PDF» и забыли

Production умирает от устаревших карточек: новый тариф, старый ответ.

Владение знаниями

| Роль | Ответственность | |------|-----------------| | Owner процесса | что правда, что можно обещать | | Редактор базы | карточки, версии, даты | | Оператор/тимлид | сигнал «ответ устарел» из смены | | Разработчик | не единственный, кто «правит промпт» |

Чеклист:

• [ ] У каждой карточки источник и дата ревизии
• [ ] Канал алерта: «ответ неверный» → тикет на базу за 24–48 ч
• [ ] Freeze критичных формулировок (оферта, возврат, гарантия)
• [ ] Rollback на предыдущую версию базы

Ошибка 5. Нет теней и логов — только «в проде посмотрим»

Без shadow-mode и логов вы не отличите баг сценария от бага модели.

Минимум наблюдаемости:

1. Лог input/output + tool calls (с маскированием ПДн).
2. Разметка 15–25 диалогов в день первую месяц.
3. Алерты: spike эскалаций, latency, cost, пустые tool-ответы.
4. Еженедельный отчёт: топ fail-intent’ов.

| Сигнал | Что проверять первым | |--------|----------------------| | Рост эскалаций | дыра в знаниях / новый intent | | Падение CSAT | overconfident тон, вранье, петли | | Рост cost/dialog | лишние tools, длинный контекст, ретраи | | Latency | внешние API, тяжёлые tools |

Ошибка 6. Агент меняет мир без подтверждения

Списание, смена статуса заказа, отмена, скидка, публикация ответа клиенту «в никуда» — опасная зона.

| Действие | Рекомендация | |----------|--------------| | Ответ FAQ | авто, если в базе | | Создание тикета | авто | | Смена статуса / возврат денег | human-in-the-loop или жёсткий policy engine | | Исходящее обещание срока/цены | только из системы-источника, не «из головы» |

Handoff здесь — фича, не слабость. Лучше 10 честных эскалаций, чем один «агент отменил заказ не тому».

Ошибка 7. После go-live — бесконечный scope creep

«Раз бот работает, пусть ещё продаёт, ещё WhatsApp, ещё 1С». Через две недели нельзя понять, что сломалось.

Freeze на 14 дней после production

• Не добавляем каналы и upsell.
• Чиним только fail-кейсы из логов.
• Фиксируем baseline KPI.
• Backlog v2 — отдельно, с оценкой риска.

| Фаза | Можно | Нельзя | |------|-------|--------| | Пилот | узкий scope, A/B | «сразу вся компания» | | Go-live + 14 дн. | багфиксы знаний | новые процессы | | v2 | второй процесс / канал | без нового baseline |

Чеклист handoff человек↔агент (сводка)

• [ ] Явный scope и out-of-scope
• [ ] Stop-list действий и тем
• [ ] Триггеры эскалации (intent, confidence, keywords, $$, VIP)
• [ ] Пакет контекста для оператора
• [ ] SLA ответа человека и владельцы смены
• [ ] Логи + еженедельный разбор fail
• [ ] Owner базы знаний
• [ ] Freeze 14 дней после go-live

Часто задаваемые вопросы

Сколько эскалаций — это нормально?

Для first-line FAQ после настройки часто 35–60% остаётся у людей, если scope узкий и честный. «Почти 0 эскалаций» на широком scope — красный флаг: агент либо не берёт сложное, либо закрывает мусором.

Нужен ли отдельный «оператор надзора»?

На первые 30–60 дней production — да, хотя бы 0,2–0,5 FTE: разбор логов, правка карточек, обучение смены handoff. Потом можно снизить.

Модель или процесс — что чинить первым?

Сначала процесс, знания, tools и handoff. Смена модели без логов и stop-list почти никогда не лечит systemic errors.

Чем handoff отличается от «просто напишите оператору»?

Handoff — это протокол: когда, с каким контекстом, с каким SLA и кто owner. «Напишите оператору» без пакета — это потерянное время обеих сторон.

Читайте также

• Внедрение AI-агента за 90 дней: этапы, цифры и процесс
• Кейс: автоматизация отдела поддержки за 30 дней
• Оркестрация AI-агентов для бизнеса

🚀 Агент в проде «сыпется» на эскалациях и качестве?
Разберу логи, handoff и KPI, соберу stop-list и протокол передачи человеку — чтобы production перестал быть вечным пилотом.

Заказать консультацию — raisovich.ru

Почему AI-агенты чаще ломаются в production, а не на демо?

Из-за размытого handoff, отсутствия stop-list, слепых KPI и устаревших знаний — а не из-за «слабой модели» на демо.

Какой минимальный пакет нужен при эскалации человеку?

Полная история диалога, intent и причина эскалации, что уже пообещали, ID в CRM, приоритет и рекомендованный next step для оператора.

Зачем freeze scope на 14 дней после go-live?

Чтобы зафиксировать baseline KPI и чинить только fail-кейсы из логов, а не расползаться по новым каналам и upsell, пока непонятно, что сломалось.

Я веду такие проекты одинаково: сначала узкий процесс с измеримой болью, потом агент, потом люди вокруг агента. Ниже — рабочий каркас на 90 дней с порядком цифр (композит 2025–2026: поддержка, квалификация лидов, внутренняя ops-рутина). Это не оферта и не «гарантия −40% каждому».

Зачем 90 дней, а не 2 недели

За две недели обычно получается демо: красивый диалог, пустая CRM, нет логов, нет владельца. За 90 дней успевают:

| Фаза | Срок | Результат | |------|------|-----------| | 0. Baseline | 7–10 дн. | Топ-темы, объём, стоимость часа, stop-list | | 1. Scope + знания | 10–14 дн. | 1 процесс, 30–60 карточек, правила эскалации | | 2. Пилот | 21–28 дн. | 20–50% трафика, A/B или shadow-mode | | 3. Production | 21–30 дн. | 100% scope, SLA, мониторинг, handoff | | 4. Стабилизация | 10–14 дн. | Freeze scope, отчёт ROI, backlog v2 |

Если канал уже с API (Telegram/виджет) и статусы доступны машине, можно сжать до ~60 дней. Если знания «в головах» — ближе к 90–120.

Этап 0–1: baseline и узкий scope (дни 1–21)

Без baseline любой KPI — фантазия.

Что снимаю в первую неделю

| Метрика | Зачем | |---------|-------| | Объём диалогов / тикетов в неделю | ёмкость автоматизации | | Топ-15 тем и доля «копипаста» | где агент окупается | | First response / time-to-resolve | эффект на сервис | | % повторных обращений | качество закрытия | | Где лежат факты (CRM, 1С, таблица, чат) | реальная сложность интеграций | | Стоимость часа оператора fully loaded | экономика |

Правило scope

• Один процесс: first-line FAQ, квалификация лида или статус заказа — не всё сразу.
• Агенту запрещены: скидки «от себя», юр. обещания, мед/фин советы без шаблона.
• Цель пилота: ≥40% обращений в scope закрываются без человека или с handoff только на деньги/edge.

Чеклист готовности к пилоту

• [ ] Выгрузка ≥200–300 диалогов, размечены топ-темы
• [ ] Stop-list и политика «бот использует ИИ»
• [ ] 30+ карточек знаний с источником правды
• [ ] Канал с API + тестовый стенд
• [ ] Владелец пилота (1 человек), не «коллективно посмотрим»
• [ ] Критерий go/no-go через 30 дней пилота записан заранее

Этап 2: пилот с цифрами (дни 22–50)

Пилот — не «включил бота всем». Типовая схема:

1. Shadow или 30–50% трафика в scope.
2. Лог каждого ответа: intent, уверенность, эскалация, оценка оператора.
3. Ежедневный разбор 15–25 плохих диалогов (не «среднее по больнице»).
4. Раз в неделю — правка знаний и правил, не модели «ради модели».

| KPI пилота | Слабый сигнал | Нормальный target | |------------|---------------|-------------------| | Автозакрытие в scope | <25% | 40–60% | | Ложные эскалации | >25% | 8–15% | | Hallucination / выдуманный факт | >3% | <1% (после stop-list) | | CSAT / оценка по закрытым FAQ | −0.3 и ниже | ≥ baseline | | First response в окне бота | минуты | <60 сек |

Порядок эффекта, который я вижу на first-line: −30…−45% рутинной нагрузки операторов на топ-темах при CSAT не ниже baseline. Если CSAT падает — почти всегда виноват overconfident ответ, а не «медленный бот».

Бюджет пилота (порядок, МСП)

| Статья | Диапазон | |--------|----------| | Аналитика + сценарии + знания | 40–90 тыс. ₽ | | Gateway / бот / хостинг РФ | 15–40 тыс. ₽ | | Интеграции CRM (простые) | 30–80 тыс. ₽ | | Токены / API 30–60 дн. | 5–40 тыс. ₽ | | Надзор оператора (время) | 0,2–0,5 FTE |

Итого пилот часто 100–250 тыс. ₽ + внутреннее время. Production с глубокими 1С/ERP — отдельная полка.

Этап 3–4: production и стабилизация (дни 51–90)

Перевод в production — это не «убрали кнопку эскалации», а:

| Блок | Обязательно | |------|-------------| | Handoff | Триггеры, контекст для человека, SLA ответа живого | | Мониторинг | % эскалаций, топ ошибок, latency, cost/dialog | | Безопасность | rate-limit, PII, запрет действий без подтверждения | | Версии знаний | кто меняет карточки, rollback | | Приёмка | 2 недели стабильных KPI → freeze scope |

Таблица приёмки (go-live)

• [ ] 14 дней KPI в зелёной зоне без «ручного костыля каждый вечер»
• [ ] Эскалации с полным контекстом (история + intent + что уже обещали)
• [ ] Runbook: что делать, если модель/API легли
• [ ] Юр. дисклеймер и хранение логов по политике ПДн
• [ ] Назначен owner на поддержку знаний (не разработчик «между задачами»)

После go-live 2 недели freeze: не добавляем продажи, upsell и «ещё один канал». Иначе ломаете baseline и не понимаете, что сработало.

Типовая экономика на горизонте 90 дней

Пример first-line поддержки (2 оператора, ~800 диалогов/мес в scope):

| Статья | До | После 90 дн. (оценка) | |--------|----|------------------------| | Доля FAQ без человека | 10–20% | 45–60% | | Часы на копипаст / мес | 80–120 | 45–70 | | First response | 15–30 мин | <1 мин в окне бота | | Окупаемость пилота | — | 2–5 мес. при сохранении FTE |

ROI считается не «уволили человека», а вернутое время на сложные кейсы и продажи + меньше ночных хвостов. Если цель — сокращение headcount, это отдельное решение HR и качества, не кнопка в админке агента.

Часто задаваемые вопросы

Можно ли внедрить агента за 30 дней?

Да, если scope = один узкий FAQ, канал готов, знания собраны. За 30 дней реалистичен пилот с цифрами, не «вся компания на автопилоте».

С какой модели начинать?

С той, что стабильно держит русский, tools и цену на вашем объёме. Смена модели в конце пилота дешевле, чем месяц без логов и CRM. Сценарий и данные важнее «топовой» вывески.

Нужен ли программист?

Для no-code/low-code пилота — часто нет. Для production с CRM/1С, очередями и audit log — да, хотя бы на интеграции и наблюдаемость.

Что чаще всего валит сроки?

Не «слабая модель», а: нет владельца, размытый scope, факты только в головах, интеграции «потом», отсутствие stop-list. Технический долг знаний убивает сроки сильнее выбора фреймворка.

Читайте также

• Кейс: автоматизация отдела поддержки за 30 дней — −42% нагрузки
• Сколько стоит AI-агент для бизнеса в августе 2026: тарифы и ROI
• Оркестрация AI-агентов для бизнеса

🚀 Нужен план внедрения под ваш процесс на 60–90 дней?
Соберу baseline, scope, KPI и бюджет так, чтобы через квартал было что показать в цифрах — без демо ради демо.

Заказать консультацию — raisovich.ru

Сколько стоит пилот AI-агента для МСП?

Типичный пилот — 100–250 тыс. ₽ плюс 0,2–0,5 FTE надзора: аналитика и знания 40–90 тыс., gateway/хостинг 15–40 тыс., простые CRM-интеграции 30–80 тыс., токены 5–40 тыс. за 30–60 дней.

Какие KPI смотреть на этапе пилота AI-агента?

Нормальный target: автозакрытие в scope 40–60%, ложные эскалации 8–15%, hallucination ниже 1% после stop-list, CSAT не ниже baseline и first response бота менее 60 секунд.

Зачем freeze scope после go-live AI-агента?

Две недели без новых каналов и upsell фиксируют baseline: иначе непонятно, что дало ROI, и «ручные костыли» маскируют реальные KPI production.

Я разделяю классическое локальное SEO и GEO: SEO тащит в выдачу 10 синих ссылок, GEO — в готовые ответы ассистентов (YandexGPT, Giga, Perplexity, ChatGPT Search). Технически это пересекается, но контент и разметка другие.

Зачем МСП отдельная локальная стратегия

| Канал | Что решает клиент | Что должно быть у вас | |-------|-------------------|------------------------| | Карты | «где ближайший / кто открыт» | часы, фото, маршрут, телефон | | Органика | «лучший X в городе» | страницы услуг + кейсы района | | AI-ответ | «кому записаться / сколько roughly» | FAQ, цифры, автор, контакты | | Мессенджер | «есть ли сейчас окно» | бот записи + живой backup |

Если карточка кривая, AI и карты не спасут никаким блогом.

Каркас локального GEO (что я проверяю первым)

1. NAP-единость — Name, Address, Phone одинаковы на сайте, в карточке, на Aggregators.
2. Категории — основная + 2–3 доп., без спама.
3. Зоны обслуживания — города/районы, если выезд.
4. Фото 2025–2026 — не сток 2019 года.
5. Отзывы — ответ на каждый негатив за 48 часов.
6. Сайт — страница «Контакты» + услуги с городом в H1/H2 без переспама.
7. FAQ + JSON-LD — вопросы, которые реально задают до звонка.
8. Скорость и mobile — карта и кнопка «позвонить» выше fold.

30-дневный план без агентства

Дни 1–7 — фундамент

• [ ] Создать/починить Яндекс Бизнес
• [ ] Сверить NAP с футером сайта и бланками
• [ ] Загрузить 15–30 реальных фото
• [ ] Прописать услуги и цены-ориентиры (если можно)
• [ ] Включить сообщения/чат, если ведёте диалог

Дни 8–15 — контент под район

• [ ] 1 страница услуги + город/район
• [ ] 1 кейс «клиент из …» с цифрой
• [ ] Блок FAQ 5–7 вопросов (парковка, время, гарантия)
• [ ] Schema: LocalBusiness / FAQPage где уместно

Дни 16–23 — отзывы и репутация

• [ ] QR/ссылка на отзыв после успешного визита
• [ ] Скрипт вежливого ответа на 1–2★
• [ ] Убрать фейковые отзывы (они бьют сильнее, чем «тишина»)

Дни 24–30 — GEO / AI-видимость

• [ ] Answer-first абзацы на ключевых страницах
• [ ] llms.txt / понятная структура для AI-краулеров
• [ ] Внутренние ссылки: услуга ↔ кейс ↔ контакты
• [ ] Замер: звонки, маршруты, заявки — не только «позиции»

Таблица: SEO-привычка vs GEO-привычка

| Привычка SEO 2018 | Что нужно в GEO 2026 | |-------------------|----------------------| | «Ключ в title 3 раза» | Прямой ответ в первом абзаце | | Водянистые 5000 знаков | Таблицы, цифры, чеклисты | | Только Google | Яндекс + карты + AI-ответы | | Ссылки любой ценой | Сущности, бренд, отзывы, цитируемость | | Забыли про автора | Эксперт/организация, контакты, дата |

Типичные провалы, которые я вижу у МСП

• Карточка на одно юрлицо, сайт на другое — путаница NAP.
• «Москва и вся Россия» без страниц под регионы.
• Блог 200 AI-статей и ноль страниц «услуга + район».
• Отзывы покупают пачками — потом минус доверие и риск модерации.
• Телефон только в картинке — роботы и AI его не видят.

Мини-метрики на месяц

| Метрика | Зачем | |---------|-------| | Построения маршрута | Реальный интерес «доехать» | | Звонки с карты | Горячий спрос | | Заявки с /contacts и услуг | Сайт работает | | Доля ответов на отзывы | Репутационный гигиенический минимум | | Упоминания бренда в AI-ответах | Ручной GEO-spotcheck раз в 2 недели |

Часто задаваемые вопросы

Локальное GEO работает без сайта?

Частично — карта и отзывы уже дают звонки. Но для AI-ответов и доверия сайт с FAQ и кейсами сильно усиливает карточку.

Нужен ли отдельный сайт на каждый район?

Не всегда. Часто хватает сильных посадочных «услуга + район» на одном домене без клонов.

Сколько отзывов «норма»?

Важнее свежесть и ответы, чем абсолют. 15–30 честных отзывов за квартал для локального МСП уже рабочая база.

Поможет ли массовый AI-контент в блоге?

Только если он закрывает локальные вопросы и связан с услугами. Сотни общих статей про «что такое AI» локальный спрос не греют.

Читайте также

• Локальное SEO и GEO для малого бизнеса в 2026
• GEO для B2B-компаний 2026
• SEO, AEO и GEO в 2026

🚀 Нужен локальный GEO-аудит под ваш город и нишу?
Я проверю карточку, NAP, сайт и FAQ и дам план на 30 дней.

Заказать консультацию — raisovich.ru

Что проверять первым в локальном GEO для МСП?

Единый NAP, категории, зоны обслуживания, свежие фото, ответы на отзывы, контакты на сайте и FAQ с разметкой — без этого блог не спасёт.

Чем локальное GEO отличается от классического локального SEO?

SEO тащит в выдачу ссылок, GEO — в готовые ответы ассистентов: нужны answer-first блоки, FAQ, сущности и цитируемые факты, не только ключи в title.

Какие метрики смотреть через месяц, а не только позиции?

Построения маршрута, звонки с карты, заявки с услуг и контактов, долю ответов на отзывы и ручной spotcheck упоминаний бренда в AI-ответах.

Ниже — структура кейса так, как я его веду у клиентов: baseline → узкий scope → интеграции → KPI → экономика. Цифры — композит из реальных внедрений 2025–2026 (ритейл/услуги, 1–3 оператора). Это не оферта и не «гарантия −42% каждому».

Контекст «до»

| Метрика | Было | |---------|------| | Каналы | Telegram + почта + виджет | | Команда | 2 оператора, без выделенного тимлида | | Типовые темы | статус заказа, оплата, возврат, «а вы работаете?» | | Средний first response | 12–25 мин днём, до часов вечером | | Повторные вопросы | ~35% диалогов | | CRM | частично, статусы вручную |

Боль не в «нет AI», а в том, что одни и те же 12 ответов писались руками по 40–60 раз в день.

Что сделали за 30 дней

Неделя 1 — baseline и scope

• Выгрузили 300+ диалогов, разметили топ-темы.
• Выбрали только first-line: FAQ + статус + сбор данных для возврата.
• Запретили агенту обещать скидки и менять условия договора.

Неделя 2 — агент + знания

• Сценарии в Telegram-боте + эскалация живому оператору по триггерам.
• База: 40 карточек знаний (доставка, оплата, гарантия).
• Логи каждого ответа — иначе нельзя улучшать.

Неделя 3 — интеграции

• Хук в CRM: «тикет создан / статус заказа».
• Уведомление оператору в рабочий чат при intent=escalation.
• Антиспам и rate-limit, чтобы бот не ушёл в петлю.

Неделя 4 — KPI и жёсткая приёмка

• A/B: 50% трафика на бота в пилоте.
• Ежедневный разбор 15–20 диалогов.
• Freeze scope: никаких «давайте ещё продавать».

KPI до / после (пилот)

| KPI | До | После 30 дн. | Комментарий | |-----|----|--------------|-------------| | Доля FAQ, закрытых без человека | ~15% | 57% | топ-12 тем | | First response (бот-окно) | 18 мин | < 60 сек | 24/7 | | Нагрузка операторов на рутину | 100% | ~58% | −42% повторов | | Эскалации «не туда» | — | 8–12% | снижали правилами | | CSAT по закрытым FAQ | 4.1 | 4.3 | не просел |

Главный эффект — не «заменили людей», а вернули людям сложные кейсы и продажи, убрав копипаст.

Бюджет пилота (порядок)

| Статья | Сумма | |--------|-------| | Аналитика диалогов + сценарии | 40–70 тыс. ₽ | | Бот + gateway + хостинг РФ | 15–30 тыс. ₽ | | Токены за месяц пилота | 3–12 тыс. ₽ | | Сопровождение 2 недели после запуска | 20–40 тыс. ₽ | | Итого | ~80–150 тыс. ₽ |

Окупаемость при ФОТ двух операторов обычно 1–2 месяца после выхода на стабильные 40%+ автозакрытий. Если FAQ <20% трафика — пилот лучше не начинать: сначала наведите базу знаний.

5 ошибок, которые почти убили похожие пилоты

1. Сразу «продающий» бот — mixed intent, падает trust.
2. Нет эскалации с контекстом — оператор получает «клиент что-то хочет».
3. Знания в голове основателя — агенту нечего цитировать.
4. Метрика «сколько сообщений бот написал» — vanity. Нужны closed without human / time-to-first / CSAT.
5. Деплой без логов — нельзя доказать ROI и нельзя чинить.

Чеклист, если повторяете сами

• [ ] Топ-10 тем = ≥40% входящих
• [ ] Есть канал с API (Telegram/виджет)
• [ ] Статусы заказа доступны машине, не только менеджеру
• [ ] Назначен владелец пилота на 30 дней (не «посмотрим потом»)
• [ ] Юридические шаблоны: ПДн, оферта, «бот использует ИИ»
• [ ] Stop-list: цены со скидкой, юр. обещания, мед. советы

Часто задаваемые вопросы

Можно ли уложиться в 2 недели, а не в 30 дней?

Да, если база знаний уже есть и интеграции простые. Без выгрузки диалогов «быстрый запуск» почти всегда = перезапуск через месяц.

Агенты заменяют отдел поддержки?

Нет. Они забирают first-line. Люди остаются на edge-кейсы, VIP и возвраты «с историей».

Какую модель ставить?

Для FAQ на русском часто хватает сильной cost-efficient модели. Экономия на токенах редко важнее качества сценария и CRM-данных.

Что делать, если CSAT упал?

Сузить scope, усилить эскалацию, запретить «додумывать». CSAT падает от уверенного вранья, не от «бот ответил быстро».

Читайте также

• Кейс: автоматизация отдела продаж и поддержки для МСП
• Сколько стоит AI-агент для бизнеса: тарифы и ROI
• Telegram AI-боты для бизнеса 2026

🚀 Хотите такой же 30-дневный пилот под вашу поддержку?
Я соберу baseline, сценарии и KPI так, чтобы через месяц было что показать в цифрах.

Заказать консультацию — raisovich.ru

Какой KPI главный в 30-дневном пилоте поддержки?

Доля FAQ, закрытых без человека, first response, reopen и CSAT вместе: автозакрытие 80% при росте reopen — не успех.

Сколько примерно стоит такой 30-дневный пилот?

Порядок 80–150 тыс. ₽: аналитика диалогов, бот и хостинг, токены и 2 недели сопровождения после запуска.

С чего начать, если FAQ меньше 20% входящего трафика?

Сначала навести базу знаний и разметить топ-темы; без этого пилот почти всегда превращается в перезапуск через месяц.

Я каждый месяц вижу одну и ту же ошибку: сравнивают стоимость модели с зарплатой человека. Сравнивать нужно полную стоимость роли (найм, онбординг, больничные, текучка, контроль качества) с полной стоимостью агента (внедрение, токены, мониторинг, доработки).

Из чего складывается цена AI-агента

| Статья | Пилот (2–4 нед.) | Production (мес.) | Комментарий | |--------|------------------|-------------------|-------------| | Проектирование сценариев | 20–60 тыс. ₽ | — | один раз | | Интеграции (CRM, сайт, TG) | 15–80 тыс. ₽ | 0–15 тыс. ₽ | зависит от API | | Токены / LLM | 1–15 тыс. ₽ | 3–40 тыс. ₽ | DeepSeek дешевле GPT-класса | | Хостинг в РФ | 1–5 тыс. ₽ | 1–8 тыс. ₽ | 152-ФЗ, VPS | | Сопровождение | — | 15–50 тыс. ₽ | правки, QA, отчёты | | Итого старт | 40–150 тыс. ₽ | 20–80 тыс. ₽/мес | вилка по сложности |

Цифры — ориентир по моим проектам и рынку РФ 2026, не публичная оферта. Итог всегда индивидуален.

ROI: агент vs найм

Возьмём типовую роль — менеджер первой линии / пресейл в Telegram.

| Параметр | Найм | AI-агент + куратор | |----------|------|--------------------| | ФОТ «на руки» | 60–90 тыс. ₽ | 0 | | Налоги + рабочее место | +30–40% | 0 | | Онбординг | 2–6 недель | 1–3 недели | | Режим | 8–10 ч | 24/7 | | Текучка | риск каждые 6–12 мес. | доработки, не «увольнение» | | Мес. стоимость (грубо) | 90–140 тыс. ₽ | 25–60 тыс. ₽ |

Когда ROI быстрый: повторяемые диалоги, квалификация лидов, FAQ, запись, статусы заказов.
Когда ROI медленный или отрицательный: уникальные B2B-переговоры, юридические решения «на грани», креатив без брифа.

Простая формула, которой я пользуюсь:

Месячная экономия ≈ (часы рутины × ставка часа) − (токены + сопровождение)
Срок окупаемости ≈ стоимость внедрения / месячная экономия

Если окупаемость > 6 месяцев — сначала сужаю scope, а не «улучшаю модель».

Три тарифа, которые имеет смысл закладывать в бюджет

| Уровень | Что получаете | Ориентир | |---------|---------------|----------| | Аудит / пилот | 1 сценарий, метрики, решение go/no-go | 15–40 тыс. ₽ разово | | Один агент в проде | TG/сайт + CRM-хук + отчёт | 50 тыс. ₽/мес или пакет внедрения | | Контур из 2–3 агентов | продажи + поддержка + контент | 100–200+ тыс. ₽/мес экосистема |

Я сознательно не продаю «магическую подписку без границ»: без границ растут токены и падает качество. Лучше один узкий агент с KPI, чем пять размытых.

Скрытые расходы, о которых молчат презентации

1. Плохие данные — агент усиливает хаос в CRM, а не чинит его.
2. Нет владельца — без человека, который раз в неделю смотрит диалоги, качество плывёт.
3. Перегенерация — бесконечные «давай другой tone of voice» съедают бюджет быстрее модели.
4. Юридический контур — маркировка AI-контента, 152-ФЗ, согласия на ПДн.
5. Интеграции «на коленке» — дешёвый n8n-зоопарк без логов дороже нормального gateway через полгода.

Как я считаю проект перед стартом

• [ ] Какая одна роль закрывается в первые 30 дней?
• [ ] Сколько диалогов/задач в неделю уже есть?
• [ ] Где source of truth: CRM, Google Sheet, Notion?
• [ ] Какой KPI: CPL, время ответа, % квалификации, CSAT?
• [ ] Кто принимает эскалации 30 минут в день?
• [ ] Бюджет токенов отдельно от разработки?

Без ответов на эти вопросы любая «цена AI» — фантазия.

Часто задаваемые вопросы

Сколько стоит самый дешёвый рабочий AI-агент?

Минимальный production-контур (бот + сценарий + хостинг + мониторинг) редко бывает честнее 20–30 тыс. ₽/мес. Всё, что «за 3 тысячи», обычно демо без ответственности за результат.

Когда выгоднее нанять человека, а не агента?

Если 70%+ работы — нестандартные переговоры, выезды, личный бренд, сложные согласования. Агент тогда — ассистент, а не замена.

Входит ли обучение команды в стоимость?

В нормальном внедрении — да: 1–2 сессии, регламент эскалаций, доступ к логам. Без этого агент «живёт своей жизнью».

Можно ли уложиться только в токены без подрядчика?

Да, если есть сильный внутренний разработчик. Иначе экономия на внедрении превращается в 2–3 месяца простоя.

Читайте также

• Сколько стоит автоматизация бизнес-процессов в 2026: тарифы, ROI и сравнение с наймом
• Кейс: автоматизация отдела продаж и поддержки для МСП
• Топ AI-агентов для продаж в России 2026

🚀 Нужен расчёт ROI под ваш процесс, а не «средняя температура по рынку»?
Я разберу 1–2 роли, бюджет и integrации без воды.

Заказать консультацию — raisovich.ru

Из чего складывается полная стоимость AI-агента?

Проектирование сценариев, интеграции, токены, хостинг в РФ и ежемесячное сопровождение — сравнивать нужно с полной стоимостью роли, а не только с ценой модели.

За какой срок обычно окупается внедрение AI-агента?

При узком scope на 1–2 рутинные роли часто 1–3 месяца; если окупаемость больше 6 месяцев, сначала сужают процесс, а не меняют модель.

Какие скрытые расходы чаще всего раздувают бюджет?

Плохие данные в CRM, отсутствие владельца качества, бесконечная перегенерация тона, юрконтур (ПДн, маркировка) и интеграции «на коленке» без логов.

Почему Grok, а не только OpenRouter или Claude

До середины 2026 я активно миксовал провайдеров. Проблемы были всегда одни и те же:

• OpenRouter — кредиты и нестабильность.
• Claude — отличный reasoning, но дорогой и иногда слишком «академичный».
• DeepSeek — быстро и дёшево, но слабее на русском бизнес-языке.

Grok (особенно grok-build-0.1 и варианты через xAI) даёт отличный баланс:

• Хороший русский язык и деловой тон.
• Отличное понимание контекста длинных диалогов (важно для агентов продаж).
• Встроенная «характерность» — меньше шаблонности.
• Прямой доступ без лишних роутеров.

Как я интегрирую Grok в агентов

1. Контент-агент (пишет статьи и посты)

• Основная модель: Grok.
• Промпт содержит: стиль Раисыча (первый лица, цифры, таблицы, жёсткий CTA), стратегию контента и запрет на воду.
• Дополнительно: отдельный шаг на генерацию промпта для обложки (Grok пишет отличные промпты для изображения).

2. Sales-агент

• Grok отлично квалифицирует и ведёт диалог.
• Использую в комбинации с Hermes (роевая архитектура).
• Преимущество: меньше «притормаживания» на сложных возражениях.

3. Генерация изображений и визуалов

• Grok пишет супер-точные промпты.
• Дальше кормлю их в локальный генератор (generate_blog_image.py или аналоги).
• Получаю обложки в едином стиле без кредитного ада OpenRouter.

Конкретный пример промпта (упрощённый)

Ты — Александр Раисович, основатель студии «Раисыч».
Пиши от первого лица. Используй таблицы, чек-листы, цифры.
Тема: [тема].
Обязательно: ответ в первом абзаце, FAQ в конце, CTA на консультацию.
Стиль: прямой, без воды, с примерами из реальной практики.

Grok справляется с этим лучше большинства моделей, особенно когда нужно сохранить «живой» голос.

Экономика

• С OpenRouter часто приходилось докупать кредиты.
• С Grok через текущий провайдер — более предсказуемый расход.
• Скорость ответов в агентах выросла.
• Качество обложек (через Grok-промпты + локальный рендер) — на уровне или выше Gemini.

Чек-лист: как внедрить Grok в своих агентов

• [ ] Подключи Grok/xAI как основной или fallback-провайдер в Hermes.
• [ ] Создай системный промпт в стиле твоего бренда (первый лица + конкретика).
• [ ] Выдели отдельный шаг «напиши промпт для изображения».
• [ ] Тестируй на 10–20 реальных лидах/статьях.
• [ ] Настрой fallback на DeepSeek или другой бюджетный вариант на случай пиковых нагрузок.
• [ ] Логируй расход токенов (я веду в SQLite + дашборд).

Результаты на июль 2026

• 2 новые статьи в неделю стабильно (раньше были просадки из-за кредитов).
• Обложки всегда в едином премиум-стиле.
• Агенты продаж стали «разговорчивее» и точнее квалифицируют.
• Меньше поддержки — клиенты получают более качественные ответы с первого сообщения.

Часто задаваемые вопросы

Grok лучше Claude для агентов?
Для моего стиля и задач — да. Claude всё ещё силён в сложном анализе, но Grok выигрывает в естественности и цене/качеству.

Можно ли использовать Grok только для картинок?
Да, даже так выгодно. Grok отлично пишет промпты, которые потом идут в любой генератор изображений.

Что будет, если xAI поменяет условия?
Всегда держу fallback (DeepSeek + локальные варианты). Архитектура агентов позволяет быстро переключать модели.

🚀 Хочешь Grok внутри своих агентов продаж, контента или поддержки?
Я проектирую и внедряю готовые решения на базе Hermes + Grok/xAI.
Запишитесь на консультацию — покажу живые примеры и посчитаем экономику под ваш бизнес.

Читайте также:

• Grok вместо OpenRouter: генерация контента и обложек
• Тарифы AI-агентов продаж: сравнение 2026

Как подключить Grok к AI-агентам в Hermes?

Подключите Grok/xAI как основной или fallback-провайдер, задайте системный промпт в стиле бренда и протестируйте на 10–20 реальных лидах.

Для каких ролей агентов Grok подходит лучше всего?

Grok хорошо работает в контент-агентах, sales-агентах (квалификация и диалог) и как автор промптов для генерации изображений.

Как контролировать расход токенов при работе с Grok?

Логируйте расход токенов (например, в SQLite + дашборд) и держите fallback на бюджетную модель на пиковых нагрузках.

Почему я ушёл с OpenRouter

Раньше использовал OpenRouter + Gemini 3.1 Flash Image для обложек. Проблемы копились:

• Постоянные 402 (не хватает кредитов даже на одну генерацию).
• Задержки и непредсказуемое качество.
• Дополнительные лимиты на токены.

Grok даёт более «живой» стиль, лучше понимает русские запросы на бизнес-тематику и позволяет управлять стилем через точные промпты (bold_frame, modern_tech и т.д.).

Как выглядит мой новый пайплайн (Grok-first)

1. Текст статьи — генерирую здесь, в Grok-сессии (или через Hermes-агента на grok-build).
2. Промпт для обложки — пишу детальный промпт на английском (для качества) + указываю стиль.
3. Генерация изображения — запускаю локальный скрипт generate_blog_image.py (или аналог на базе Grok/xAI). Получаю 1200×630 WebP + JPG.
4. Наложение текста — Pillow (гарантированно читаемый русский заголовок).
5. Responsive — создаю -800w и -400w варианты.
6. Публикация — MDX + build + deploy.

Результат: обложки 70–140 КБ, премиум-вид, быстро и без внешних кредитов.

Конкретный пример: эта статья

Для этой статьи я сгенерировал две обложки через Grok-driven процесс:

• grok-vmesto-openrouter-kontent-kartinki-2026.webp (bold_frame стиль)
• grok-xai-ai-agenty-biznes-2026.webp (modern_tech)

Обе прошли через локальный генератор после промптов, написанных мной в этой же Grok-сессии.

Чек-лист: как переключить свой контент-пайплайн на Grok

• [ ] Настрой провайдер на Grok/xAI (или grok-build в Hermes).
• [ ] Пиши статьи целиком через Grok — лучше контекст и голос.
• [ ] Для обложек используй скрипт типа generate_blog_image.py с флагами --style bold_frame --theme dark.
• [ ] Всегда делай responsive-варианты (800w + 400w).
• [ ] Добавляй AI-watermark для compliance.
• [ ] Тестируй на 2–3 статьях перед массовым переходом.
• [ ] Включи в промпт: «премиум тёмный тех-стиль, высокая контрастность, подходит для оверлея русского текста».

Что изменилось по качеству и скорости

• Обложки стали более «премиальными» и лучше смотрятся в Telegram-превью.
• Нет больше падений из-за кредитов.
• Полный цикл (текст + картинка + responsive) занимает 5–10 минут на статью.
• Легче поддерживать единый стиль бренда (тёмный + золото/бирюза).

Часто задаваемые вопросы

Можно ли полностью отказаться от OpenRouter?
Да, для контента и изображений — уже делаю. OpenRouter оставляю только для редких экспериментов или когда нужен конкретный модельный роутинг.

Какие стили обложек работают лучше всего?
bold_frame (золотая рамка, высокий контраст) и modern_tech (неон + градиент). Для бизнес-статей беру тёмную тему.

Нужно ли платить за Grok для изображений?
Зависит от твоего доступа (SuperGrok / Premium+). В моём случае через текущий провайдер в Hermes — работает стабильно.

Как сделать так же у себя?
Напиши мне — пришлю готовый промпт + скрипт-обёртку под твой стек.

🚀 Хочешь такой же пайплайн у себя?
Я помогаю бизнесу внедрять Grok, Hermes и готовые AI-агенты.
Запишитесь на консультацию или напишите в Telegram.

Читайте также:

• Как я использую Grok и xAI в AI-агентах для бизнеса
• Тарифы AI-агентов продаж: сравнение 2026

Сколько занимает полный цикл статьи с обложкой на Grok?

Полный цикл (текст + картинка + responsive-варианты) занимает 5–10 минут на статью при настроенном пайплайне.

Почему Grok лучше подходит для русских бизнес-запросов?

Grok лучше понимает русские запросы на бизнес-тематику, даёт более «живой» стиль и предсказуемое качество без 402-ошибок OpenRouter.

Нужны ли responsive-варианты обложек для блога?

Да: создавайте -800w и -400w WebP/JPG, чтобы превью быстро грузились в Telegram и на мобильных без потери премиум-вида.

Из чего складывается стоимость

| Статья | Доля бюджета | Что внутри | |--------|--------------|------------| | Диагностика и проектирование | 10–20% | Карта процессов, KPI, приоритеты | | Лицензии / подписки | 15–30% / год | CRM, телефония, мессенджеры, модели | | Внедрение и интеграции | 30–45% | Сценарии, API, формы, очереди | | Контент и база знаний | 10–20% | FAQ, скрипты, регламенты | | Обучение команды | 5–10% | Роли, SLA, handoff | | Сопровождение | ежемесячно | Правки, отчёты, A/B сценариев |

Правило: если в смете нет сопровождения и владельца процесса внутри компании — через 2–3 месяца эффект «сдуется».

Три пакета (ориентир для МСП, 2026)

1. Старт — «убрать рутину» (1 процесс)

| Параметр | Значение | |----------|----------| | Что входит | 1 воронка или L1-поддержка, CRM-поля, базовые уведомления | | Срок | 2–4 недели | | Старт | 80–180 тыс. ₽ | | В месяц | 10–25 тыс. ₽ | | Кому | 5–15 сотрудников, 1 канал заявок |

2. Рост — «продажи + поддержка»

| Параметр | Значение | |----------|----------| | Что входит | Квалификация лидов, FAQ, handoff, CRM, отчётность, 2–3 интеграции | | Срок | 4–8 недель | | Старт | 250–550 тыс. ₽ | | В месяц | 25–60 тыс. ₽ | | Кому | 15–50 человек, 30+ лидов/мес |

3. Масштаб — «операционная система»

| Параметр | Значение | |----------|----------| | Что входит | Несколько отделов, сложные роли, BI, SLA, несколько каналов, кастом | | Срок | 2–4 месяца | | Старт | 700 тыс. – 2+ млн ₽ | | В месяц | 60–200+ тыс. ₽ | | Кому | Сеть, высокий поток, жёсткий compliance |

Сравнение: автоматизация vs найм

| Сценарий | Найм (1 FTE) | Автоматизация + 0,2–0,5 FTE контроля | |----------|--------------|--------------------------------------| | ФОТ «на руки» | 70–120 тыс. ₽ | — | | Налоги / взносы / софт | +30–45% | Подписки 10–60 тыс. ₽ | | Поиск и онбординг | 1–3 месяца | 2–8 недель внедрения | | Масштабирование на x2 поток | Ещё 1 FTE | Доработка сценариев | | Риск текучки | Высокий | Средний (нужен владелец) | | 12 месяцев TCO (грубо) | 1,2–2,0 млн ₽ | 0,4–1,1 млн ₽ (пакет «Рост») |

Автоматизация не всегда дешевле с первого месяца, но выигрывает на горизонте 6–12 месяцев, если есть стабильный поток однотипных операций.

Формула ROI (простая и рабочая)

ROI (%) = (Выгода за период − Затраты за период) / Затраты × 100

Выгода обычно из 4 источников:

1. Сохранённые лиды — Δ конверсии × средний чек × маржа.
2. Экономия ФОТ — часы × ставка (или отказ от найма).
3. Снижение ошибок — возвраты, штрафы, повторные визиты.
4. Скорость цикла сделки — деньги раньше в кассе (для B2B).

Пример расчёта (пакет «Рост»)

| Показатель | Значение | |------------|----------| | Старт + 6 мес. сопровождения | 350 000 + 6×40 000 = 590 000 ₽ | | Доп. квалифицированных лидов / мес. | +12 | | Конверсия в сделку | 25% → +3 сделки | | Средняя маржа со сделки | 40 000 ₽ | | Выгода / мес. | 3 × 40 000 = 120 000 ₽ | | Выгода за 6 мес. | 720 000 ₽ | | ROI за 6 мес. | (720 − 590) / 590 ≈ 22% | | При сохранении эффекта 12 мес. | ROI часто 80–150%+ |

Если лидов мало (меньше 15/мес) и чек низкий — сначала чините маркетинг и оффер, а не «дорогую автоматизацию всего».

Скрытые расходы (их забывают в 80% смет)

• Доработка «ещё одну интеграцию» после запуска.
• Переписывание FAQ каждые 2–4 недели в первые месяцы.
• Телефония, SIP, коллтрекинг, дополнительные ящики.
• Время руководителя на еженедельный разбор фейлов.
• Соответствие требованиям к данным и маркировке автоматизированных ответов.

Заложите +15–25% резерва к стартовому бюджету.

Что автоматизировать первым (по окупаемости)

| Приоритет | Процесс | Почему | |-----------|---------|--------| | 1 | Квалификация входящих лидов | Прямое влияние на выручку | | 2 | L1-поддержка / FAQ | Снимает 30–60% нагрузки | | 3 | Напоминания и follow-up | Дешёвый прирост доходимости | | 4 | Заявки из форм/мессенджера в CRM | Убирает потери | | 5 | Отчётность и дашборды | Управление, не «для красоты» |

Не начинайте с самого сложного (полное HR, склад, юнит-экономика), если продажи всё ещё живут в Excel и личных чатах.

Как выбрать подрядчика и тариф без риска

1. Фиксированный scope на MVP (список сценариев в договоре).
2. KPI пилота: SLA, % квалификации, CSI, заполненность CRM.
3. Доступ к логам и админкам — у вас, не «в сером кабинете».
4. Обучение минимум 2 сессии + регламент handoff.
5. Поэтапная оплата: диагностика → MVP → масштабирование.

❓ Часто задаваемые вопросы

Можно ли уложиться в 50–70 тыс. ₽?

Да, если это точечная настройка готовой CRM/бота без сложных интеграций и с вашим участием. Для «продаж + поддержка под ключ» честнее смотреть от 250 тыс. ₽.

Когда ждать окупаемости?

Узкий MVP с понятным потоком лидов — часто 1–3 месяца. Комплексные проекты — 4–9 месяцев. Если через квартал нет цифр в CRM — проблема в процессе или в выборе сценария, а не только в «цене тарифа».

Что дороже в долгую: подписка на сервисы или кастом?

Подписки предсказуемы и быстрее стартуют. Кастом дороже на старте, но выгоднее при уникальных процессах и высоком потоке. Смешанная модель (коробка + точечный кастом) — самый частый выбор МСП в 2026.

С какого процесса начинать автоматизацию для максимального ROI?

С квалификации входящих лидов, затем L1-поддержка/FAQ, follow-up и запись заявок в CRM. Эти контуры быстрее всего бьют в выручку и снимают 30–60% рутины; HR и склад оставляйте на второй этап.

Чем автоматизация выгоднее найма на горизонте года?

Один FTE с налогами часто даёт TCO 1,2–2,0 млн ₽/год, пакет «Рост» — порядка 0,4–1,1 млн ₽ при масштабировании сценариев, а не штата. Выигрыш проявляется на 6–12 месяцах при стабильном потоке однотипных операций.

Какие скрытые расходы закладывать в смету автоматизации?

Доработки интеграций, перепись FAQ первые месяцы, телефония/коллтрекинг, время руководителя на разбор фейлов и требования к данным. К стартовому бюджету разумно заложить резерв +15–25%.

📖 Читайте также

• Сколько реально стоит внедрение AI-агента: разбор бюджета от 50 000 до 5 млн рублей
• Стоимость AI-лидогенерации в 2026: расчёт бюджета и ROI
• Кейс: автоматизация отдела продаж и поддержки для МСП

🚀 Хотите внедрить AI-автоматизацию в свой бизнес? Раисыч поможет настроить AI-агентов, чат-ботов и системы лидогенерации под ключ.

Заказать консультацию — raisovich.ru

Из чего складывается стоимость автоматизации в 2026?

Основные статьи — диагностика, лицензии, внедрение и интеграции, база знаний, обучение команды и ежемесячное сопровождение; без сопровождения эффект часто «сдувается» за 2–3 месяца.

Чем отличается пакет «Старт» от пакета «Рост»?

«Старт» (80–180 тыс. ₽) закрывает 1 процесс за 2–4 недели; «Рост» (250–550 тыс. ₽) связывает продажи и поддержку с квалификацией, handoff и 2–3 интеграциями.

Как посчитать ROI автоматизации бизнес-процессов?

ROI = (выгода − затраты) / затраты × 100, где выгода — сохранённые лиды, экономия ФОТ, меньше ошибок и ускорение цикла сделки; считайте в CRM, а не «на глаз».

Часто задаваемые вопросы

Что даст эта статья?

Вы получите практические рекомендации и пошаговые инструкции, которые можно применить в своём бизнесе.

Сколько времени займёт внедрение?

Сроки зависят от сложности задачи. Обычно от 1 дня до 2 недель на первый результат.

Нужна ли техническая подготовка?

Большинство описанных решений не требуют глубоких технических знаний. Мы подбираем инструменты под уровень команды.

Что делать, если нужна помощь?

Свяжитесь со мной — проведу аудит, подберу решение и помогу с внедрением.

Что изменилось для локального бизнеса

| Канал | Роль в 2026 | Что видит клиент | |-------|-------------|------------------| | Яндекс / Google Maps | Основной «короткий список» | Карточка, рейтинг, фото, маршрут | | Классическая выдача | Всё ещё важна для сравнения | Сайт, цены, услуги, статьи | | AI-ответы (Нейро, AI Overviews, ChatGPT) | Растёт доля zero-click | 2–5 рекомендованных брендов | | Мессенджеры и соцдоказательства | Дожимают до записи | Отзывы, кейсы, UGC |

Вывод: оптимизировать только title/description на сайте — недостаточно. Нужна согласованная локальная сущность бренда: название, адрес, телефон, категории, отзывы, контент «под вопросы».

Локальное SEO: фундамент (без него GEO не взлетит)

1. Единый NAP

NAP = Name, Address, Phone — одинаково на сайте, в Яндекс Бизнес, Google Business Profile, 2ГИС, соцсетях и прайсах.

• Один основной телефон (лучше с кодом города / единый 8-800 + локальный).
• Полный адрес в одном формате (улица, дом, офис, индекс).
• Юр. название vs вывеска: зафиксируйте, какое имя «главное» для карт.

2. Карточки в картах — как посадочная страница

| Элемент | Минимум | Сильный уровень | |---------|---------|-----------------| | Категории | 1 основная | + релевантные доп. | | Часы работы | Актуальные | Праздники, перерывы | | Фото | 10+ | 30–50, обновление раз в месяц | | Услуги / товары | Список | С ценами и описаниями | | Вопросы-ответы | 5 FAQ | 15–20, живые формулировки | | Посты / новости | Раз в месяц | Еженедельно | | Отзывы | 20+ | 100+, ответ на каждый |

3. Локальные посадочные на сайте

Для сети или нескольких районов:

• /uslugi/remont-iphone-sokolniki/ — не дубль, а уникальный контент: маршрут, парковка, сроки, цены района.
• Блок «Как нас найти» + схема проезда + микроразметка LocalBusiness.
• Реальные фото точки, а не стоки.

4. Отзывы как фактор доверия и ранжирования

1. Просите отзыв после факта услуги (SMS/мессенджер через 2–24 часа).
2. Отвечайте на негатив в течение 24–48 часов по шаблону: факт → решение → приглашение в диалог.
3. Не покупайте отзывы: в 2026 модерация карт и AI-фильтры сжигают репутацию пачками.

GEO для локального бизнеса: как попасть в AI-ответы

GEO (Generative Engine Optimization) для МСП — это не «магия промптов», а цитируемость:

1. Чёткие ответы на вопросы в FAQ и статьях («Сколько стоит…», «Как записаться…», «Работаете ли в…»).
2. Структурированные данные: FAQ, LocalBusiness, Service, Product где уместно.
3. Доказательства: кейсы с цифрами, сертификаты, лицензии, упоминания в СМИ/каталогах.
4. Согласованность фактов везде: цена «от», график, зона выезда.
5. Экспертный контент от первого лица бренда, а не водяные SEO-тексты.

| Запрос клиента | Где побеждает классика | Где решает GEO/AI | |----------------|------------------------|-------------------| | «стоматология рядом» | Карты + рейтинг | Реже | | «лучшая стоматология для имплантации в СПб» | Смешанно | Часто AI-обзор | | «сколько стоит диагностика авто» | Сайт / прайс | AI с цитатой источников | | «нужен B2B поставщик X в городе Y» | Каталоги + сайт | AI + отраслевые обзоры |

Чек-лист на 30 дней (МСП, 1 точка)

| Неделя | Задачи | KPI | |--------|--------|-----| | 1 | Аудит NAP, правка карточек Яндекс/Google/2ГИС, фото | 100% совпадение NAP | | 2 | Услуги + цены + 10 FAQ в карточке и на сайте | Карточка «полная» | | 3 | LocalBusiness + FAQ schema, 2 локальные статьи | Индексация, 0 крит. ошибок | | 4 | Система сбора отзывов, ответы на все, 4 поста в карточку | +10–20 отзывов / мес. цель |

Бюджет: своими силами vs подрядчик

| Вариант | Старт | В месяц | Кому подходит | |---------|-------|---------|---------------| | Своими силами | 0–15 000 ₽ (фото, мелочи) | 5–10 часов владельца | 1 точка, простая ниша | | Фриланс / студия | 40–120 000 ₽ | 15–40 000 ₽ | Нужен контент и контроль | | Комплекс (сайт + карты + контент) | 150–400 000 ₽ | 40–100 000 ₽ | Конкурентная ниша / сеть |

Окупаемость обычно видна на заявках из карт и брендовых/гео-запросах через 4–12 недель, не «завтра в топ-1».

Метрики, которые имеют смысл

1. Просмотры карточки и действия: звонки, маршруты, сайт.
2. Доля запросов с гео в Метрике / Search Console.
3. Средний рейтинг и % ответов на отзывы.
4. Заявки с UTM с сайта и коллтрекинг с номера карточки.
5. Упоминания бренда в AI-ответах (ручной мониторинг топ-запросов раз в месяц).

Не гонитесь только за позицией по ВЧ: для локального бизнеса часто важнее маршрут и звонок из карты, чем 1-е место по общему ключу.

Частые ошибки

• Разные телефоны на сайте и в картах.
• Закрытые или пустые часы «под праздники» месяцами.
• Дубли филиалов и savёванный мусор в справочниках.
• Страницы услуг без адреса, карты и CTA «как добраться».
• Контент «про всё» вместо ответов на реальные вопросы района/услуги.

❓ Часто задаваемые вопросы

Нужен ли отдельный сайт, если есть сильная карточка в Яндекс Бизнес?

Для записи и доверия карточки часто хватает на старте. Но сайт нужен для цен, кейсов, SEO/GEO-статей, юридической информации и контроля аналитики. Связка «карта + сайт» стабильно сильнее, чем только карта.

Чем GEO отличается от обычного локального SEO?

Локальное SEO про карты, NAP, отзывы и гео-выдачу. GEO — про то, чтобы ваш бренд цитировали генеративные ответы. База одна (факты, структура, репутация), надстройка — FAQ, экспертность и согласованность данных.

Как часто обновлять контент и фото?

Фото точки — минимум раз в 1–2 месяца. Отзывы — постоянно. FAQ и цены — при любом изменении. Посты в карточке — 2–4 раза в месяц. AI и карты любят «живой» профиль.

С чего начать локальное SEO для одной точки?

С аудита NAP: одинаковые название, адрес и телефон на сайте, в Яндекс Бизнес, Google Business Profile и 2ГИС. Затем доведите карточку до «полной» — категории, часы, фото, услуги, FAQ и ответы на отзывы.

За сколько недель ждать заявки из карт после оптимизации?

Обычно 4–12 недель на заметный прирост звонков и маршрутов, если NAP согласован, карточка заполнена и идёт системный сбор отзывов. Ожидать «топ-1 завтра» по ВЧ-запросу — нереалистично.

Какие метрики важнее позиции в выдаче для локального бизнеса?

Просмотры карточки и действия (звонки, маршруты, сайт), доля гео-запросов, рейтинг и % ответов на отзывы, заявки с UTM и коллтрекинг. Для локального МСП маршрут из карты часто ценнее 1-го места по общему ключу.

📖 Читайте также

• SEO vs AEO vs GEO: как правильно выбрать стратегию продвижения для бизнеса в 2026
• GEO-продвижение в 2026: чек-лист и метрики
• SEO, AEO и GEO в 2026 году: как алгоритмы ИИ-поиска меняют трафик в России

🚀 Хотите внедрить AI-автоматизацию в свой бизнес? Раисыч поможет настроить AI-агентов, чат-ботов и системы лидогенерации под ключ.

Заказать консультацию — raisovich.ru

Что такое NAP и почему он критичен для локального SEO?

NAP — Name, Address, Phone: название, адрес и телефон должны совпадать на сайте, в Яндекс Бизнес, Google Business Profile, 2ГИС и соцсетях, иначе карты и AI путают бренд.

Нужна ли микроразметка LocalBusiness и FAQ для GEO?

Да: LocalBusiness, Service и FAQ schema помогают поисковикам и AI-ответам корректно цитировать факты о точке, услугах и ценах.

Сколько стоит локальное SEO своими силами для одной точки?

Стартовые расходы часто 0–15 тыс. ₽ плюс 5–10 часов владельца в месяц; фриланс или студия — от 40–120 тыс. ₽ старт и 15–40 тыс. ₽ в месяц.

Часто задаваемые вопросы

Что даст эта статья?

Вы получите практические рекомендации и пошаговые инструкции, которые можно применить в своём бизнесе.

Сколько времени займёт внедрение?

Сроки зависят от сложности задачи. Обычно от 1 дня до 2 недель на первый результат.

Нужна ли техническая подготовка?

Большинство описанных решений не требуют глубоких технических знаний. Мы подбираем инструменты под уровень команды.

Что делать, если нужна помощь?

Свяжитесь со мной — проведу аудит, подберу решение и помогу с внедрением.

Контекст: где «ломался» отдел

| Проблема | Было | Боль | |----------|------|------| | Первый ответ | 30–90 минут в рабочие часы, ночью — до утра | Лиды уходили к конкурентам | | Квалификация | В голове менеджера, без единого скрипта | Разный CPL и «мусор» в воронке | | CRM | Заполнялась «когда успеют» | Потеря сделок, нет прогноза | | Поддержка | Все пишут всем в общий чат | Хаос, повторные вопросы, выгорание | | Эскалация | Нет правил | Сложные кейсы зависали |

Собственник хотел «волшебную кнопку». Мы настояли на другом: сначала процессы и данные, потом автоматизация.

Что сделали за 6 недель (по шагам)

Неделя 1–2: карта процессов и единый вход

1. Собрали топ-30 вопросов клиентов (продажи + поддержка).
2. Разделили воронку: заявка → квалификация → демо/КП → сделка → онбординг.
3. Назначили один канал входа (сайт + мессенджер → одна очередь).
4. Ввели обязательные поля CRM: источник, бюджет, срок, ЛПР, статус.

Неделя 3–4: сценарии без «умного хаоса»

• Квалификация: 5–7 вопросов, score 0–100, порог передачи живому менеджеру.
• FAQ L1: статусы, сроки, документы, типовые возражения.
• Handoff: кнопка «человек», триггеры негатива, VIP-клиенты всегда к менеджеру.
• Регламент ответа: SLA 5 минут в рабочее время, 15 минут — вне пика.

Неделя 5–6: пилот → 100% трафика

• 30% входящих на автоматические сценарии, 70% — контроль.
• Ежедневный разбор 10 «фейлов» (не туда ушёл лид, срыв SLA, плохой CSI).
• Правки базы знаний и скриптов, затем полный перевод входящего потока.

Цифры до / после (6 недель)

| Метрика | До | После | Δ | |---------|-----|--------|---| | Time to first response | 47 мин | 4 мин | −91% | | % квалифицированных лидов | 41% | 63% | +22 п.п. | | Доля сделок с заполненной CRM | 54% | 94% | +40 п.п. | | Повторные обращения по FAQ | 100% baseline | −44% | −44% | | Часы менеджеров на рутину / нед. | ~52 ч | ~32 ч | −38% | | Конверсия квалификация → демо | 28% | 34% | +6 п.п. |

Важно: выручка выросла не «от кнопки», а от скорости и дисциплины: меньше потерянных лидов, меньше «забытых» follow-up.

Бюджет кейса (ориентир)

| Статья | Сумма | Комментарий | |--------|-------|-------------| | Аудит и проектирование | 45 000 ₽ | Карта процессов, KPI | | Настройка CRM + воронки | 70 000 ₽ | Поля, стадии, права | | Сценарии + база знаний | 90 000 ₽ | FAQ, квалификация, handoff | | Интеграции (сайт/мессенджер) | 55 000 ₽ | Единая очередь | | Обучение команды (2 сессии) | 25 000 ₽ | Регламенты, роли | | Итого старт | ~285 000 ₽ | | | Сопровождение / мес. | 25–40 000 ₽ | Правки, отчёты |

Окупаемость в этом кейсе — около 2 месяцев за счёт сохранённых лидов и отказа от найма 1 FTE поддержки (~90–120 тыс. ₽/мес с налогами).

5 правил, без которых кейс не повторится

1. Один источник правды — CRM, не переписка в чатах.
2. Узкий старт — 1–2 сценария, не «бот обо всём».
3. Человек всегда доступен — иначе CSI падает.
4. Еженедельный разбор фейлов — 30–45 минут с руководителем продаж.
5. KPI на процесс, а не на «количество сообщений» — SLA, квалификация, конверсия, CSI.

Типичные ошибки (и как мы их избежали)

• Запуск без заполняемой CRM → лиды «умирают» в чате.
• Скрипт квалификации на 20 вопросов → клиент бросает диалог.
• Нет владельца базы знаний → ответы устаревают за 2 недели.
• Автоматизация холодного трафика раньше тёплого → низкий CSI и паника команды.

План повторения для вашего МСП (30 дней)

| Дни | Действие | Результат | |-----|----------|-----------| | 1–3 | Аудит воронки и топ-вопросов | Карта процессов | | 4–7 | CRM: стадии, поля, SLA | Единый учёт | | 8–14 | Сценарии L1 + квалификация | MVP | | 15–21 | Пилот 20–30% трафика | Метрики | | 22–30 | Правки, 100% поток, регламент | Боевой режим |

❓ Часто задаваемые вопросы

Нужна ли «дорогая нейросеть», чтобы повторить кейс?

Нет как обязательное условие. 70% эффекта дали регламенты, CRM-дисциплина, единый вход и FAQ. Модели и боты ускоряют ответы, но без процессов дают хаос быстрее.

Сколько людей нужно на поддержку проекта внутри компании?

Минимум: руководитель продаж (владелец KPI) + 1 операционный человек на базу знаний 2–4 часа в неделю. Без внутреннего владельца подрядчик «внедрит», а через месяц всё откатится.

Подойдёт ли схема для B2C с 200+ обращениями в день?

Да, но архитектура другая: жёстче очереди, приоритеты, шаблоны L1/L2, отдельный контур жалоб. Пилот всё равно начинают с 1–2 типов обращений, а не со всего потока.

За сколько недель можно повторить кейс автоматизации продаж?

Типовой контур для МСП — около 6 недель: 2 на карту процессов и CRM, 2 на сценарии и handoff, 2 на пилот и перевод 100% трафика. План на 30 дней реалистичен при узком старте (1–2 сценария).

Какой бюджет нужен МСП на старт автоматизации отдела продаж?

В разобранном кейсе старт вышел около 285 тыс. ₽ (аудит, CRM, сценарии, интеграции, обучение) плюс 25–40 тыс. ₽ в месяц сопровождения. Окупаемость часто около 2 месяцев за счёт сохранённых лидов и отказа от найма FTE поддержки.

Какие метрики покажут, что автоматизация работает?

Time to first response, доля квалифицированных лидов, заполненность CRM, часы менеджеров на рутину, конверсия квалификация → демо и CSI. Если считаете только «число сообщений бота» — эффекта не увидите.

📖 Читайте также

• Telegram AI-автоматизация бизнеса в 2026: как собрать отдел продаж и поддержки без найма
• Кейс: AI-агент поддержки и экономия 2,4 млн ₽ в год
• Как внедрить ИИ в бизнес в 2026 году и не потратить бюджет на очередной эксперимент

🚀 Хотите внедрить AI-автоматизацию в свой бизнес? Раисыч поможет настроить AI-агентов, чат-ботов и системы лидогенерации под ключ.

Заказать консультацию — raisovich.ru

С чего начинать автоматизацию отдела продаж в МСП?

С карты процессов и единого входа заявок: топ-вопросы клиентов, стадии воронки и обязательные поля CRM — без этого боты только ускоряют хаос.

Почему важно держать handoff к живому менеджеру?

Без кнопки «человек», триггеров негатива и VIP-маршрута CSI падает; автоматизация L1 должна дополнять команду, а не закрывать эскалацию.

Какой эффект дала автоматизация в кейсе за 6 недель?

Time to first response упал с 47 до 4 минут, квалификация выросла с 41% до 63%, а ручная нагрузка менеджеров снизилась на 38% без найма.

Часто задаваемые вопросы

Что даст эта статья?

Вы получите практические рекомендации и пошаговые инструкции, которые можно применить в своём бизнесе.

Сколько времени займёт внедрение?

Сроки зависят от сложности задачи. Обычно от 1 дня до 2 недель на первый результат.

Нужна ли техническая подготовка?

Большинство описанных решений не требуют глубоких технических знаний. Мы подбираем инструменты под уровень команды.

Что делать, если нужна помощь?

Свяжитесь со мной — проведу аудит, подберу решение и помогу с внедрением.

Важно: это практический operational-чеклист для собственников и CTO/CMO. Финальные формулировки обязанностей всегда сверяйте с текстом закона, подзаконкой и вашим юристом.

Что меняется по сути

| Было | Становится | |------|------------| | ИИ — « innovация без рамок» | ИИ — регулируемая технология с зонами ответственности | | Контент нейросетей часто без маркировки | Требования к прозрачности/маркировке усиливаются | | Любая зарубежная модель «по умолчанию» | Акцент на суверенные/национальные контуры и риски зависимости | | Compliance = GDPR/152-ФЗ точечно | Compliance = данные + модели + пользовательские интерфейсы |

Кому особенно критично успеть до сентября

1. SaaS и AI-продукты (агенты, чат-боты, генерация контента)
2. E-commerce и лидогенерация с AI-ответами клиентам
3. Маркетинг и медиа — UGC, креативы, автопостинг
4. HR и внутренние ассистенты — персональные данные + автоматические решения
5. Подрядчики, которые внедряют AI клиентам «под ключ»

Если вы продаёте AI-автоматизацию другим — ваш compliance становится частью оффера.

Чек-лист на 30 дней

Блок A. Инвентаризация (дни 1–5)

• [ ] Список всех мест, где используется ИИ (сайт, Telegram, CRM, реклама, поддержка, HR)
• [ ] Какие модели/API (российские / зарубежные / self-hosted)
• [ ] Где хранятся промпты, логи диалогов, загрузки файлов
• [ ] Есть ли автоматические решения, влияющие на клиента (одобрение, отказ, цена, скоринг)
• [ ] Кто владелец процесса (не «все понемногу»)

Блок B. Прозрачность и маркировка (дни 6–12)

• [ ] Пользователь понимает, что общается с ИИ, а не с человеком
• [ ] Маркировка AI-контента в публичных каналах (блог, соцсети, реклама)
• [ ] Политика: когда бот обязан позвать человека
• [ ] Дисклеймеры в оферте/на лендинге, если AI влияет на сервис
• [ ] Процесс удаления/исправления ошибочного AI-контента

Блок C. Данные и безопасность (дни 13–18)

• [ ] 152-ФЗ: что уходит в модель, что остаётся on-prem/в РФ
• [ ] Маскирование ПДн в промптах
• [ ] Срок хранения логов чатов и доступ сотрудников
• [ ] Договоры с подрядчиками: subprocessors, SLA, запрет обучения на ваших данных
• [ ] Инцидент-план: утечка промпта/диалога

Блок D. Модельный контур (дни 19–24)

• [ ] Критичные процессы: можно ли переключить на суверенную/локальную модель
• [ ] Fallback, если зарубежный API недоступен
• [ ] Оценка качества: не только «красиво отвечает», но и error-rate
• [ ] Запрещённые use-case (медицина/финансы/юр. советы без human-in-the-loop — по вашей политике)
• [ ] Версионирование промптов и сценариев

Блок E. Документы и ответственность (дни 25–30)

• [ ] Внутренний регламент использования ИИ
• [ ] Обучение сотрудников (что можно / нельзя вставлять в ChatGPT и аналоги)
• [ ] Матрица ответственности: product / legal / security / marketing
• [ ] Чек-лист для новых AI-фич до релиза
• [ ] Календарь review раз в квартал

Минимальный «must-have» для малого бизнеса

Если ресурсов мало, закройте хотя бы это:

1. Инвентаризация всех AI-точек
2. Маркировка ботов и AI-контента
3. Кнопка «человек» в поддержке
4. Запрет слива ПДн в публичные модели
5. Договор/оферта с понятными формулировками
6. Ответственный за AI-compliance

Этого уже достаточно, чтобы перестать «лететь вслепую».

Как это стыкуется с внедрением AI-агентов

Парадокс 2026: регуляторика не убивает автоматизацию — она убивает хаос.

Компании, которые внедряют AI «аккуратно»:

• быстрее проходят проверки клиентов и партнёров
• легче продают B2B
• меньше рискуют репутацией из-за «бот притворился менеджером»

Практический стек для МСП:

• Telegram AI-агент с явной ролью ассистента
• Логи и human handoff
• База знаний вместо «свободного фантазирования»
• Маркировка контента в блоге и соцсетях
• Возможность сменить модель без переписывания всего продукта

План на неделю, если дедлайн близко

| День | Действие | |------|----------| | Пн | Список AI-точек + владельцы | | Вт | Маркировка ботов и публичного контента | | Ср | Политика ПДн в промптах + доступы | | Чт | Handoff-человек + запрещённые темы | | Пт | Регламент 2–3 страницы + обучение команды | | Сб–Вс | Проверка сценариев и фиксация backlog на сентябрь |

❓ Часто задаваемые вопросы

Это уже штрафной режим «с завтра»?

Ориентир вступления — 1 сентября 2026, но готовиться нужно заранее: подзаконка, договоры и технические правки редко делаются за один день.

Можно ли продолжать использовать зарубежные модели?

Часто да для некритичных задач, но критичные контуры, данные и зависимость от API стоит проектировать с fallback и юридической оценкой.

Нужен ли отдельный «директор по ИИ»?

Не обязательно. Нужен назначенный владелец compliance + понятный регламент. Для AI-продуктов — ещё и product owner, который не выпускает фичи без чеклиста.

📖 Читайте также

• Как бизнесу подготовиться к закону о суверенном ИИ
• Обязанности бизнеса по закону о суверенном ИИ
• Этика AI для бизнеса: дипфейки и права

🚀 Хотите внедрить AI-автоматизацию в свой бизнес? Раисыч поможет настроить AI-агентов, чат-ботов и системы лидогенерации под ключ.

Заказать консультацию — raisovich.ru

Часто задаваемые вопросы

Что даст эта статья?

Вы получите практические рекомендации и пошаговые инструкции, которые можно применить в своём бизнесе.

Сколько времени займёт внедрение?

Сроки зависят от сложности задачи. Обычно от 1 дня до 2 недель на первый результат.

Нужна ли техническая подготовка?

Большинство описанных решений не требуют глубоких технических знаний. Мы подбираем инструменты под уровень команды.

Что делать, если нужна помощь?

Свяжитесь с нами — мы проведём аудит, подберём решение и поможем с внедрением.

Что проверить в первую очередь по закону о суверенном ИИ?

Составьте список всех точек, где используется ИИ, зафиксируйте модели и владельцев процессов — без инвентаризации нельзя оценить риски данных, маркировки и зависимости от API.

Достаточно ли минимального must-have для малого бизнеса?

Для старта часто хватает инвентаризации, маркировки ботов и контента, кнопки «человек», запрета слива ПДн в публичные модели, понятной оферты и назначенного ответственного за AI-compliance.

Как compliance помогает продажам AI-автоматизации?

Аккуратное внедрение с human handoff, логами и возможностью сменить модель упрощает B2B-проверки партнёров и снижает репутационные риски «бот притворился менеджером».

Тема звучит мягко — «обучение сотрудников». На деле это прямой рычаг выручки: быстрее онбординг = быстрее выход на план; меньше ошибок = меньше возвратов и эскалаций.

Исходная ситуация (типовой mid-market)

| Параметр | До внедрения | |----------|--------------| | Новых сотрудников / квартал | 12–20 | | Срок онбординга до «самостоятельности» | 6–8 недель | | Часов наставников на 1 новичка | 25–40 | | Актуальные регламенты | В Confluence/чатах, 30–40% устарели | | Повторные ошибки в первые 90 дней | Высокие | | CSI внутреннего обучения | 3,4 / 5 |

Боль: знания живут в головах 3–4 экспертов. Новички «дергают» наставников, наставники выгорают, качество плавает.

Что внедрили

1. AI-наставник в Telegram / внутреннем чате — отвечает по базе знаний 24/7
2. Автосборка micro-learning — короткие уроки из регламентов и разборов ошибок
3. Проверка знаний — мини-тесты после модулей + объяснение ошибок
4. Аналитика пробелов — какие темы чаще «ломают» новичков
5. Human review — раз в неделю эксперт правит слабые ответы AI

Архитектура за 30 дней

| Слой | Решение | Роль | |------|---------|------| | Канал | Telegram / корпоративный мессенджер | Точка доступа сотрудника | | База знаний | Регламенты, FAQ, скрипты, записи созвонов | Источник правды | | RAG + агент | Поиск + ответ + ссылка на документ | Снижение галлюцинаций | | LMS / трекер | Чек-листы онбординга | Прогресс новичка | | CRM/Helpdesk (опционально) | Реальные кейсы | Обучение на живых ошибках | | Дашборд HR | Completion, ошибки, время до KPI | Управленческие решения |

Цифры эффекта (реалистичный коридор)

| Метрика | До | После 90 дней | Дельта | |---------|----|---------------|--------| | Срок онбординга | 7 недель | 4–5 недель | −30–40% | | Часы наставника / новичок | 30 | 12–16 | −45–60% | | Повторные ошибки 0–90 дней | 100% baseline | 55–70% baseline | −30–45% | | Completion обязательных модулей | 60% | 85–95% | +25–35 п.п. | | CSI обучения | 3,4 | 4,1–4,4 | +0,7–1,0 |

Экономика: при 15 новичках в квартал и ставке наставника 1 000 ₽/час экономия только на часах сопровождения — сотни тысяч рублей в год, не считая ускорения выхода на план.

Бюджет внедрения

| Статья | Сумма | |--------|-------| | Аудит знаний и карта ролей | 40–90 тыс. ₽ | | Сбор/чистка базы знаний | 60–150 тыс. ₽ | | AI-агент + интеграции | 150–350 тыс. ₽ | | Сценарии тестов и онбординг-трек | 40–100 тыс. ₽ | | Сопровождение 3 месяца | 45–120 тыс. ₽ | | Итого | 335–810 тыс. ₽ |

Для команды 50–200 человек это обычно дешевле, чем +1 full-time методист + вечная «ручная» актуализация курсов.

Пошаговый план

Неделя 1 — фундамент

• Выбрать 1–2 роли (не «всю компанию»)
• Собрать топ-50 вопросов новичков
• Назначить владельца базы знаний

Неделя 2 — MVP

• Загрузить документы, включить цитирование источников
• Сделать 10 обязательных микро-уроков
• Пилот на 5 сотрудниках

Неделя 3 — метрики

• Включить трекинг ошибок и эскалаций к эксперту
• Еженедельный разбор «плохих» ответов AI

Неделя 4 — масштаб

• Подключить следующую роль
• Встроить в оффер/онбординг-чеклист HR
• Зафиксировать SLA: что AI, что только человек

Риски и как их закрыть

| Риск | Как снизить | |------|-------------| | Устаревшие документы | Владелец БЗ + review раз в 2 недели | | Галлюцинации | Только ответы с источником; иначе «не знаю, эскалирую» | | Саботаж наставников | Показать экономию их времени, не «замену» | | Утечка данных | Контур доступа, маскирование, корпоративные модели | | «Красивый пилот без эффекта» | KPI до старта: срок онбординга, часы, ошибки |

Чему учит этот кейс собственника

1. AI в HR — не «курс про нейросети», а операционная система знаний.
2. Сначала узкий контур, потом масштаб.
3. Без владельца базы знаний проект сдохнет через 2 месяца.
4. Эффект считается в неделях до KPI и часах экспертов, а не в «количестве сгенерированных уроков».

❓ Часто задаваемые вопросы

С чего начать, если регламентов почти нет?

С топ-30 реальных вопросов новичков и разборов ошибок. Это быстрее и полезнее, чем писать «красивую LMS с нуля».

Нужен ли свой дата-сайентист?

Нет. Нужны: владелец процесса, доступ к документам, интегратор/агент-разработчик и дисциплина weekly review.

Сколько длится окупаемость?

При регулярном найме — часто 2–4 месяца. Если найм редкий, эффект всё равно есть за счёт снижения ошибок и нагрузки на экспертов.

📖 Читайте также

• AI-агенты для онбординга и обучения сотрудников
• Как внедрить AI в бизнес: пошаговый план
• Кейс: AI-агент поддержки и экономия 2,4 млн ₽

🚀 Хотите внедрить AI-автоматизацию в свой бизнес? Раисыч поможет настроить AI-агентов, чат-ботов и системы лидогенерации под ключ.

Заказать консультацию — raisovich.ru

Какие KPI считать при внедрении AI в корпоративное обучение?

Срок онбординга до самостоятельности, часы наставника на новичка, повторные ошибки за 0–90 дней, completion модулей и CSI обучения — именно эти метрики показывают эффект, а не «число сгенерированных уроков».

Сколько стоит внедрение AI-наставника для mid-market?

Ориентир 335–810 тыс. ₽: аудит знаний, чистка базы, агент с интеграциями, сценарии тестов и 3 месяца сопровождения. Для команды 50–200 человек это обычно дешевле, чем full-time методист и ручная актуализация курсов.

Почему AI в HR не заменяет наставников полностью?

AI снимает рутину и даёт ответы 24/7 по базе знаний, но эксперты остаются владельцами контента и weekly review. Без человека проект устаревает за 1–2 месяца и теряет доверие сотрудников.

Часто задаваемые вопросы

Что даст эта статья?

Вы получите практические рекомендации и пошаговые инструкции, которые можно применить в своём бизнесе.

Сколько времени займёт внедрение?

Сроки зависят от сложности задачи. Обычно от 1 дня до 2 недель на первый результат.

Нужна ли техническая подготовка?

Большинство описанных решений не требуют глубоких технических знаний. Мы подбираем инструменты под уровень команды.

Что делать, если нужна помощь?

Свяжитесь с нами — мы проведём аудит, подберём решение и поможем с внедрением.

Пока рынок обсуждает GPT-5.6 Sol и Programmatic Tool Calling, реальная маржа для МСП часто рождается не в «супермодели», а в рабочем Telegram-контуре: квалификация лида за 2 секунды, запись в CRM, ответы по FAQ и эскалация живому менеджеру только когда это нужно.

Почему Telegram, а не «ещё один чат на сайте»

| Канал | Доля диалогов у МСП | Скорость ответа клиента | Стоимость касания | Сложность внедрения | |-------|---------------------|-------------------------|-------------------|---------------------| | Telegram | Высокая | Мгновенно | Низкая | Низкая–средняя | | Сайт-чат | Средняя | Зависит от трафика | Средняя | Средняя | | WhatsApp Business | Средняя | Высокая | Средняя–высокая | Средняя | | Колл-центр | Падает | 30–120 сек | Высокая | Высокая |

Вывод: для российского B2C и локального B2B Telegram даёт лучший баланс «скорость × стоимость × привычка клиента».

5 сценариев, которые окупаются первыми

1. Квалификация лидов 24/7

AI-агент задаёт 4–7 вопросов (бюджет, срок, ниша, ЛПР), ставит score и пишет в CRM только «горячих».

2. Поддержка первого уровня

Статусы заказа, доставка, возврат, FAQ — без ожидания оператора. Эскалация человеку при негативе или нестандартном кейсе.

3. Прогрев и реактивация

Цепочки сообщений после заявки, брошенной корзины, демо. Не спам-рассылка, а диалоговый follow-up.

4. Запись и напоминания

Консультации, замеры, онлайн-демо: слоты, подтверждение, no-show снижение на 20–40%.

5. Внутренний ассистент команды

Саммари переписки, черновики КП, ответы по базе знаний — экономия 1–2 часа в день на менеджера.

Стек 2026: из чего собирать

| Слой | Варианты | Зачем | |------|----------|-------| | Канал | Telegram Bot API | Единая точка входа | | Оркестрация | n8n / собственный агент | Сценарии и ветвления | | Модель | YandexGPT / GigaChat / GPT / open-source | Диалог и reasoning | | Память и знания | FAQ + RAG по документам | Точные ответы о компании | | CRM | amoCRM, Bitrix24, Мегаплан | Сделки и воронка | | Аналитика | Метрика + события бота | CPL, конверсия, CSI |

Важно: модель — не весь продукт. Без CRM, логов и human handoff «умный бот» быстро ломает доверие.

Бюджет внедрения (ориентир для МСП)

| Статья | Диапазон | Комментарий | |--------|----------|-------------| | Проектирование сценариев | 30–80 тыс. ₽ | 1–2 воронки | | Разработка + интеграции | 120–300 тыс. ₽ | Telegram + CRM + база знаний | | Контент FAQ / промпты | 20–60 тыс. ₽ | От качества зависит CSI | | Ежемесячно (модель + сопровождение) | 15–60 тыс. ₽ | Нагрузка и доработки | | Итого старт | 170–440 тыс. ₽ | Окупаемость 1–3 месяца при 30+ лидах/мес |

Сравните с ФОТ двух операторов: ~130–180 тыс. ₽/мес «грязными» + налоги и текучка.

KPI, без которых автоматизация «не считается»

1. Time to first response — целевой: < 5 секунд
2. % автозавершённых диалогов — 50–80%
3. CPL / стоимость квалифицированного лида
4. Конверсия лид → сделка
5. CSI / CSAT после бота
6. % эскалаций и причина

Если CSI падает, а эскалации растут — чините базу знаний и правила handoff, а не «покупайте более дорогую модель».

План запуска за 14 дней

| Дни | Действие | Результат | |-----|----------|-----------| | 1–2 | Аудит воронки и топ-20 вопросов | Карта сценариев | | 3–5 | FAQ + политики эскалации | База знаний v1 | | 6–9 | Бот + CRM + тестовое тестирование | Рабочий MVP | | 10–12 | Пилот на 20–30% трафика | Метрики | | 13–14 | Правки, 100% трафика, регламент | Боевой режим |

Типичные ошибки

• Делать «универсального бота обо всём» вместо 1–2 узких сценариев
• Не логировать диалоги и не разбирать фейлы еженедельно
• Прятать кнопку «позвать человека»
• Игнорировать закон о маркировке ИИ-контента и прозрачность для клиента
• Запускать без CRM — лиды «умирают» в чате

❓ Часто задаваемые вопросы

Сколько стоит Telegram AI-агент для малого бизнеса?

Рабочий MVP обычно укладывается в 170–440 тыс. ₽ на старте и 15–60 тыс. ₽ в месяц. Точная цена зависит от числа сценариев, CRM и объёма базы знаний.

Заменит ли бот менеджера по продажам?

Нет. Бот закрывает квалификацию, FAQ и скорость. Закрытие сложных сделок, переговоры и исключения остаются за людьми — и это правильно.

Можно ли начать без своей разработки?

Да: no-code/low-code платформы и готовые Telegram AI-агенты ускоряют старт. Для нестандартных процессов чаще нужен кастомный контур.

📖 Читайте также

• AI-агенты в Telegram для бизнеса
• AI-чат на сайт или Telegram-бот: что выбрать в 2026
• Кейс: AI-агент поддержки и экономия 2,4 млн ₽ в год

🚀 Хотите внедрить AI-автоматизацию в свой бизнес? Раисыч поможет настроить AI-агентов, чат-ботов и системы лидогенерации под ключ.

Заказать консультацию — raisovich.ru

Какие сценарии Telegram AI окупаются первыми?

Квалификация лидов 24/7, L1-поддержка по FAQ, прогрев/реактивация, запись со слотами и внутренний ассистент команды. Узкий старт с 1–2 сценариями даёт эффект быстрее, чем «бот обо всём».

За сколько дней можно запустить MVP Telegram-бота?

Рабочий план — 14 дней: аудит и топ-вопросы, FAQ и handoff, бот+CRM, пилот на 20–30% трафика, затем правки и 100% поток. Без CRM и регламента эскалации пилот лучше не расширять.

Какие KPI обязательны при автоматизации в Telegram?

Time to first response, доля автозавершённых диалогов, CPL квалифицированного лида, конверсия в сделку, CSI/CSAT и причины эскалаций. Если CSI падает — чините базу знаний и handoff, а не только меняйте модель.

Часто задаваемые вопросы

Что даст эта статья?

Вы получите практические рекомендации и пошаговые инструкции, которые можно применить в своём бизнесе.

Сколько времени займёт внедрение?

Сроки зависят от сложности задачи. Обычно от 1 дня до 2 недель на первый результат.

Нужна ли техническая подготовка?

Большинство описанных решений не требуют глубоких технических знаний. Мы подбираем инструменты под уровень команды.

Что делать, если нужна помощь?

Свяжитесь с нами — мы проведём аудит, подберём решение и поможем с внедрением.

В 2026 году AI-агенты для поддержки клиентов — уже не роскошь, а стандарт. Исследование МТС Линк показало: 87% российских компаний применяют ИИ в корпоративных процессах, а 55% HR-директоров считают AI-аналитику обязательным навыком. Но одно дело — теория, другое — реальные цифры внедрения.

Исходная ситуация

| Параметр | Значение | |----------|----------| | Заказов в месяц | 5 000 | | Обращений в поддержку | 1 200–1 500/мес | | Операторов поддержки | 3 человека | | Средний ФОТ оператора | 65 000 ₽/мес | | Общий ФОТ поддержки | 195 000 ₽/мес | | Среднее время ответа | 45 минут | | CSI (индекс удовлетворённости) | 3,8 из 5 | | % потерянных заказов из-за поддержки | ~8% |

Годовая стоимость поддержки: 195 000 ₽ × 12 = 2 340 000 ₽ + налоги и соцотчисления ≈ 3 100 000 ₽.

Этапы внедрения AI-агента

Этап 1 — Аудит и подготовка (3 дня, 15 000 ₽)

Что сделали:

• Собрали базу из 500+ реальных диалогов поддержки
• Выделили топ-20 типовых вопросов (статус заказа, возврат, замена товара, сроки доставки)
• Определили 8 категорий обращений, требующих эскалации человеку

Бюджет:

• Анализ диалогов — 10 000 ₽ (внутренними силами через AI-аналитику ChatGPT Pro)
• Создание базы знаний — 5 000 ₽ (структурирование + разметка)

Этап 2 — Настройка AI-агента (5 дней, 65 000 ₽)

Что сделали:

• Установили Suvvy (партнёрская платформа Раисыча) — Telegram-бот с AI-агентом
• Настроили подключение к базе знаний компании (статусы заказов, складские остатки, тарифы доставки)
• Интегрировали с CRM и 1С через API
• Настроили правила эскалации: если AI не уверен (confidence < 85%) — передать оператору

Бюджет:

• Suvvy Business — 9 900 ₽/мес
• Интеграция с CRM — 30 000 ₽ (единоразово)
• Настройка сценариев — 25 000 ₽ (единоразово)

Этап 3 — Тестирование и A/B-тест (5 дней, 10 000 ₽)

Что сделали:

• Запустили AI-агента на 50% входящих обращений (A/B-тест)
• Сравнивали CSI, время ответа, % решённых обращений
• Корректировали сценарии по результатам первых 500 диалогов

Бюджет:

• Доработка сценариев — 10 000 ₽ (внутренними силами)

Этап 4 — Полный запуск (1 день)

Результат:

• AI-агент взял на себя 82% всех обращений
• Эскалация человеку — только 18% сложных кейсов
• Среднее время ответа снизилось с 45 минут до 15 секунд
• CSI вырос с 3,8 до 4,6 из 5

Результаты и финансовая модель

До внедрения (месяц)

| Статья расходов | Сумма | |----------------|-------| | 3 оператора × 65 000 ₽ | 195 000 ₽ | | Налоги (30%) | 58 500 ₽ | | Софт (CRM, телефония) | 15 000 ₽ | | Обучение операторов (амортизация) | 10 000 ₽ | | Итого | 278 500 ₽/мес |

После внедрения (месяц)

| Статья расходов | Сумма | |----------------|-------| | 1 оператор (сложные кейсы) | 70 000 ₽ | | Налоги (30%) | 21 000 ₽ | | Suvvy Business | 9 900 ₽ | | ChatGPT Pro (аналитика) | 1 600 ₽ | | Софт (CRM) | 15 000 ₽ | | Итого | 117 500 ₽/мес |

Итоговая экономия

| Показатель | Значение | |-----------|----------| | Экономия в месяц | 161 000 ₽ | | Экономия в год | 1 932 000 ₽ | | С учётом единоразовых затрат (75 000 ₽) | 1 857 000 ₽ в первый год | | Окупаемость | 3 недели |

Дополнительные эффекты

Помимо прямой экономии ФОТ, компания получила:

• Рост конверсии — время ответа 15 секунд вместо 45 минут сократило потерю заказов с 8% до 2%
• Дополнительная выручка — 6% от 5 000 заказов × средний чек 1 500 ₽ = 450 000 ₽/мес дополнительной выручки
• Работа 24/7 — AI-агент отвечает ночью, в выходные, в праздники
• Масштабируемость — рост обращений до 3 000/мес не требует найма операторов
• Аналитика — AI-агент собирает данные о частых вопросах, проблемах с товарами, узких местах воронки

Что нужно для такого же внедрения

| Компонент | Стоимость | Срок | |-----------|-----------|------| | База знаний (диалоги + FAQ) | 5 000–15 000 ₽ | 3 дня | | AI-агент (Suvvy или аналог) | 9 900–49 900 ₽/мес | 1 день | | Интеграция с CRM | 20 000–50 000 ₽ | 3–5 дней | | Настройка сценариев | 15 000–40 000 ₽ | 3–5 дней | | Итого на старте | 50 000–155 000 ₽ | 2–3 недели |

❓ Часто задаваемые вопросы

Какие типы вопросов AI-агент может обрабатывать? Около 80% типовых обращений: статус заказа, сроки доставки, возврат, замена товара, уточнение характеристик, адреса пунктов выдачи. Сложные вопросы (жалобы, претензии, нестандартные ситуации) передаются оператору.

Не теряется ли качество поддержки при замене людей AI? В кейсе «ТекстильПрофи» CSI вырос с 3,8 до 4,6 из 5, потому что AI отвечает мгновенно и не ошибается в типовых вопросах. Сложные кейсы по-прежнему ведёт человек.

Какой минимальный бизнес для внедрения AI-агента? От 500 заказов в месяц или 300+ обращений. При меньших объёмах экономия на операторах не покрывает стоимость внедрения.

Сколько времени занимает полный запуск? 2–3 недели: 3 дня на аудит, 5 дней на настройку, 5 дней на A/B-тест, 1–2 дня на полный запуск.

📖 Читайте также

• Как мы собрали AI-агента поддержки за 3 дня: архитектура и результаты
• Сколько реально стоит внедрение AI-агента: разбор бюджета
• Внедрение AI в бизнес: экономия бюджета и примеры

🚀 Хотите внедрить AI-автоматизацию в свой бизнес? Раисыч поможет настроить AI-агентов, чат-ботов и системы лидогенерации под ключ.

Заказать консультацию — raisovich.ru

Какие риски есть при внедрении AI-агента в поддержку?

Основные риски: некорректные ответы на нестандартные вопросы (снижается при confidence-пороге >85%), сопротивление команды и необходимость доработки базы знаний в первые 2 недели.

Можно ли интегрировать AI-агента с существующей CRM без программистов?

Да, современные платформы вроде Suvvy предлагают готовые интеграции с популярными CRM (AmoCRM, Bitrix24, RetailCRM) через визуальный конструктор без единой строки кода.

Какой ROI даёт AI-агент в первый год?

В кейсе «ТекстильПрофи» ROI составил 2 576%: при затратах 75 000 ₽ на внедрение экономия за первый год достигла 1 932 000 ₽ без учёта дополнительной выручки от роста конверсии.

Часто задаваемые вопросы

Что даст эта статья?

Вы получите практические рекомендации и пошаговые инструкции, которые можно применить в своём бизнесе.

Сколько времени займёт внедрение?

Сроки зависят от сложности задачи. Обычно от 1 дня до 2 недель на первый результат.

Нужна ли техническая подготовка?

Большинство описанных решений не требуют глубоких технических знаний. Мы подбираем инструменты под уровень команды.

Что делать, если нужна помощь?

Свяжитесь с нами — мы проведём аудит, подберём решение и поможем с внедрением.

2026 год стал переломным для AI-поиска. После выхода GPT-5.6 Sol с Programmatic Tool Calling модели научились не просто искать информацию по ключевым словам, а оркестрировать цепочки запросов, выбирать источники и сравнивать данные из нескольких страниц. Закон о суверенном ИИ в России (вступает в силу 1 сентября 2026) дополнительно стимулирует компании адаптировать контент под российские AI-поисковики.

Что изменилось в GEO в 2026 году

Раньше GEO воспринимали как «дополнительный бонус» к SEO. Сейчас — это базовая гигиена контента.

| Параметр | SEO (2023) | GEO (2026) | |----------|-----------|-----------| | Цель | Позиция в выдаче Google/Yandex | Цитирование в ответе AI-поиска | | Единица ранжирования | Страница | Семантический блок (FAQ, таблица, список) | | Ключевой фактор | Внешние ссылки | Структурированные данные, авторитетность, полнота ответа | | Формат контента | Статья от 2000 слов | Краткий прямой ответ + глубокая проработка | | Технические требования | Core Web Vitals | LLMs.txt, JSON-LD, FAQ Schema | | Доля трафика | 100% (классический поиск) | 50–70% классический / 30–50% AI-поиск |

Чек-лист GEO-продвижения на 30 дней

Неделя 1 — Техническая база

• [ ] Добавить LLMs.txt — файл для AI-поисковиков по аналогии с robots.txt. Разместить в корне сайта: https://site.ru/llms.txt
• [ ] Внедрить FAQ Schema — JSON-LD разметка для вопросов-ответов. ChatGPT Search и Perplexity используют FAQ-блоки как основной источник для цитирования
• [ ] HowTo Schema — для пошаговых инструкций. Яндекс Нейро предпочитает структурированные HowTo-блоки
• [ ] Проверить Core Web Vitals — AI-поисковики отдают предпочтение быстрым сайтам. LCP < 2.5s, FID < 100ms, CLS < 0.1
• [ ] Настроить индексацию через Google Search Console и Яндекс.Вебмастер — убедиться, что AI-поисковики могут сканировать сайт

Неделя 2 — Контент-стратегия

• [ ] Определить 20–30 ключевых вопросов вашей аудитории. Формат: «Как выбрать…», «Сколько стоит…», «Что лучше…»
• [ ] Создать страницы FAQ — отдельные страницы с разметкой FAQ Schema. Не просто блоки, а полноценные страницы
• [ ] Добавить таблицы сравнения — AI-поисковики обожают таблицы. ChatGPT Search и Perplexity часто цитируют именно табличные данные
• [ ] Написать краткие прямые ответы — первый абзац каждой статьи должен быть законченным ответом на вопрос (пользовательский интент)
• [ ] Обновить устаревший контент — AI-поисковики проверяют даты публикации. Контент старше 1 года ранжируется ниже

Неделя 3 — Авторитетность и цитируемость

• [ ] Собрать обратные ссылки с авторитетных доменов (.edu, .gov, отраслевые СМИ). AI-поисковики используют ссылки как сигнал E-E-A-T
• [ ] Добавить автора-эксперта — указывать автора с биографией и ссылками на профайлы (LinkedIn, VC.ru)
• [ ] Разместить контент на VC.ru и Habr — эти площадки часто цитируются AI-поиском как авторитетные источники
• [ ] Добавить внешние ссылки на исследования и источники данных. Статьи со ссылками на научные работы и официальную статистику ранжируются выше

Неделя 4 — Измерение и итерация

• [ ] Настроить мониторинг цитирований — проверять, появляется ли сайт в ответах ChatGPT Search, Perplexity, Gemini
• [ ] Проанализировать топ-10 цитируемых источников по вашей теме — что у них есть, чего нет у вас
• [ ] Создать контент по пробелам — найти вопросы, на которые AI-поиск отвечает неполно, и написать закрывающие статьи
• [ ] Повторить цикл — GEO требует постоянного обновления контента, особенно в быстро меняющихся нишах

Метрики GEO-эффективности

Как понять, что GEO-стратегия работает? Вот ключевые показатели:

| Метрика | Как измерять | Целевое значение | |---------|-------------|-----------------| | Упоминания в AI-поиске | Perplexity Search, ChatGPT Browse, Gemini | Рост на 30% месяц к месяцу | | AI-трафик | UTM-метки для переходов из AI-поисковиков | От 10% от общего трафика | | CTR при цитировании | % переходов по ссылке в ответе AI | >3% | | Позиция в выдаче AI | Мониторинг топ-3 источников по запросам | В топ-3 по 10+ запросам | | Количество цитируемых страниц | Сканирование AI-поисковиков | Рост на 5+ страниц в месяц | | Доля брендовых запросов | Яндекс.Вордстат, Google Trends | Рост на 15% квартал к кварталу |

Как измерить GEO без дорогих инструментов

1. Perplexity Search — вручную задайте 10 ключевых запросов из вашей ниши. Какие источники цитирует? Есть ли ваш сайт?
2. ChatGPT Browse — аналогично: включите поиск в ChatGPT и задайте те же вопросы
3. Gemini — проверьте, появляется ли ваш контент в ответах Google AI Overviews
4. Яндекс Нейро — задайте поисковый запрос с ключевыми словами вашей ниши
5. Google Search Console — отфильтруйте запросы с длиной >5 слов (long-tail, характерные для AI-поиска)

Сколько стоит GEO-продвижение в 2026

| Уровень | Объём работ | Стоимость | Результат | |---------|------------|-----------|-----------| | Самостоятельно | Чек-лист выше | 0–10 000 ₽ (инструменты) | Выход в AI-поиск по 5–10 запросам | | Базовый (фрилансер) | Аудит + настройка FAQ Schema + 5 статей | 50 000–100 000 ₽ | Рост AI-трафика на 20–30% | | Комплексный (агентство) | Полный GEO-аудит, контент-план, 15 статей/мес | 150 000–300 000 ₽/мес | Стабильное цитирование по 50+ запросам | | Enterprise | Стратегия, команда, аналитика | от 500 000 ₽/мес | Доминирование в AI-поиске по нише |

❓ Часто задаваемые вопросы

Что такое GEO простыми словами? GEO (Generative Engine Optimization) — это оптимизация контента для того, чтобы AI-поисковики (ChatGPT Search, Perplexity, Gemini, Яндекс Нейро) цитировали ваш сайт в своих ответах.

GEO заменяет SEO или дополняет? Дополняет. Классическое SEO никуда не делось, но GEO становится обязательным слоем. Без GEO ваш сайт может быть на 1-м месте в Google, но не цитироваться в ChatGPT Search.

Как быстро появляются результаты GEO? Первые результаты — через 2–4 недели. Стабильное цитирование — через 2–3 месяца. GEO требует постоянного обновления контента.

LLMs.txt — что это и как настроить? Файл llms.txt — инструкция для AI-поисковиков о структуре и ключевых страницах сайта. Размещается в корне. Пример: https://example.com/llms.txt

📖 Читайте также

• GEO для IT-продуктов и AI-сервисов: стратегия 2026
• GEO для SaaS и стартапов: как попасть в ChatGPT Search
• GEO-оптимизация контента: пошаговое руководство

🚀 Хотите внедрить AI-автоматизацию в свой бизнес? Раисыч поможет настроить AI-агентов, чат-ботов и системы лидогенерации под ключ.

Заказать консультацию — raisovich.ru

Какие ниши больше всего выигрывают от GEO в 2026?

B2B, SaaS, IT-услуги, EdTech и FinTech — в этих нишах AI-поиск формирует до 50% трафика. Чем сложнее продукт и длиннее цикл сделки, тем выше эффект от GEO.

Как часто нужно обновлять GEO-контент?

Рекомендуется обновлять ключевые статьи каждые 3 месяца. AI-поисковики учитывают свежесть контента: публикации старше года ранжируются ниже.

Нужен ли LLMs.txt для небольших сайтов?

Да, LLMs.txt обязателен для любого сайта, который хочет цитироваться в AI-поиске. Это бесплатно и занимает 15 минут: достаточно перечислить 5–10 ключевых страниц с кратким описанием.

Часто задаваемые вопросы

Что даст эта статья?

Вы получите практические рекомендации и пошаговые инструкции, которые можно применить в своём бизнесе.

Сколько времени займёт внедрение?

Сроки зависят от сложности задачи. Обычно от 1 дня до 2 недель на первый результат.

Нужна ли техническая подготовка?

Большинство описанных решений не требуют глубоких технических знаний. Мы подбираем инструменты под уровень команды.

Что делать, если нужна помощь?

Свяжитесь с нами — мы проведём аудит, подберём решение и поможем с внедрением.

Рынок AI-агентов для продаж и поддержки в 2026 году взорвался. После выхода GPT-5.6 Sol с Programmatic Tool Calling (снижение потребления токенов на 63,5%) и запуска GPT-Live с полнодуплексной голосовой связью, бизнес получил инструменты, которые год назад казались фантастикой. Но как разобраться в десятках тарифов?

Сводная таблица тарифов AI-агентов для продаж (2026)

| Решение | Базовый тариф | Бизнес-тариф | Enterprise | Особенности | |---------|--------------|-------------|-----------|-------------| | ChatGPT Pro | $20/мес (индивидуальный) | $25/мес за пользователя (ChatGPT Team) | $200/мес | GPT-5.6 Sol, GPT-Live, Programmatic Tool Calling | | YandexGPT 4 | Бесплатно (30 запросов/день) | 320 ₽/мес (Yandex 360) | Индивидуально | Суверенный ИИ, 4096 токенов, интеграция с Яндекс.Метрикой | | GigaChat | Бесплатно (основная версия) | 990 ₽/мес (GigaChat Pro) | Индивидуально | Поддержка русского языка, RU-лицензия, SSL/TLS | | Suvvy | Бесплатно (до 100 клиентов) | 9 900 ₽/мес | 49 900 ₽/мес | Telegram AI-агенты, готовые сценарии, партнёрская программа | | DeepSeek V4 | Бесплатно (API) | $0.50/1M токенов | Индивидуально | Open-source, можно деплоить локально | | Claude 4 (Sonnet/Opus) | $20/мес | $25/мес (Team) | $200/мес (Max) | Длинный контекст, безопасность, анализ документов | | Gemini 2.5 Flash | Бесплатно | $0.15/1M токенов (вход) | Индивидуально | Мультимодальность, видео, аудио | | Perplexity Pro | $20/мес | $40/мес (Pro) | Индивидуально | AI-поиск, GEO-оптимизация, исследование рынка | | Copilot for Sales | — | $50/пользователь/мес | Индивидуально | Интеграция с CRM (Salesforce, Dynamics 365) | | Jasper AI | $49/мес | $69/мес (3 пользователя) | Индивидуально | Контент для продаж, email-рассылки, сценарии |

Для малого бизнеса (до 5 сотрудников)

Малому бизнесу в 2026 году не нужно платить сотни тысяч за AI-агентов. Достаточно комбинации из 2–3 инструментов:

Оптимальный стек под ключ:

• ChatGPT Pro ($20/мес) — для написания скриптов продаж, анализа конкурентов, генерации идей
• Suvvy (бесплатно до 100 клиентов) — Telegram-бот для приёма заявок и первого касания
• GigaChat (бесплатно) — для задач, требующих российской сертификации

Итого: от 0 до 2 000 ₽/мес — полный набор AI-инструментов для отдела продаж из 1–3 человек.

Для среднего бизнеса (10–50 сотрудников)

Среднему бизнесу нужна автоматизация воронки продаж и интеграция с CRM. Здесь тарифы растут:

Рекомендуемый стек:

• ChatGPT Team — $25/мес × 5 пользователей = $125/мес (≈10 000 ₽)
• Suvvy Business — 9 900 ₽/мес за Telegram-бота с AI-агентом
• YandexGPT 4 — 320 ₽/мес за пользователя для российских задач

Итого: ≈25 000–35 000 ₽/мес — автоматизация 60–70% рутинных задач отдела продаж.

Для крупного бизнеса (50+ сотрудников)

Enterprise-решения требуют индивидуальных условий. Основные затраты:

Типовой Enterprise-стек:

• ChatGPT Enterprise — от $200/мес за пользователя ≈ 16 000 ₽/чел
• Copilot for Sales — $50/мес за пользователя ≈ 4 000 ₽/чел
• Собственный AI-агент на базе DeepSeek V4 (локальный деплой) — от 300 000 ₽ единоразово + 50 000 ₽/мес поддержка
• Suvvy Enterprise — 49 900 ₽/мес

Итого: от 150 000 до 500 000 ₽/мес — полная автоматизация продаж с AI-агентами, CRM-интеграцией и аналитикой.

Что нового в 2026 году?

2026 год принёс три ключевых изменения, которые радикально снизили стоимость AI-агентов для продаж:

1. Programmatic Tool Calling (GPT-5.6 Sol) Модель научилась писать код для оркестрации инструментов. Это снизило потребление токенов на 63,5% — фактически каждый запрос стал дешевле почти втрое. OpenAI автоматически снизила цены на API.

2. Полнодуплексные голосовые модели (GPT-Live) Теперь AI-агент может говорить и слушать одновременно — как живой человек. Это открыло сценарий «AI-менеджер по продажам» для звонков без задержек. Стоимость голосового API — от $0.06/минута.

3. Суверенный ИИ в России Закон о поддержке развития технологий ИИ (вступает в силу с 1 сентября 2026) требует маркировки AI-контента и использования сертифицированных решений для госсектора. Это стимулирует спрос на российские платформы — YandexGPT, GigaChat, Suvvy.

Расчёт окупаемости AI-агента продаж

Пример: компания с отделом продаж из 5 менеджеров

| Статья | Без AI | С AI-агентами | |--------|--------|--------------| | ФОТ менеджеров | 600 000 ₽/мес | 400 000 ₽/мес (3 менеджера вместо 5) | | AI-агент (Suvvy + ChatGPT) | 0 ₽ | 15 000 ₽/мес | | Лидогенерация | 100 000 ₽/мес | 60 000 ₽/мес (AI-оптимизация) | | Итого | 700 000 ₽/мес | 475 000 ₽/мес | | Экономия | — | 225 000 ₽/мес (32%) |

Окупаемость внедрения: 2–4 недели при единоразовых затратах 50 000–100 000 ₽ на настройку.

Как выбрать тариф под свой бизнес

1. Определите задачи. Продажи входящим? Холодные звонки? Работа с возражениями? Каждый AI-агент специализируется на своём.
2. Начните с бесплатных версий. ChatGPT Free, GigaChat, Suvvy Free — протестируйте 3 платформы за 0 рублей.
3. Считайте не цену, а ROI. AI-агент за 15 000 ₽/мес, который заменяет 2 менеджеров (80 000 ₽ ФОТ) — окупается за 1 неделю.
4. Учитывайте российские требования. Для бизнеса в РФ выбирайте решения с российской лицензией — YandexGPT, GigaChat, Suvvy.

❓ Часто задаваемые вопросы

Какой AI-агент для продаж самый дешёвый? Бесплатные: GigaChat (базовая версия), YandexGPT (30 запросов/день), Suvvy (до 100 клиентов). Из платных — ChatGPT Pro за $20/мес даёт лучший функционал за свою цену.

Сколько стоит внедрение AI-агента «под ключ»? От 30 000 ₽ за базового Telegram-бота до 500 000 ₽ за enterprise-решение с интеграцией в CRM, аналитикой и обучением модели на ваших данных. Средний чек — 150 000 ₽.

Окупается ли AI-агент для продаж в 2026? Да, средний срок окупаемости — 2–6 недель. При стоимости внедрения 100 000 ₽ и экономии ФОТ 50 000–100 000 ₽/мес окупаемость наступает за 1–2 месяца.

Какой тариф выбрать для стартапа? ChatGPT Pro ($20/мес) + Suvvy Free (до 100 клиентов) + GigaChat Free (российские задачи). Полный стек за 1 600 ₽/мес.

📖 Читайте также

• Сравнение тарифов AI-платформ: ChatGPT Pro, YandexGPT, GigaChat
• Сколько реально стоит внедрение AI-агента: бюджет от 50 000 до 5 млн
• Стоимость AI-агентов для бизнеса в 2026

🚀 Хотите внедрить AI-автоматизацию в свой бизнес? Раисыч поможет настроить AI-агентов, чат-ботов и системы лидогенерации под ключ.

Заказать консультацию — raisovich.ru

Часто задаваемые вопросы

Что даст эта статья?

Вы получите практические рекомендации и пошаговые инструкции, которые можно применить в своём бизнесе.

Сколько времени займёт внедрение?

Сроки зависят от сложности задачи. Обычно от 1 дня до 2 недель на первый результат.

Нужна ли техническая подготовка?

Большинство описанных решений не требуют глубоких технических знаний. Мы подбираем инструменты под уровень команды.

Что делать, если нужна помощь?

Свяжитесь с нами — мы проведём аудит, подберём решение и поможем с внедрением.

Почему AI-лидогенерация дешевле

Традиционная лидогенерация страдает от трёх проблем, которые AI-агенты решают автоматически:

1. Потеря лидов — 40–60% заявок не обрабатываются вовремя, клиенты уходят
2. Неквалифицированные лиды — до 50% заявок не соответствуют профилю целевого клиента
3. Высокий CPL — конкуренция в рекламе растёт, стоимость клика увеличивается на 20–30% в год

AI-агент устраняет все три проблемы: обрабатывает 100% заявок за секунды, отсеивает нецелевые лиды и снижает стоимость привлечения за счёт автоматизации.

Сравнение CPL: AI-агент vs традиционные каналы

| Канал | CPL (руб) | Конверсия в сделку | Стоимость сделки (руб) | Время первого контакта | |-------|-----------|-------------------|----------------------|----------------------| | AI-агент (Telegram) | 1 100–2 500 | 12–18% | 7 000–15 000 | 2 секунды | | AI-агент (сайт) | 1 500–3 000 | 10–15% | 12 000–25 000 | 2 секунды | | Яндекс Директ | 4 000–8 000 | 5–8% | 50 000–100 000 | 4–24 часа | | Telegram Ads | 3 500–7 000 | 4–7% | 50 000–120 000 | 4–24 часа | | Холодные звонки | 8 000–15 000 | 2–5% | 160 000–300 000 | Мгновенно | | E-mail-рассылки | 2 000–5 000 | 1–3% | 100 000–200 000 | 24–72 часа | | Конференции и выставки | 15 000–30 000 | 10–15% | 150 000–300 000 | — |

Вывод: AI-лидогенерация даёт CPL в 2–4 раза ниже, чем рекламные каналы, при конверсии в 2–3 раза выше.

Структура затрат на AI-лидогенерацию

Разовые затраты (внедрение)

| Статья | Стоимость | Комментарий | |--------|-----------|-------------| | Разработка AI-агента (Telegram-бот + квалификация) | 150 000–300 000 руб | Зависит от сложности сценариев | | Интеграция с CRM | 30 000–100 000 руб | amoCRM, Bitrix24, Мегаплан | | Обучение модели на данных компании | 20 000–50 000 руб | Загрузка 50–100 диалогов | | Настройка аналитики и отчётности | 15 000–30 000 руб | Метрики, дашборды | | Итого разовые | 215 000–480 000 руб | — |

Ежемесячные затраты

| Статья | Стоимость | Комментарий | |--------|-----------|-------------| | API-затраты (DeepSeek V4 / GPT-4o) | 10 000–30 000 руб | 10 000–30 000 диалогов в месяц | | Хостинг и инфраструктура | 3 000–8 000 руб | VPS или serverless | | Техподдержка и доработки | 20 000–50 000 руб | 2–5 часов в месяц | | Обновление базы знаний | 5 000–15 000 руб | Новые продукты, цены, кейсы | | Итого ежемесячно | 38 000–103 000 руб | — |

Расчёт ROI для разных типов бизнеса

Малый бизнес (средний чек — 50 000 руб)

| Параметр | Значение | |---------|----------| | Лидов в месяц | 100 | | CPL через AI-агента | 1 500 руб | | Конверсия в сделку | 14% | | Сделок в месяц | 14 | | Выручка с AI-лидов | 700 000 руб | | Затраты (внедрение + 1 мес) | 338 000 руб | | ROI за 1 месяц | 107% | | Окупаемость | 2,8 месяца |

Средний бизнес (средний чек — 250 000 руб)

| Параметр | Значение | |---------|----------| | Лидов в месяц | 500 | | CPL через AI-агента | 1 800 руб | | Конверсия в сделку | 13% | | Сделок в месяц | 65 | | Выручка с AI-лидов | 16 250 000 руб | | Затраты (внедрение + 1 мес) | 438 000 руб | | ROI за 1 месяц | 3 610% | | Окупаемость | 0,8 месяца |

Крупный бизнес (средний чек — 1 000 000 руб)

| Параметр | Значение | |---------|----------| | Лидов в месяц | 2 000 | | CPL через AI-агента | 2 200 руб | | Конверсия в сделку | 10% | | Сделок в месяц | 200 | | Выручка с AI-лидов | 200 000 000 руб | | Затраты (внедрение + 1 мес) | 583 000 руб | | ROI за 1 месяц | 34 200% | | Окупаемость | 0,1 месяца |

Как снизить CPL при использовании AI-агента

1. Качественная база знаний

CPL напрямую зависит от того, насколько хорошо AI-агент понимает ваш продукт. Реальная статистика:

| Качество базы знаний | CPL | Конверсия | |---------------------|-----|-----------| | 0–10 диалогов | 4 500 руб | 5% | | 10–50 диалогов | 2 800 руб | 9% | | 50–200 диалогов | 1 800 руб | 13% | | 200+ диалогов | 1 200 руб | 16% |

2. Правильная настройка квалификации

Чем точнее AI-агент отсеивает нецелевые лиды, тем ниже CPL. Оптимальный порог:

• Бюджет: отсекать лиды с бюджетом ниже 30% от среднего чека
• Сроки: отсекать лиды со сроками «в следующем году» — передавать в e-mail-рассылки
• Роль: отсекать студентов и исследователей без бюджетов

3. Мультиканальность

AI-агент, работающий одновременно на сайте, в Telegram и в мессенджерах, снижает CPL на 25–35% за счёт увеличения охвата без дополнительных затрат на рекламу.

❓ Часто задаваемые вопросы

Из чего складывается стоимость AI-лидогенерации? Из разовых затрат на внедрение (215 000–480 000 руб) и ежемесячных расходов на API и поддержку (38 000–103 000 руб). CPL при этом составляет 1 100–3 000 руб в зависимости от объёма и качества базы знаний.

Сколько лидов в месяц может обработать один AI-агент? Один AI-агент обрабатывает до 10 000 заявок в месяц без потери качества. При большем объёме рекомендуется масштабирование — добавление второго агента или увеличение лимитов API.

Какой бизнес получает максимальный ROI от AI-лидогенерации? B2B-компании со средним чеком от 100 000 руб и объёмом от 100 заявок в месяц получают ROI от 1 000% уже в первый месяц. Для микробизнеса (до 30 заявок в месяц) окупаемость составляет 4–6 месяцев.

Можно ли попробовать AI-лидогенерацию без больших вложений? Да, минимальный тестовый сценарий (Telegram-бот + базовый AI-агент) стоит от 50 000 руб и запускается за 1 неделю. Вы получите первые данные о CPL и конверсии для вашей ниши.

📖 Читайте также

• Сравнение тарифов AI-платформ для бизнеса: ChatGPT Pro, YandexGPT, GigaChat
• Сколько реально стоит внедрение AI-агента: разбор бюджета от 50 000 до 5 млн
• Сколько стоят AI-агенты для бизнеса в 2026: тарифы и полный расчёт ROI

🚀 Хотите внедрить AI-автоматизацию в свой бизнес? Раисыч поможет настроить AI-агентов, чат-ботов и системы лидогенерации под ключ.

Заказать консультацию — raisovich.ru

Какие каналы лидогенерации имеют самый высокий CPL?

Самый высокий CPL у конференций и выставок (15 000–30 000 руб) и холодных звонков (8 000–15 000 руб). Для сравнения, AI-агент даёт CPL 1 100–3 000 руб при конверсии в сделку в 2-3 раза выше.

Как качество базы знаний влияет на CPL?

CPL напрямую зависит от объёма базы знаний: при 0-10 диалогах CPL составляет 4 500 руб (конверсия 5%), а при 200+ диалогах — 1 200 руб (конверсия 16%). Качественная база знаний окупается с первых недель использования.

Какой ROI даёт AI-лидогенерация для среднего бизнеса?

Для среднего бизнеса (средний чек 250 000 руб) ROI за первый месяц составляет 3 610%, а окупаемость — 0,8 месяца. При 500 лидах в месяц и 13% конверсии выручка с AI-лидов достигает 16,25 млн руб.

Часто задаваемые вопросы

Что даст эта статья?

Вы получите практические рекомендации и пошаговые инструкции, которые можно применить в своём бизнесе.

Сколько времени займёт внедрение?

Сроки зависят от сложности задачи. Обычно от 1 дня до 2 недель на первый результат.

Нужна ли техническая подготовка?

Большинство описанных решений не требуют глубоких технических знаний. Мы подбираем инструменты под уровень команды.

Что делать, если нужна помощь?

Свяжитесь с нами — мы проведём аудит, подберём решение и поможем с внедрением.

Исходная ситуация

Компания-интегратор AI-решений (50+ сотрудников, средний чек — 450 000 руб) столкнулась с типичными проблемами масштабирования продаж:

| Метрика | До внедрения | Проблема | |---------|-------------|----------| | Входящих заявок в месяц | 120–150 | Менеджеры не успевают обрабатывать | | Cost-per-lead (CPL) | 4 500 руб | Реклама дорожает, конверсия падает | | Конверсия заявка → сделка | 8% | Потеря лидов на этапе квалификации | | Среднее время первого контакта | 14 часов | Клиенты уходят к конкурентам | | Зарплата отдела продаж | 780 000 руб/мес | 4 менеджера + 2 квалификатора | | Потеря лидов в холоде | 45% | Никто не обрабатывает «отложенные» заявки |

Ключевая проблема: компания тратила 1,2 млн руб/мес на рекламу (Яндекс Директ + Telegram Ads), но 45% заявок «висли» в CRM без обработки — менеджеры физически не успевали прозванивать всех.

Решение: AI-агент для автоматизации лидогенерации

Архитектура

AI-агент был построен на связке из трёх компонентов:

1. Telegram AI-бот — приём и первичная квалификация заявок
2. AI-агент квалификации — на основе Hermes Agent + DeepSeek V4: уточнение потребностей, бюджета, сроков
3. Интеграция с CRM — автоматическая запись лидов, назначение follow-up, отправка уведомлений менеджерам

Бюджет внедрения

| Статья расходов | Стоимость | |----------------|-----------| | Разработка MVP (2 недели) | 180 000 руб | | Интеграция с CRM (amoCRM) | 45 000 руб | | Настройка Telegram-бота | 35 000 руб | | Обучение и тестирование | 30 000 руб | | API-затраты (DeepSeek V4) | 15 000 руб/мес | | Итого инвестиции | 290 000 руб + 15 000 руб/мес |

Как AI-агент обрабатывает заявку

1. Клиент оставляет заявку на сайте или в Telegram
2. AI-агент мгновенно задаёт 3–5 уточняющих вопросов: бюджет, сроки, потребность
3. Система определяет «температуру» лида (горячий/тёплый/холодный)
4. Горячий лид → мгновенное соединение с менеджером + сформированная карточка в CRM
5. Тёплый лид → назначение follow-up через 24 часа
6. Холодный лид → автоматическая e-mail-рассылка с кейсами

Результаты через 2 месяца

| Метрика | До внедрения | После внедрения | Изменение | |---------|-------------|-----------------|-----------| | Квалифицированных лидов в месяц | 72 | 148 | +105% | | Cost-per-lead (CPL) | 4 500 руб | 1 710 руб | −62% | | Конверсия заявка → сделка | 8% | 14,5% | +81% | | Среднее время первого контакта | 14 часов | 2 минуты | −99% | | Выручка в месяц | 3,2 млн руб | 4,6 млн руб | +44% | | Зарплата отдела продаж | 780 000 руб | 580 000 руб | −26% | | Обработка «отложенных» лидов | 0% | 100% | +100% | | ROI (2 месяца) | — | 1 420% | — |

Расчёт окупаемости

Инвестиции: 290 000 руб (разработка) + 30 000 руб (2 месяца API) Экономия на ФОТ: 200 000 руб/мес (сокращение 2 квалификаторов) Дополнительная выручка: 1,4 млн руб/мес × 2 месяца = 2,8 млн руб

Окупаемость: 290 000 / (200 000 + 1 400 000 × 0,145) = 2,3 месяца

Этапы внедрения: как повторить

Неделя 1: аудит и проектирование

• Анализ текущей воронки продаж
• Сбор 50+ реальных диалогов менеджеров с клиентами
• Определение критериев квалификации лидов

Неделя 2: разработка MVP

• Создание Telegram-бота с базовыми сценариями
• Настройка интеграции с CRM
• Загрузка базы знаний (продукты, цены, кейсы)

Неделя 3: тестирование и доработка

• A/B-тест: AI-агент vs человек на 100 заявках
• Доработка скриптов по результатам
• Обучение менеджеров работе с AI-агентом

Неделя 4: запуск

• Подключение всех входящих каналов
• Мониторинг KPI ежедневно
• Корректировка threshold (когда передавать менеджеру)

Важные уроки из кейса

1. Не автоматизируйте всё сразу. Начните с квалификации лидов — это самый простой и быстрый сценарий с измеримым результатом
2. AI-агент должен знать, когда передать человеку. Порог срабатывания — 3 минуты диалога или запрос цены без ответа
3. База знаний — ключевой фактор успеха. Чем больше реальных диалогов загружено, тем точнее квалификация
4. Не увольняйте менеджеров — перераспределите нагрузку. Освободившееся время уходит на работу с тёплыми лидами и закрытие сложных сделок
5. Стоимость AI-лидогенерации снижается со временем. Чем больше данных, тем точнее модель и меньше ложных срабатываний

❓ Часто задаваемые вопросы

Сколько стоит внедрение AI-агента для лидогенерации? Базовое решение (Telegram-бот + квалификация + CRM-интеграция) — от 200 000 до 400 000 руб в зависимости от сложности. Ежемесячные API-затраты — от 10 000 до 30 000 руб.

Как быстро окупается AI-агент для лидогенерации? В среднем — 2-4 месяца. При среднем чеке от 100 000 руб окупаемость наступает за 1-2 месяца, при массовых продажах (средний чек до 10 000 руб) — за 4-6 месяцев.

Какие метрики отслеживать в первую очередь? CPL (стоимость лида), конверсия заявка → сделка, время первого контакта, процент потерянных лидов. Эти четыре метрики дают полную картину эффективности AI-агента.

Можно ли интегрировать AI-агента с существующей CRM? Да, AI-агент интегрируется с amoCRM, Bitrix24, Мегаплан, SaleCrm и другими популярными CRM через API. Интеграция занимает 2-5 дней.

📖 Читайте также

• AI-агенты для лидогенерации и продаж: как автоматизировать воронку в 2026
• Сколько реально стоит внедрение AI-агента: разбор бюджета
• Telegram AI-боты для B2B-лидогенерации: как привлекать корпоративных клиентов

🚀 Хотите внедрить AI-автоматизацию в свой бизнес? Раисыч поможет настроить AI-агентов, чат-ботов и системы лидогенерации под ключ.

Заказать консультацию — raisovich.ru

Какие каналы привлечения заявок использовались в кейсе?

Компания использовала Яндекс Директ и Telegram Ads для привлечения трафика, а AI-агент обрабатывал заявки со всех каналов — сайта, Telegram и мессенджеров — обеспечивая мгновенный первый контакт вместо 14 часов ожидания.

Какой объём заявок обрабатывает AI-агент в месяц?

После внедрения AI-агент обрабатывал 148 квалифицированных лидов в месяц против 72 до внедрения — рост на 105%. При этом 100% «отложенных» лидов теперь обрабатываются автоматически, тогда как раньше 45% заявок терялись в CRM.

Какие компоненты входят в архитектуру AI-агента для лидогенерации?

Архитектура включает три компонента: Telegram AI-бот для приёма и первичной квалификации заявок, AI-агент квалификации на основе Hermes Agent и DeepSeek V4, и интеграцию с CRM (amoCRM) для автоматической записи лидов и назначения follow-up.

Часто задаваемые вопросы

Что даст эта статья?

Вы получите практические рекомендации и пошаговые инструкции, которые можно применить в своём бизнесе.

Сколько времени займёт внедрение?

Сроки зависят от сложности задачи. Обычно от 1 дня до 2 недель на первый результат.

Нужна ли техническая подготовка?

Большинство описанных решений не требуют глубоких технических знаний. Мы подбираем инструменты под уровень команды.

Что делать, если нужна помощь?

Свяжитесь с нами — мы проведём аудит, подберём решение и поможем с внедрением.

Почему IT-продуктам нужна отдельная GEO-стратегия

IT-продукты и AI-сервисы находятся в эпицентре изменений. AI-поисковики (ChatGPT Search, Perplexity, Яндекс Нейро, Google Gemini) обрабатывают запросы про технологии иначе, чем про товары или услуги. Они не просто ищут страницу — они формируют рекомендацию.

Специфика GEO для IT-продуктов:

| Аспект | Традиционное SEO | GEO для IT/AI-продуктов | |--------|------------------|------------------------| | Цель | Ранжирование страницы | Ответ AI-агента | | Формат контента | Ключевые слова, H2-H3 | FAQ, таблицы, авторитетные ссылки | | Критично | Плотность ключевых слов | Структура данных и схемы разметки | | Авторитетность | Backlinks | Цитирование в источниках (GitHub, Habr, docs) | | Частота обновлений | Раз в месяц | Еженедельно (AI предпочитает свежий контент) | | Влияние закона о суверенном ИИ | Косвенное | Прямое: маркировка, приоритет российских моделей |

Закон о суверенном ИИ меняет ландшафт: AI-поисковики будут отдавать приоритет российским AI-решениям и продуктам с корректной маркировкой. Это открывает окно возможностей для отечественных IT-компаний.

Как AI-поиск выбирает IT-продукт

Когда пользователь спрашивает «Какой AI-агент для поддержки клиентов лучший?» или «Сравнение тарифов AI-платформ 2026», AI-поисковик проходит 4 этапа:

1. Сбор контекста — поиск релевантных источников
2. Оценка авторитетности — приоритет официальной документации, кейсам с цифрами, рейтингам
3. Формирование ответа — синтез информации из 3–7 источников
4. Рекомендация — указание конкретного продукта с обоснованием

Ключевые источники, которые AI-поиск использует для IT-продуктов

| Источник | Вес в AI-поиске | Что нужно сделать | |----------|-----------------|-------------------| | Официальный сайт продукта | Высокий | Чёткая структура, FAQ, цены | | GitHub / GitLab | Высокий | README с описанием, документация | | Habr / VC.ru статьи | Средний | Кейсы внедрения, сравнения | | Блоги интеграторов | Средний | Кейсы с цифрами, скриншоты | | Документация (docs) | Средний | Полнота, актуальность | | Обзоры и рейтинги | Низкий | Объективность, свежесть |

Пошаговый план GEO-оптимизации для IT-продукта

Шаг 1: структурируйте контент для AI-поиска

AI-поисковики предпочитают формат «вопрос-ответ» и таблицы. Каждая страница продукта должна содержать:

• FAQ-блок (5–10 реальных вопросов пользователей)
• Таблицу сравнения с конкурентами
• Цены (даже если это «по запросу» — укажите вилку)
• Технические характеристики в структурированном виде

Пример правильной структуры:

## ❓ Часто задаваемые вопросы

**Какие задачи решает этот AI-агент?**
Ответ с конкретными сценариями.

**Сколько стоит внедрение?**
Вилка цен с учётом масштаба бизнеса.

**Как быстро окупается?**
Ссылка на кейс с цифрами.

Шаг 2: добавьте структурированные данные

Schema.org разметка для IT-продуктов:

• SoftwareApplication — для AI-сервисов и SaaS
• Product — для API-продуктов и платформ
• FAQPage — для блоков вопросов-ответов
• HowTo — для инструкций и руководств

Без разметки JSON-LD AI-поисковик не может гарантированно распарсить цены и характеристики вашего продукта.

Шаг 3: создайте контент «для ответов»

AI-поиск не просто ранжирует страницы — он выдёргивает фрагменты для ответа. Ваш контент должен быть написан так, чтобы отдельный абзац или таблица отвечали на конкретный вопрос пользователя.

Проверка: если ваш абзац можно вставить в ответ ChatGPT без правок — GEO-оптимизация работает.

Шаг 4: обновляйте контент еженедельно

Свежесть контента — критический фактор для AI-поиска. IT-сфера меняется быстро: сегодня вышла новая модель, завтра изменились цены. AI-поисковик предпочитает источники не старше 2–3 недель.

Рекомендуемый график:

| Тип контента | Частота обновления | |-------------|-------------------| | Цены и тарифы | Раз в 2 недели | | Кейсы внедрения | Еженедельно | | FAQ | Раз в месяц | | Сравнения | Раз в месяц | | Техническая документация | По изменениям |

Шаг 5: учитывайте требования закона о суверенном ИИ

С 1 сентября 2026 года все AI-сервисы, работающие в России, должны соответствовать требованиям закона о суверенном ИИ. Это влияет на GEO:

• Маркировка AI-контента — все сгенерированные материалы должны быть помечены
• Приоритет российских моделей — AI-поиск будет рекомендовать продукты, использующие YandexGPT, GigaChat и другие модели из реестра
• Прозрачность — AI-поисковики будут учитывать, указан ли разработчик и страна происхождения модели

Для GEO это означает: если ваш IT-продукт использует российские AI-модели и корректно маркирует контент — вы получаете преимущество в ранжировании.

Метрики GEO для IT-продуктов

Как измерять эффективность GEO-оптимизации:

| Метрика | Как замерить | Целевое значение | |---------|-------------|------------------| | Упоминания в AI-поиске | Perplexity Pages, ChatGPT Browse | Рост на 30% за месяц | | CTR из AI-поиска | Google Analytics 4 (source = ai-search) | > 5% | | Позиции по ключевым запросам | Парсинг ответов AI-поиска | Топ-3 по профильным запросам | | Трафик из ChatGPT Search | UTM-метки для AI-поисковиков | Рост на 50% за квартал | | Конверсия из AI-трафика | Сквозная аналитика | Не ниже органического трафика |

❓ Часто задаваемые вопросы

Чем GEO отличается от SEO для IT-продуктов? GEO оптимизирует контент не для ранжирования страниц в выдаче, а для прямого включения в ответ AI-поисковика. Разница в формате: таблицы, FAQ, структурированные данные имеют больший вес, чем ключевые слова и плотность вхождений.

Как закон о суверенном ИИ влияет на GEO? AI-поисковики будут отдавать приоритет российским AI-продуктам с корректной маркировкой контента. IT-компании, использующие отечественные модели (YandexGPT, GigaChat) и соблюдающие требования закона, получат преимущество в выдаче.

Сколько времени занимает GEO-оптимизация IT-продукта? Первые результаты видны через 3–4 недели: структурированные данные и FAQ-блоки индексируются быстрее, чем страницы со старым содержимым. Полный эффект — через 2–3 месяца регулярных обновлений.

Какие инструменты нужны для GEO? Достаточно Google Search Console (для отслеживания попаданий в AI-поиск), Schema.org-валидатора и регулярного парсинга ответов ChatGPT Search и Perplexity по профильным запросам.

📖 Читайте также

• GEO для SaaS и стартапов: как попасть в AI-поиск в 2026
• GEO-оптимизация контента для AI-поиска: полное руководство 2026
• GEO для B2B-компаний: как корпоративным сайтам попасть в AI-поиск

🚀 Хотите внедрить AI-автоматизацию в свой бизнес? Раисыч поможет настроить AI-агентов, чат-ботов и системы лидогенерации под ключ.

Заказать консультацию — raisovich.ru

Какие типы IT-продуктов получают наибольший эффект от GEO?

Наибольший эффект от GEO получают AI-сервисы, SaaS-платформы и IT-продукты с чёткой структурой данных, FAQ-блоками и таблицами сравнения — AI-поисковики обрабатывают их как источники для прямых рекомендаций.

Как часто нужно обновлять GEO-контент для IT-продуктов?

AI-поиск предпочитает свежий контент: рекомендуется обновлять цены и тарифы раз в 2 недели, кейсы внедрения — еженедельно, FAQ и сравнения — раз в месяц. Первые результаты GEO-оптимизации видны через 3-4 недели.

Какие форматы контента лучше всего работают для GEO IT-продуктов?

AI-поисковики отдают приоритет FAQ-блокам (5-10 реальных вопросов), таблицам сравнения с конкурентами, структурированным ценам и техническим характеристикам в формате Schema.org — эти элементы напрямую включаются в ответ AI.

Часто задаваемые вопросы

Что даст эта статья?

Вы получите практические рекомендации и пошаговые инструкции, которые можно применить в своём бизнесе.

Сколько времени займёт внедрение?

Сроки зависят от сложности задачи. Обычно от 1 дня до 2 недель на первый результат.

Нужна ли техническая подготовка?

Большинство описанных решений не требуют глубоких технических знаний. Мы подбираем инструменты под уровень команды.

Что делать, если нужна помощь?

Свяжитесь с нами — мы проведём аудит, подберём решение и поможем с внедрением.

Что входит в AI-автоматизацию обучения

Современная AI-система для корпоративного обучения включает несколько компонентов:

| Компонент | Функция | Влияние на стоимость | |-----------|---------|---------------------| | AI-тьютор | Персональные объяснения, ответы на вопросы | +20-40% | | Генерация контента | Создание курсов, тестов, кейсов | +30-50% | | Адаптивное обучение | Подбор траектории под каждого сотрудника | +25-35% | | Аналитика и отчёты | Прогресс, пробелы, рекомендации | +15-20% | | Интеграция с LMS | Подключение к существующим системам | +10-25% |

Тарифы платформ AI-обучения

1. AI-модули в существующих LMS (30 000 — 150 000 руб/мес)

Большинство LMS (Mirapolis, WebTutor, iSpring) добавили AI-функции:

| Платформа | Тариф с AI | Вместимость | AI-функции | |-----------|-----------|-------------|------------| | iSpring Learn + AI | 49 900 руб/мес | до 200 чел | AI-тьютор, генерация курсов | | Mirapolis LMS + AI | от 75 000 руб/мес | до 500 чел | Адаптивное обучение, аналитика | | WebTutor + AI-модуль | от 95 000 руб/мес | до 1 000 чел | AI-рекомендации, карьерные карты | | Skillbox для бизнеса + AI | 60 000 руб/мес | до 300 чел | AI-тьютор, готовый контент |

2. Отдельные AI-решения для обучения (100 000 — 500 000 руб)

| Решение | Тип | Стоимость | Для кого | |---------|-----|-----------|----------| | AI-тьютор на базе ChatGPT Pro | Подписка | $200/мес | Малый бизнес, до 50 чел | | YandexGPT + кастомный тьютор | Разработка | 200 000-400 000 руб | Средний бизнес | | GigaChat + LMS-интеграция | Подписка | 19 900-49 900 руб/мес | Средний бизнес | | Кастомный AI-агент обучения | Разработка + поддержка | 500 000-2 000 000 руб | Enterprise |

3. Enterprise-платформы (1 000 000 — 5 000 000 руб/год)

| Платформа | Стоимость | Охват | Особенности | |-----------|-----------|-------|-------------| | Корпоративный университет AI | 1,5-3 млн руб/год | до 5 000 чел | Полный цикл: онбординг, обучение, аттестация | | AI-платформа развития талантов | 2-5 млн руб/год | до 20 000 чел | Карьерные карты, AI-ментор, аналитика | | Кастомная система (под ключ) | 1-3 млн руб разово + 500 тыс/год | любое | Полная адаптация под бизнес-процессы |

Как рассчитать бюджет на AI-обучение

Формула расчёта

Годовой бюджет = 
  Платформа (или подписка × 12)
  + Разработка контента (курсы × стоимость курса)
  + Интеграция (единоразово)
  + Обучение HR-команды
  + Техподдержка

Примеры для разных компаний

Сценарий 1: Стартап, 30 сотрудников, бюджет ограничен

| Статья | Стоимость | |--------|-----------| | iSpring Learn + AI | 49 900 руб/мес | | 3 курса с AI-генерацией | 30 000 руб | | Интеграция | 10 000 руб | | Итого в год | ~638 800 руб | | В пересчёте на сотрудника | ~21 300 руб/год |

Сценарий 2: Средний бизнес, 500 сотрудников

| Статья | Стоимость | |--------|-----------| | Mirapolis LMS + AI | 75 000 руб/мес | | Кастомный AI-тьютор | 400 000 руб | | 20 курсов с AI | 200 000 руб | | Интеграция с CRM | 150 000 руб | | Итого в год | ~1 650 000 руб | | В пересчёте на сотрудника | ~3 300 руб/год |

Сценарий 3: Enterprise, 5 000 сотрудников

| Статья | Стоимость | |--------|-----------| | Корпоративный университет AI | 2 500 000 руб/год | | AI-аналитика и дашборды | 500 000 руб | | 100 курсов с AI-генерацией | 1 000 000 руб | | Интеграция с ERP и HR-системой | 500 000 руб | | Итого в год | ~4 500 000 руб | | В пересчёте на сотрудника | ~900 руб/год |

Окупаемость AI в обучении

Прямая экономия

| Статья экономии | Без AI | С AI | Экономия | |-----------------|--------|------|----------| | Разработка 1 курса | 7-14 дней | 2-4 часа | 70-80% времени | | Проверка тестов | 4 часа/день | 15 минут | 90% времени | | Индивидуальные консультации | 100% HR | 80% AI | 80% нагрузки | | Онбординг нового сотрудника | 2-4 недели | 3-5 дней | 60-70% времени |

Косвенная выгода

• Рост retention на 25-40% — сотрудники, проходящие обучение, реже увольняются
• Сокращение времени адаптации с 3 месяцев до 2-3 недель
• Повышение NPS обучения — 87% сотрудников отмечают, что AI-тьютор понятнее объясняет сложные темы

Тренд 2026: AI-тьютор заменяет тренера

По данным опроса МТС Линк, уже 55% HR-директоров считают AI-аналитику обязательным навыком. Компании, внедрившие AI-тьюторов, отмечают:

• Снижение затрат на обучение на 40-60%
• Рост скорости усвоения материала на 35%
• Возможность обучать удалённые команды без привлечения тренеров

Пример внедрения: Сеть розничных магазинов (1 200 сотрудников) внедрила AI-тьютора на базе YandexGPT для обучения продавцов. Результат: затраты на обучение снизились с 3 000 руб/чел до 800 руб/чел, время онбординга сократилось с 14 до 4 дней.

❓ Часто задаваемые вопросы

Сколько стоит AI-тьютор для обучения сотрудников? От 30 000 руб/мес для малого бизнеса (iSpring Learn + AI) до 500 000 руб/год для среднего. Enterprise-решения с кастомным AI-тьютором — от 1,5 млн руб/год.

Можно ли использовать ChatGPT для обучения команды? Да, ChatGPT Pro ($200/мес) подходит для малых команд до 50 человек. Однако для корпоративных нужд лучше использовать специализированные решения с интеграцией в LMS и контролем доступа.

Какие российские платформы AI-обучения существуют? iSpring Learn с AI-модулем, Mirapolis LMS с адаптивным обучением, WebTutor с AI-рекомендациями. Также можно заказать кастомное решение на базе YandexGPT или GigaChat.

Как быстро окупается AI в обучении? В среднем 3-6 месяцев. Основные источники экономии: сокращение времени разработки курсов (на 70-80%), автоматизация проверки знаний, снижение нагрузки на HR-отдел.

📖 Читайте также

• Сравнение тарифов AI-платформ для бизнеса: ChatGPT Pro, YandexGPT, GigaChat
• Сколько стоит внедрение AI-агента: разбор бюджета
• 87% российских компаний применяют ИИ в корпоративном обучении — разбор

🚀 Хотите внедрить AI-автоматизацию в свой бизнес? Раисыч поможет настроить AI-агентов, чат-ботов и системы лидогенерации под ключ.

Заказать консультацию — raisovich.ru

Какие компании уже внедрили AI-обучение и какие получили результаты?

Сеть розничных магазинов (1 200 сотрудников) внедрила AI-тьютора на базе YandexGPT — затраты на обучение снизились с 3 000 до 800 руб/чел, время онбординга сократилось с 14 до 4 дней. 87% компаний из опроса МТС Линк уже используют AI в обучении.

Какой минимальный бюджет нужен для старта AI-обучения в компании?

Для малого бизнеса достаточно 30 000–50 000 руб/мес — это подписка на iSpring Learn + AI или AI-модуль в существующей LMS. Для стартапа с 30 сотрудниками годовой бюджет составит около 640 000 руб или 21 000 руб на сотрудника.

Сколько сотрудников нужно, чтобы AI-обучение окупилось быстрее?

AI-обучение окупается за 3–6 месяцев при штате от 30 сотрудников. Основная экономия — сокращение времени разработки курсов на 70–80% и снижение нагрузки на HR-отдел. Компании с 500+ сотрудниками выходят на окупаемость ещё быстрее за счёт эффекта масштаба.

Часто задаваемые вопросы

Что даст эта статья?

Вы получите практические рекомендации и пошаговые инструкции, которые можно применить в своём бизнесе.

Сколько времени займёт внедрение?

Сроки зависят от сложности задачи. Обычно от 1 дня до 2 недель на первый результат.

Нужна ли техническая подготовка?

Большинство описанных решений не требуют глубоких технических знаний. Мы подбираем инструменты под уровень команды.

Что делать, если нужна помощь?

Свяжитесь с нами — мы проведём аудит, подберём решение и поможем с внедрением.

От чего зависит стоимость AI-агента

Цена внедрения складывается из пяти ключевых факторов:

| Фактор | Влияние на стоимость | Диапазон | |--------|---------------------|----------| | Сложность сценариев | Чем больше ветвлений, тем дороже | +30-80% | | Количество интеграций | CRM, ERP, Telegram, сайт, 1С | +50-200% | | Объём данных | От 100 до 100 000+ документов | +20-100% | | Брендирование и кастомизация | Внешний вид, тон, голос | +10-30% | | Техподдержка и доработки | Ежемесячное обслуживание | +10-50% в месяц |

Бюджеты на AI-агентов: от простого к сложному

1. Базовый AI-агент поддержки — 50 000 — 150 000 руб

Что входит:

• Чат-бот на базе GPT-4o mini или YandexGPT
• 1 сценарий (FAQ + поддержка)
• Интеграция с Telegram или сайтом
• До 1 000 документов в базе знаний

Для кого: ИП, микробизнес, интернет-магазины до 50 заказов/день

Сроки: 5-10 рабочих дней

Окупаемость: 1-2 месяца (замена 1 оператора поддержки с зарплатой 40-60 тыс. руб/мес)

2. Стандартный AI-агент продаж — 200 000 — 500 000 руб

Что входит:

• AI-агент на GPT-5.6 Sol или YandexGPT Pro
• 3-5 сценариев (приветствие, квалификация, возражения, закрытие)
• Интеграция с CRM (Битрикс24, AmoCRM)
• База знаний до 10 000 документов
• Аналитика и дашборд

Для кого: Малый бизнес, отделы продаж 3-10 человек

Сроки: 2-4 недели

Окупаемость: 2-4 месяца (рост конверсии на 25-40%, замещение 2-3 менеджеров)

3. Продвинутый AI-агент с мультиагентной архитектурой — 500 000 — 2 000 000 руб

Что входит:

• Несколько AI-агентов (поддержка, продажи, маркетинг, аналитика)
• Programmatic Tool Calling (GPT-5.6 Sol) или LangGraph
• Интеграция с CRM, ERP, телефонией, email
• База знаний до 100 000 документов
• Кастомная аналитика, A/B-тестирование сценариев
• Обучение на исторических данных

Для кого: Средний бизнес, отделы 10-50 человек

Сроки: 1-2 месяца

Окупаемость: 4-8 месяцев (снижение нагрузки на поддержку на 60-80%, рост продаж на 30-50%)

4. Enterprise-платформа AI-агентов — 2 000 000 — 5 000 000+ руб

Что входит:

• Полноценная платформа AI-агентов с оркестратором
• 10+ AI-агентов с разными ролями
• Кастомные модели (fine-tuning на данных компании)
• Интеграция со всей IT-инфраструктурой
• SLA 99,9%, выделенные ресурсы
• Compliance и безопасность (152-ФЗ, GDPR)

Для кого: Крупный бизнес, enterprise с оборотом от 500 млн руб/год

Сроки: 2-4 месяца

Окупаемость: 6-12 месяцев (экономия на ФОТ 20-50 сотрудников, рост эффективности)

Сравнение подходов к внедрению

| Параметр | Готовый бот | No-code конструктор | Кастомная разработка | |----------|------------|-------------------|---------------------| | Стоимость | 50-150 тыс. руб | 150-500 тыс. руб | 500 тыс. - 5 млн руб | | Скорость | 1-2 недели | 2-4 недели | 1-4 месяца | | Гибкость | Низкая | Средняя | Максимальная | | Интеграции | 2-3 | 5-10 | Любые | | Масштабирование | Ограниченное | Хорошее | Полное |

Структура бюджета на AI-агента (на примере среднего проекта)

Разберём бюджет на внедрение AI-агента для отдела поддержки компании с 10 операторами (бюджет — 500 000 руб):

| Статья расходов | Стоимость | Доля | |-----------------|-----------|------| | Разработка архитектуры и сценариев | 150 000 руб | 30% | | Настройка интеграций (CRM + Telegram + сайт) | 100 000 руб | 20% | | Сбор и структурирование базы знаний | 80 000 руб | 16% | | Обучение и тестирование AI-агента | 70 000 руб | 14% | | Интерфейс, отчёты, дашборд | 50 000 руб | 10% | | Техподдержка на месяц | 50 000 руб | 10% |

Итого: 500 000 руб единоразово + 50 000 руб/мес поддержка

Окупаемость: реальные расчёты

Сценарий: отдел поддержки из 10 операторов со средней зарплатой 60 000 руб/мес

• ФОТ отдела: 600 000 руб/мес (с налогами ~800 000 руб/мес)
• AI-агент обрабатывает 60% запросов без участия человека
• После внедрения: 4 оператора вместо 10
• ФОТ после: 320 000 руб/мес
• Стоимость внедрения: 500 000 руб + 50 000 руб/мес поддержка
• Окупаемость: 1 месяц

Сценарий: отдел продаж из 5 менеджеров

• Средняя зарплата: 80 000 руб/мес + проценты
• AI-агент квалифицирует лиды + скрипты продаж
• Рост конверсии: 35%
• Дополнительная выручка: 500 000 руб/мес (при среднем чеке 50 000 руб)
• Окупаемость AI-агента продаж: 1-2 месяца

❓ Часто задаваемые вопросы

Можно ли внедрить AI-агента за 50 000 рублей? Да, для базового сценария — чат-бот поддержки с готовыми ответами и интеграцией Telegram. Такой агент закроет 40-50% типовых вопросов. Для более сложных сценариев бюджет начинается от 200 000 рублей.

Какой ROI даёт AI-агент для бизнеса? По данным 2026 года, ROI AI-агента поддержки составляет 200-400% за первый год, AI-агента продаж — 300-600%. Основные источники экономии: сокращение ФОТ, рост конверсии, снижение времени обработки запроса.

Какие ежемесячные расходы после внедрения? Техподдержка и доработки: 10-20% от стоимости внедрения в месяц. API-расходы: 5 000-50 000 руб/мес в зависимости от объёмов. Хостинг: 2 000-20 000 руб/мес.

Сколько времени занимает полное внедрение? Базовый AI-агент — 1-2 недели. Стандартный — 2-4 недели. Enterprise-решение — 2-4 месяца. Время зависит от количества интеграций и сложности сценариев.

📖 Читайте также

• Сравнение тарифов AI-платформ для бизнеса: ChatGPT Pro, YandexGPT, GigaChat
• Бюджет на AI-автоматизацию обучения: 87% компаний уже платят
• AI-агенты для малого бизнеса: с чего начать в 2026

🚀 Хотите внедрить AI-автоматизацию в свой бизнес? Раисыч поможет настроить AI-агентов, чат-ботов и системы лидогенерации под ключ.

Заказать консультацию — raisovich.ru

Какой этап внедрения AI-агента самый затратный?

Разработка архитектуры и сценариев — самый дорогой этап, составляющий 30% бюджета (150 000 руб в среднем проекте). На втором месте — настройка интеграций с CRM, Telegram и сайтом (20% бюджета). Сбор и структурирование базы знаний занимает 16%, а обучение и тестирование AI-агента — 14%.

Что дешевле: готовый чат-бот или кастомная разработка AI-агента?

Готовый бот стоит 50 000–150 000 руб и внедряется за 1–2 недели, но даёт ограниченную гибкость. Кастомная разработка обходится в 500 000–5 000 000 руб и занимает 1–4 месяца, но обеспечивает полную интеграцию с бизнес-процессами. Для большинства中小 бизнесов оптимален no-code конструктор за 150 000–500 000 руб.

Какой бюджет нужен малому бизнесу для внедрения AI-агента поддержки?

Малому бизнесу достаточно 50 000–150 000 руб для базового AI-агента поддержки: чат-бот на GPT-4o mini или YandexGPT, интеграция с Telegram или сайтом, база знаний до 1 000 документов. Окупаемость — 1–2 месяца за счёт замены одного оператора с зарплатой 40 000–60 000 руб/мес.

Часто задаваемые вопросы

Что даст эта статья?

Вы получите практические рекомендации и пошаговые инструкции, которые можно применить в своём бизнесе.

Сколько времени займёт внедрение?

Сроки зависят от сложности задачи. Обычно от 1 дня до 2 недель на первый результат.

Нужна ли техническая подготовка?

Большинство описанных решений не требуют глубоких технических знаний. Мы подбираем инструменты под уровень команды.

Что делать, если нужна помощь?

Свяжитесь с нами — мы проведём аудит, подберём решение и поможем с внедрением.

Тарифы ChatGPT Pro в 2026 году

OpenAI сохраняет долларовые тарифы, доступные через прямую подписку или API. Для российского бизнеса оплата возможна через посредников.

| Тариф | Цена | Лимиты | Особенности | |-------|------|--------|-------------| | ChatGPT Free | $0 | GPT-4o mini, 50 сообщений/день | Для ознакомления | | ChatGPT Plus | $20/мес | GPT-4o, GPT-5.6 Sol, 80 сообщений/3ч | Базовый для физлиц | | ChatGPT Pro | $200/мес | GPT-5.6 Sol, GPT-Live-1, безлимит | Для профессионалов | | Team | $25/чел/мес | Общее рабочее пространство, больше контекста | Для команд до 10 чел | | Enterprise | Индивидуально | Полный API-доступ, SLA, безопасность | Для крупного бизнеса |

Ключевое изменение 2026 года: GPT-5.6 Sol с Programmatic Tool Calling снижает потребление токенов на 63,5% — это напрямую уменьшает стоимость API-запросов для бизнеса.

Тарифы YandexGPT для бизнеса

Yandex Cloud предлагает YandexGPT как часть экосистемы с гибкими тарифами. Оплата в рублях — существенное преимущество для российского бизнеса.

| Тариф | Цена | Входит | Особенности | |-------|------|--------|-------------| | Pay-as-you-go | От 0,0015 руб/токен | Базовые модели YandexGPT | Только за использование | | Стартовый | 900 руб/мес | 100 000 токенов, 3 модели | Для малого бизнеса | | Бизнес | 9 900 руб/мес | 1 млн токенов, 10 моделей | Для среднего бизнеса | | Корпоративный | 49 900 руб/мес | 10 млн токенов, все модели, YandexGPT Pro | Для крупных компаний | | Enterprise | 299 900 руб/мес | Безлимит, выделенные ресурсы, SLA 99,9% | Для enterprise |

Важно: YandGPT работает в контуре Yandex Cloud — данные не покидают РФ, что критично для компаний с требованиями к локализации данных.

Тарифы GigaChat от Сбера

GigaChat от Сбера — единственная AI-платформа с бесплатным тарифом для бизнеса и интеграцией с экосистемой Сбера.

| Тариф | Цена | Лимиты | Особенности | |-------|------|--------|-------------| | Бесплатный | 0 руб | 100 запросов/день, GigaChat Lite | Для тестирования | | Базовый | 4 990 руб/мес | 5 000 запросов, GigaChat Pro | Для ИП и малого бизнеса | | Расширенный | 19 900 руб/мес | 25 000 запросов, GigaChat Max | Для среднего бизнеса | | Бизнес | 49 900 руб/мес | 100 000 запросов, все модели | Для крупных проектов | | Корпоративный | 149 900 руб/мес | Безлимит, выделенные мощности | Для enterprise |

Плюс GigaChat: интеграция с СберБизнес, эквайрингом, CRM и другими сервисами экосистемы Сбера — единая платформа для бизнеса.

Сравнение тарифов: что выбрать бизнесу

Для микробизнеса и ИП (до 500 000 руб/мес)

• YandexGPT Стартовый (900 руб/мес) — оптимально
• GigaChat Базовый (4 990 руб/мес) — если нужен русскоязычный AI
• ChatGPT Plus с посредником — от 2 500 руб/мес с учётом комиссии

Для малого бизнеса (500 000 — 5 млн руб/мес)

• YandexGPT Бизнес (9 900 руб/мес) — лучший баланс цены и возможностей
• GigaChat Расширенный (19 900 руб/мес) — если в экосистеме Сбера
• ChatGPT Pro через посредника — от 18 000 руб/мес

Для среднего бизнеса (5 — 50 млн руб/мес)

• YandexGPT Корпоративный (49 900 руб/мес) — оптимально для РФ
• GigaChat Бизнес (49 900 руб/мес) — для интеграции с продуктами Сбера
• ChatGPT Enterprise — индивидуально, от $100–200/чел

Для крупного бизнеса (от 50 млн руб/мес)

• YandexGPT Enterprise (299 900 руб/мес) — локализация данных
• GigaChat Корпоративный (149 900 руб/мес) — выгоднее при больших объёмах
• ChatGPT Enterprise — для глобальных операций

Скрытые расходы AI-платформ

Помимо подписки, учитывайте дополнительные расходы:

| Статья расходов | ChatGPT | YandexGPT | GigaChat | |-----------------|---------|-----------|----------| | API-доступ | Включён в Pro/Enterprise | Отдельно по токенам | Включён в тариф | | Хранение данных | +$0,03/ГБ/мес | Включено до 50 ГБ | Включено до 100 ГБ | | Техподдержка | Basic включена, Premium +50% | Включена в корпоративные | Включена во все платные | | Обучение модели | Только Enterprise | Индивидуально | Индивидуально | | Интеграция с CRM | Через API | Через Yandex Cloud | Через Сбер API |

Как рассчитать реальную стоимость AI для бизнеса

Формула расчёта TCO (Total Cost of Ownership) для AI-платформы:

TCO = Подписка + API-запросы × Объём + Интеграция + Обучение + Техподдержка

Пример для компании с 10 сотрудниками, 50 000 запросов/мес:

• YandexGPT Бизнес: 9 900 руб/мес + 0 руб (включено 1 млн токенов) = 9 900 руб/мес
• GigaChat Расширенный: 19 900 руб/мес + 0 руб (включено 25 000 запросов) = 19 900 руб/мес (с доплатой за превышение)
• ChatGPT Team: 10 × $25 = $250/мес ≈ 22 000 руб/мес + комиссия посредника 15-20%

Вывод: для российского бизнеса YandexGPT — самый выгодный вариант при объёмах до 1 млн токенов/мес. GigaChat выгоднее при больших объёмах и интеграции с экосистемой Сбера.

❓ Часто задаваемые вопросы

Какой тариф ChatGPT самый выгодный для бизнеса? Для команд до 10 человек — Team ($25/чел/мес). Для профессионалов — Pro ($200/мес) с безлимитом на GPT-5.6 Sol. Для крупного бизнеса — Enterprise с индивидуальными условиями и SLA.

Можно ли использовать YandexGPT бесплатно? Да, Yandex Cloud предоставляет тестовый грант 4 000 руб на 60 дней для новых пользователей. Pay-as-you-go тариф не требует ежемесячной платы — вы платите только за использованные токены.

GigaChat или YandexGPT — что дешевле? Для малого бизнеса YandexGPT выгоднее (900 руб/мес против 4 990 руб/мес у GigaChat). Для среднего и крупного — GigaChat часто оказывается дешевле благодаря безлимитным тарифам от 149 900 руб/мес против 299 900 руб/мес у YandexGPT Enterprise.

Какие AI-платформы работают без VPN в России? YandexGPT и GigaChat работают напрямую без VPN. ChatGPT требует использования посредников или VPN для оплаты и доступа к API. С 2026 года российские платформы активно замещают зарубежные в корпоративном секторе.

📖 Читайте также

• Сколько реально стоит внедрение AI-агента: разбор бюджета
• Бюджет на AI-автоматизацию обучения: 87% компаний уже платят
• 5 фреймворков для AI-агентов в 2026: что выбрать бизнесу

🚀 Хотите внедрить AI-автоматизацию в свой бизнес? Раисыч поможет настроить AI-агентов, чат-ботов и системы лидогенерации под ключ.

Заказать консультацию — raisovich.ru

Какой тариф AI-платформы выбрать для стартапа с минимальным бюджетом?

Для стартапа с бюджетом до 5 000 руб/мес оптимален YandexGPT Стартовый за 900 руб/мес — он включает 100 000 токенов и 3 модели. Альтернатива — бесплатный тариф GigaChat (100 запросов/день) для тестирования. ChatGPT через посредника обойдётся минимум в 2 500 руб/мес.

Какие скрытые расходы есть у ChatGPT, YandexGPT и GigaChat кроме подписки?

У ChatGPT — хранение данных ($0,03/ГБ/мес) и комиссия посредника 15–20% для российских пользователей. У YandexGPT — оплата API-запросов сверх лимита (от 0,0015 руб/токен). У GigaChat — доплата за превышение лимита запросов на тарифе Расширенный. Интеграция с CRM и обучение модели оплачиваются отдельно у всех платформ.

Что выгоднее для российского бизнеса: YandexGPT или GigaChat при больших объёмах?

При объёмах до 1 млн токенов/мес выгоднее YandexGPT (9 900 руб/мес против 19 900 руб/мес у GigaChat). При больших объёмах GigaChat выгоднее: корпоративный тариф 149 900 руб/мес против 299 900 руб/мес у YandexGPT Enterprise. Если бизнес уже использует экосистему Сбера, GigaChat предпочтительнее.

Часто задаваемые вопросы

Что даст эта статья?

Вы получите практические рекомендации и пошаговые инструкции, которые можно применить в своём бизнесе.

Сколько времени займёт внедрение?

Сроки зависят от сложности задачи. Обычно от 1 дня до 2 недель на первый результат.

Нужна ли техническая подготовка?

Большинство описанных решений не требуют глубоких технических знаний. Мы подбираем инструменты под уровень команды.

Что делать, если нужна помощь?

Свяжитесь с нами — мы проведём аудит, подберём решение и поможем с внедрением.

Как устроен стек AI-агентов в 2026

Прежде чем сравнивать фреймворки, важно понимать архитектуру, на которой они работают. Современный стек AI-агентов состоит из шести слоёв:

1. LLM-слой — базовая модель (GPT-5.6 Sol, Claude 4, YandexGPT 5)
2. Tool Calling — механизм вызова инструментов (Function Calling или PTC)
3. Фреймворк агентов — оркестрация, память, планирование
4. Инфраструктура — хостинг, лонграннинг, векторные БД
5. Интеграции — API бизнес-систем (CRM, ERP, 1С)
6. UI-слой — интерфейс пользователя (Telegram, веб-чат, голос)

Фреймворк — это слой №3, который связывает LLM с инструментами и бизнес-логикой.

Сравнительная таблица фреймворков

| Фреймворк | Разработчик | Архитектура | Гибкость | Сложность | Когда выбирать | |---|---|---|---|---|---| | LangGraph | LangChain | Граф состояний (StateGraph) | Высокая | Средняя | Сложные цепочки с условной логикой, продакшен | | CrewAI | CrewAI Inc. | Мультиагентная (Role-based) | Средняя | Низкая | Прототипы, небольшие команды агентов | | AutoGen | Microsoft Research | Мультиагентная (Conversation-based) | Высокая | Высокая | Enterprise-системы, исследовательские проекты | | Semantic Kernel | Microsoft | AI-оркестратор (Plugin-based) | Средняя | Средняя | Интеграция с экосистемой Microsoft 365 | | Dify | Dify Inc. | Low-code / Visual | Низкая | Очень низкая | Прототипы, MVP, не-программисты |

LangGraph — выбор для продакшен-систем

LangGraph остаётся самым популярным фреймворком для enterprise-автоматизации. Его ключевая особенность — граф состояний (StateGraph), который позволяет описывать сложные сценарии с ветвлениями, циклами и параллельными задачами.

from langgraph.graph import StateGraph, END
from typing import TypedDict, List

# Определяем состояние графа
class AgentState(TypedDict):
    query: str
    plan: List[str]
    current_step: int
    result: str

# Строим граф
builder = StateGraph(AgentState)
builder.add_node("analyst", analyze_query)
builder.add_node("planner", create_plan)
builder.add_node("executor", execute_step)
builder.add_node("summarizer", summarize_results)

# Условные переходы
builder.add_conditional_edges(
    "executor",
    lambda state: "summarizer" if state.current_step >= len(state.plan) else "planner"
)

Когда выбирать LangGraph:

• Сложные бизнес-процессы с условной логикой (одобрение кредитов, согласование договоров)
• Требуется полный контроль над состоянием и историей шагов
• Продакшен-нагрузка (1000+ запросов в час)

CrewAI — быстрое прототипирование мультиагентных систем

CrewAI построен на концепции «команды агентов»: каждый агент имеет роль, цель и набор инструментов. Это самый простой способ запустить мультиагентную систему.

from crewai import Agent, Task, Crew

# Определяем агентов
analyst = Agent(
    role="Аналитик рынка",
    goal="Собрать и проанализировать данные о конкурентах",
    tools=[search_tool, web_scraper],
    llm="gpt-5.6-sol"
)

writer = Agent(
    role="Копирайтер",
    goal="Написать отчёт на основе анализа",
    tools=[],  # writer работает с текстом
    llm="gpt-5.6-sol"
)

# Создаём задачи
task1 = Task(
    description="Собери данные о 5 конкурентах в нише",
    agent=analyst,
    expected_output="Структурированные данные по каждому конкуренту"
)

task2 = Task(
    description="Напиши аналитический отчёт на 3 страницы",
    agent=writer,
    expected_output="PDF-отчёт с выводами и рекомендациями"
)

# Запускаем
crew = Crew(agents=[analyst, writer], tasks=[task1, task2])
result = crew.kickoff()

Когда выбирать CrewAI:

• MVP и прототипы мультиагентных систем
• Генерация контента, маркетинговые исследования
• Когда нужен быстрый запуск «из коробки»

AutoGen — максимальная гибкость для enterprise

AutoGen от Microsoft Research — самый мощный, но и самый сложный фреймворк. Его архитектура основана на асинхронном обмене сообщениями между агентами.

import autogen

# Настраиваем агентов
config_list = [{"model": "gpt-5.6-sol", "api_key": "sk-..."}]

user_proxy = autogen.UserProxyAgent(
    name="User",
    human_input_mode="NEVER",
    code_execution_config={"work_dir": "coding"}
)

assistant = autogen.AssistantAgent(
    name="Assistant",
    llm_config={"config_list": config_list},
    system_message="Ты — AI-агент для анализа данных."
)

# Запускаем диалог агентов
result = user_proxy.initiate_chat(
    assistant,
    message="Проанализируй данные продаж за последний квартал и найди аномалии"
)

Ключевое преимущество AutoGen перед другими фреймворками — встроенная поддержка Programmatic Tool Calling (PTC) GPT-5.6 Sol. Агенты AutoGen могут автоматически генерировать, выполнять и отлаживать код друг для друга.

Когда выбирать AutoGen:

• Исследовательские проекты и POC
• Системы, требующие code generation внутри агентов
• Масштабируемые enterprise-решения (тысячи агентов)

Semantic Kernel — для экосистемы Microsoft 365

Semantic Kernel — это фреймворк от Microsoft, который глубоко интегрирован с Azure, Microsoft 365 и Copilot Stack. Его особенность — плагинная архитектура (Plugin-based), где каждый навык оформляется как плагин.

Когда выбирать Semantic Kernel:

• Ваша инфраструктура на Azure / Microsoft 365
• Нужна интеграция с Teams, SharePoint, Outlook
• Требуется корпоративная безопасность (Azure AD, RBAC)

Dify — low-code для бизнес-пользователей

Dify — это open-source low-code платформа для создания AI-приложений. Подходит для команд без глубокой инженерной экспертизы.

Когда выбирать Dify:

• Быстрое создание MVP без программирования
• Чат-боты с RAG (база знаний)
• Нет команды разработчиков (или они перегружены)

Рекомендации: что выбрать под свою задачу

| Тип задачи | Фреймворк | Почему | |---|---|---| | Простой чат-бот с базой знаний | Dify | Low-code, RAG из коробки | | Обработка заказов в e-commerce | LangGraph | Граф состояний, чёткий контроль | | Генерация контента (статьи, отчёты) | CrewAI | Ролевая модель, быстро | | Сложная мультиагентная система | AutoGen | PTC, масштабирование, гибкость | | Интеграция с Microsoft 365 | Semantic Kernel | Плагины, Azure, Copilot | | Анализ конкурентов (разовый) | CrewAI | Быстрый запуск, без лишней сложности | | Автоматизация документооборота | LangGraph | Граф, условные переходы, аудит |

❓ Часто задаваемые вопросы

Какой фреймворк лучше всего работает с GPT-5.6 Sol PTC? AutoGen имеет встроенную поддержку Programmatic Tool Calling — агенту не нужно выходить во внешний раннер. LangGraph также поддерживает PTC через интеграцию с OpenAI SDK, но требует дополнительной настройки.

Можно ли комбинировать несколько фреймворков в одном проекте? Да, на практике часто используется гибридный подход: LangGraph для основного бизнес-процесса, CrewAI для генерации контента внутри графа, AutoGen для исследовательских задач.

Какой фреймворк дешевле в эксплуатации? CrewAI и Dify потребляют меньше токенов за счёт упрощённой архитектуры. LangGraph и AutoGen дают больше контроля, но требуют больше вызовов LLM. В среднем LangGraph на 15–20% дороже CrewAI при одинаковой нагрузке.

Есть ли российские аналоги этих фреймворков? Да, набирают популярность RoboGPT (аналог LangGraph с поддержкой YandexGPT) и GigaChain (адаптация LangChain под Сбера и GigaChat). Они совместимы с законом о суверенном ИИ от 1 сентября 2026.

Что выбрать для стартапа с ограниченным бюджетом? Начните с CrewAI — он самый простой для прототипирования. Когда появится потребность в сложной логике — мигрируйте на LangGraph. AutoGen оставьте для этапа масштабирования.

📖 Читайте также

• 6 слоёв стека AI-агентов: архитектура enterprise-решений 2026
• 15 лучших платформ для создания AI-агентов в 2026
• Programmatic Tool Calling vs Function Calling: что выбрать в GPT-5.6 Sol

🚀 Хотите внедрить AI-автоматизацию в свой бизнес? Раисыч поможет настроить AI-агентов, чат-ботов и системы лидогенерации под ключ.

Заказать консультацию — raisovich.ru

Какой фреймворк подходит для автоматизации документооборота?

LangGraph — лучший выбор благодаря графу состояний с условными переходами и возможностью аудита каждого шага процесса.

Какой фреймворк выбрать для e-commerce?

LangGraph подходит для сложных цепочек заказов, а Dify — для быстрого запуска чат-бота с базой знаний товаров.

Часто задаваемые вопросы

Что даст эта статья?

Вы получите практические рекомендации и пошаговые инструкции, которые можно применить в своём бизнесе.

Сколько времени займёт внедрение?

Сроки зависят от сложности задачи. Обычно от 1 дня до 2 недель на первый результат.

Нужна ли техническая подготовка?

Большинство описанных решений не требуют глубоких технических знаний. Мы подбираем инструменты под уровень команды.

Что делать, если нужна помощь?

Свяжитесь с нами — мы проведём аудит, подберём решение и поможем с внедрением.

Как работает Function Calling (GPT-4o и более ранние версии)

Function Calling — это механизм, при котором модель определяет, какую функцию нужно вызвать, и возвращает JSON с параметрами вызова. Разработчик сам реализует логику вызова, обработки ответа и маршрутизации.

# Function Calling: модель выбирает, какую функцию вызвать
response = openai.chat.completions.create(
    model="gpt-4o",
    tools=[{
        "type": "function",
        "function": {
            "name": "get_weather",
            "parameters": {
                "type": "object",
                "properties": {
                    "location": {"type": "string"},
                    "unit": {"type": "string", "enum": ["celsius", "fahrenheit"]}
                }
            }
        }
    }],
    messages=[{"role": "user", "content": "Какая погода в Москве?"}]
)

# Разработчик получает JSON и сам вызывает функцию
tool_call = response.choices[0].message.tool_calls[0]
result = get_weather(**json.loads(tool_call.function.arguments))

Проблема: если нужно выполнить цепочку из 5–10 вызовов с условной логикой, разработчику приходится писать собственный раннер-оркестратор. Каждый вызов — отдельный round-trip к API, а логика ветвления остаётся на стороне приложения.

Как работает Programmatic Tool Calling (GPT-5.6 Sol)

PTC в GPT-5.6 Sol генерирует исполняемый код (Python или псевдокод), который сразу содержит всю логику оркестрации:

# GPT-5.6 Sol генерирует код для выполнения цепочки операций
response = openai.chat.completions.create(
    model="gpt-5.6-sol",
    tools=[...],  # те же функции
    messages=[{
        "role": "user",
        "content": "Найди отели в Париже на 3 дня, сравни цены, выбери лучший вариант и отправь бронь на почту"
    }],
    # Включаем режим PTC
    tool_choice="programmatic"
)

# Модель возвращает не JSON, а исполняемый код
# response содержит programmatic_tool_call.code

Модель возвращает не список JSON-объектов, а полноценный код:

# Код, сгенерированный GPT-5.6 Sol
def execute_booking_pipeline():
    # Шаг 1: Поиск отелей
    hotels = search_hotels(city="Paris", check_in="2026-08-01", check_out="2026-08-04")
    
    # Шаг 2: Сортировка по цене
    hotels.sort(key=lambda h: h["price_per_night"])
    best = hotels[0]
    
    # Шаг 3: Проверка отзывов — только если рейтинг ниже 4.0
    if best["rating"] < 4.0:
        best = hotels[1]  # Берём следующий
    
    # Шаг 4: Бронирование
    booking = create_booking(hotel_id=best["id"], 
                             dates=["2026-08-01", "2026-08-04"])
    
    # Шаг 5: Отправка подтверждения
    send_email(to="user@example.com", 
               subject=f"Бронь {booking['id']} подтверждена",
               body=f"Отель: {best['name']}, сумма: {booking['total']}")
    
    return booking

Сравнение: PTC vs Function Calling

| Параметр | Function Calling | Programmatic Tool Calling (PTC) | |---|---|---| | Формат ответа | JSON с параметрами функции | Исполняемый код | | Оркестрация | Внешняя (код разработчика) | Внутренняя (код модели) | | Цепочки вызовов | Требуют round-trip на каждый шаг | Один вызов на всю цепочку | | Условная логика | На стороне приложения | В коде модели | | Потребление токенов | Высокое (повторные вызовы) | На 63,5% ниже | | Обработка ошибок | Ручная | Автоматическая (try/catch) | | Поддержка циклов | Нет (только последовательные вызовы) | Да (for, while) |

Как переписать агента с Function Calling на PTC

Шаг 1: Обновить модель

# Было
model="gpt-4o"
# Стало
model="gpt-5.6-sol"

Шаг 2: Включить режим PTC

response = openai.chat.completions.create(
    model="gpt-5.6-sol",
    messages=[...],
    tools=tools,
    # Включаем PTC
    tool_choice="programmatic"
)

Шаг 3: Выполнить сгенерированный код

GPT-5.6 Sol возвращает код в поле programmatic_tool_call. Выполнить его можно через exec() или специализированную песочницу:

# Получаем код от модели
ptc_code = response.choices[0].message.programmatic_tool_call.code

# Определяем контекст с доступными функциями
context = {
    "search_hotels": search_hotels,
    "create_booking": create_booking,
    "send_email": send_email,
    "json": json,
    "datetime": datetime
}

# Выполняем
exec(ptc_code, context)
result = context.get("booking")

Когда использовать PTC, а когда оставаться на Function Calling

| Сценарий | Рекомендация | |---|---| | Одиночный вызов функции (проверить погоду, перевести текст) | Function Calling — проще | | Цепочка из 2–3 последовательных вызовов | Function Calling — достаточно | | Сложная бизнес-логика с условиями и циклами | PTC — обязателен | | Оркестрация AI-агентов (Multi-Agent) | PTC — единственный вариант | | Обработка данных с ETL-конвейерами | PTC — значительно эффективнее | | Критичная безопасность (песочница недоступна) | Function Calling — безопаснее |

Практический пример: агент обработки заказов

Сравним, как выглядит реализация агента для обработки возвратов на Function Calling и PTC.

Function Calling (6 round-trip к API, ~850 токенов):

Вызов 1: get_order("ORD-12345") → вернул данные заказа
Вызов 2: check_return_policy(order) → политика допускает возврат
Вызов 3: get_customer(customer_id) → данные клиента
Вызов 4: calculate_refund(order) → сумма возврата
Вызов 5: process_refund(order, amount) → успешно
Вызов 6: send_notification(customer, refund) → уведомление

PTC (1 вызов, ~310 токенов):

def handle_return(order_id="ORD-12345"):
    order = get_order(order_id)
    if not check_return_policy(order):
        return {"error": "Возврат невозможен"}
    
    customer = get_customer(order["customer_id"])
    refund = calculate_refund(order)
    result = process_refund(order, refund["amount"])
    send_notification(customer["email"], f"Возврат {refund['amount']}₽ оформлен")
    return result

Экономия: 63,5% токенов, 83% времени выполнения, 1 запрос вместо 6.

❓ Часто задаваемые вопросы

PTC работает только с Python? В текущей версии GPT-5.6 Sol генерирует Python-код. OpenAI анонсировала поддержку TypeScript и псевдокода в следующих версиях.

Безопасно ли выполнять код, сгенерированный моделью? OpenAI встроил в PTC ограничения: модель не может генерировать код с сетевыми запросами вне объявленных инструментов, системными вызовами или импортом произвольных библиотек. Рекомендуется выполнять код в песочнице (Sandbox/Docker) на продакшене.

Как дебажить PTC-код? GPT-5.6 Sol возвращает не только код, но и пояснения к каждому шагу в поле programmatic_tool_call.reasoning. Используйте их для отладки и логирования.

Поддерживает ли PTC асинхронные вызовы? Да. В сгенерированном коде модель может использовать async/await для параллельного выполнения нескольких независимых вызовов инструментов.

Когда PTC появится в GPT-5.6 Terra и Luna? GPT-5.6 Terra (лёгкая версия) и GPT-5.6 Luna (специализированная) выходят 9 июля 2026. PTC будет доступен во всех трёх модификациях, но с разными лимитами на длину генерируемого кода.

📖 Читайте также

• GPT-5.6 Sol Programmatic Tool Calling: 5 бизнес-процессов для автоматизации
• 6 слоёв стека AI-агентов: архитектура enterprise-решений 2026
• 15 лучших платформ для создания AI-агентов в 2026

🚀 Хотите внедрить AI-автоматизацию в свой бизнес? Раисыч поможет настроить AI-агентов, чат-ботов и системы лидогенерации под ключ.

Заказать консультацию — raisovich.ru

На сколько PTC снижает потребление токенов по сравнению с Function Calling?

По данным OpenAI, PTC снижает потребление токенов на 63,5% и сокращает время выполнения на 83% за счёт одного вызова вместо цепочки round-trip.

Какие типы задач требуют обязательного перехода на PTC?

Сложная бизнес-логика с условиями и циклами, оркестрация мультиагентных систем и ETL-конвейеры — в этих сценариях PTC обязателен.

Часто задаваемые вопросы

Что даст эта статья?

Вы получите практические рекомендации и пошаговые инструкции, которые можно применить в своём бизнесе.

Сколько времени займёт внедрение?

Сроки зависят от сложности задачи. Обычно от 1 дня до 2 недель на первый результат.

Нужна ли техническая подготовка?

Большинство описанных решений не требуют глубоких технических знаний. Мы подбираем инструменты под уровень команды.

Что делать, если нужна помощь?

Свяжитесь с нами — мы проведём аудит, подберём решение и поможем с внедрением.

Что такое полнодуплексный голос и чем GPT-Live-1 отличается от предшественников

Традиционные голосовые ассистенты работают в режиме Push-to-Talk: пользователь говорит — система слушает, пользователь замолкает — система обрабатывает — система отвечает. Полнодуплексный режим устраняет эту задержку.

| Характеристика | Обычный голосовой AI (GPT-4o Voice) | GPT-Live-1 / GPT-Live-1 mini | |---|---|---| | Режим работы | Полудуплекс (говорит один) | Полнодуплекс (одновременно) | | Анализ интонации | После фразы | В реальном времени | | Прерывание | Не поддерживается | Поддерживается | | Эмпатия | Базовая | Высокая (анализ тона + эмоций) | | Средняя задержка | 320–800 мс | 160–240 мс | | Стоимость (mini) | — | От $0,10 за минуту аудио |

GPT-Live-1 mini обеспечивает задержку 160–200 мс и подходит для массового клиентского сервиса, а полная GPT-Live-1 с задержкой 200–240 мс — для сценариев, где критичны эмпатия и точность понимания сложных запросов.

Шаг 1: Подготовка API-инфраструктуры

Для работы с GPT-Live-1 потребуется API-ключ OpenAI с доступом к новой модели и WebSocket-клиент.

Получение доступа

import openai

client = openai.OpenAI(api_key="sk-your-key")

# Проверка доступности модели
models = client.models.list()
live_models = [m.id for m in models if "gpt-live" in m.id]
print(live_models)
# Ожидаемый вывод: ['gpt-live-1', 'gpt-live-1-mini']

Важно: GPT-Live-1 работает через WebSocket, а не через стандартные HTTP-запросы. Это ключевое отличие — для real-time аудио требуется постоянное соединение.

Настройка WebSocket-соединения

import asyncio
import websockets
import json

async def connect_gpt_live():
    uri = "wss://api.openai.com/v1/realtime/gpt-live-1"
    headers = {
        "Authorization": "Bearer sk-your-key",
        "OpenAI-Beta": "realtime=v1"
    }
    async with websockets.connect(uri, extra_headers=headers) as ws:
        # Отправляем конфигурацию сессии
        await ws.send(json.dumps({
            "type": "session.configure",
            "session": {
                "modalities": ["text", "audio"],
                "instructions": "Ты — дружелюбный агент поддержки компании.",
                "voice": "sage",
                "input_audio_format": "pcm16",
                "output_audio_format": "pcm16"
            }
        }))
        response = await ws.recv()
        print("Сессия настроена:", response)

Шаг 2: Настройка голосового агента для клиентской поддержки

Ключевой сценарий для бизнеса — голосовая поддержка клиентов с возможностью естественного диалога.

Системный промпт для GPT-Live-1

Ты — голосовой агент поддержки компании «Альфа-Сервис».
Правила:
- Отвечай естественно, как живой оператор
- Анализируй тон клиента: если клиент раздражён — прояви эмпатию
- Не читай длинные инструкции — разбивай на короткие фразы
- Если не уверен в ответе — честно скажи и предложи соединить с человеком
- Используй данные из CRM: имя, историю обращений, текущий тариф
- Доступные действия: проверить баланс, сменить тариф, создать тикет, отменить подписку

Интеграция с CRM и бизнес-системами

Программный вызов инструментов через function_calls в WebSocket-сессии позволяет агенту проверять данные в реальном времени:

from openai import OpenAI
import json

client = OpenAI()

# Передаём функции, которые агент может вызывать
functions = [
    {
        "name": "check_balance",
        "description": "Проверить баланс клиента по ID",
        "parameters": {
            "type": "object",
            "properties": {
                "client_id": {"type": "string"}
            }
        }
    },
    {
        "name": "create_ticket",
        "description": "Создать тикет поддержки",
        "parameters": {
            "type": "object",
            "properties": {
                "client_id": {"type": "string"},
                "issue": {"type": "string", "description": "Описание проблемы"}
            }
        }
    }
]

# GPT-Live-1 автоматически определит, когда вызывать функцию

Шаг 3: Обработка естественных прерываний

GPT-Live-1 поддерживает прерывания — клиент может перебить агента, и модель корректно переключится.

# В WebSocket-соединении обрабатываем события агента
async def handle_session(ws):
    async for message in ws:
        event = json.loads(message)
        
        if event["type"] == "response.audio.done":
            # Модель закончила говорить — ждём ответ клиента
            print(f"Агент: {event['transcript']}")
            
        elif event["type"] == "input_audio.speech_started":
            # Клиент начал говорить — модель автоматически прерывается
            print("Клиент говорит...")
            # Модель сама обработает прерывание
            
        elif event["type"] == "response.function_call_arguments":
            # Модель вызывает функцию
            func_name = event["name"]
            args = json.loads(event["arguments"])
            result = await execute_function(func_name, args)
            await ws.send(json.dumps({
                "type": "response.function_call_result",
                "call_id": event["call_id"],
                "output": json.dumps(result)
            }))

Шаг 4: Масштабирование — от одного агента к контакт-центру

При масштабировании голосового AI-агента на десятки и сотни одновременных звонков учитывайте:

1. Очередь лимитов API. Каждый параллельный WebSocket потребляет ресурсы. OpenAI рекомендует не более 50 соединений на один API-ключ. Для контакт-центра используйте несколько ключей или enterprise-контракт.

2. Тайм-ауты. Устанавливайте тайм-аут на бездействие клиента (рекомендуется 30 секунд). При превышении — предложите перезвонить или оставить голосовое сообщение.

3. Эскалация на человека. Настройте правило: если AI-агент не решил проблему за 3 попытки — переводите на живого оператора с передачей контекста разговора.

Шаг 5: A/B-тестирование и аналитика

GPT-Live-1 возвращает полную аналитику по каждому разговору:

| Метрика | Что показывает | Целевое значение | |---|---|---| | CSAT (оценка клиента) | Удовлетворённость диалогом | > 4.2 / 5.0 | | FCR (первое решение) | Проблема решена с первой попытки | > 70% | | Средняя длительность | Время обработки звонка | < 180 сек | | Эскалация | Доля переключений на оператора | < 25% | | Чистая экономия | Сокращение стоимости одного обращения | > 60% |

Важно: GPT-Live-1 возвращает полные транскрипты и аудиозаписи для внутреннего обучения. Используйте их для дообучения промпта и улучшения системных инструкций.

❓ Часто задаваемые вопросы

Сколько стоит минута разговора через GPT-Live-1 mini? Стоимость составляет от $0,10 за минуту аудио для GPT-Live-1 mini и от $0,30 для полной GPT-Live-1. Дополнительно взимается плата за текстовые токены системных инструкций.

Можно ли использовать GPT-Live-1 для исходящих звонков? Да. Через WebSocket API модель может инициировать звонок и вести диалог. Основные сценарии: подтверждение заказов, напоминания о встречах, опросы удовлетворённости.

GPT-Live-1 работает на русском языке? Да, модель поддерживает русский язык на уровне, сопоставимом с GPT-4o. Качество распознавания и синтеза русской речи — на высоком уровне, но для специфической терминологии рекомендуется добавлять глоссарий в системный промпт.

Какие требования к интернет-каналу? Минимальная скорость: 1 Мбит/с для входящего и исходящего аудиопотока. Рекомендуется задержка не более 50 мс между сервером приложения и API OpenAI.

Можно ли подключить GPT-Live-1 к Telegram? Да, через промежуточный сервер на Python или Node.js, который конвертирует голосовые сообщения Telegram в аудиопоток GPT-Live. Это один из самых популярных способов интеграции голосовых AI-агентов.

📖 Читайте также

• GPT-Live-1 vs GPT-Live-1 mini: какую голосовую модель OpenAI выбрать для бизнеса
• AI-агенты для поддержки клиентов: как настроить, кейсы и результаты
• 6 слоёв стека AI-агентов: архитектура enterprise-решений 2026

🚀 Хотите внедрить AI-автоматизацию в свой бизнес? Раисыч поможет настроить AI-агентов, чат-ботов и системы лидогенерации под ключ.

Заказать консультацию — raisovich.ru

Какие бизнес-сценарии наиболее эффективны для GPT-Live-1?

Самые эффективные сценарии: клиентская поддержка (решение типовых вопросов за 160–240 мс), подтверждение заказов, напоминания о встречах и опросы удовлетворённости. GPT-Live-1 особенно полезна в сценариях, где важна естественная речь с возможностью прерывания и уточнения.

Как настроить эскалацию с AI-агента на живого оператора?

Настройте правило: если AI-агент не решил проблему за 3 попытки — переводите на живого оператора с передачей полного контекста разговора. GPT-Live-1 возвращает полные транскрипты и аудиозаписи, что позволяет оператору сразу понять суть вопроса без повторного опроса клиента.

Сколько операторов может заменить один голосовой AI-агент?

Один голосовой AI-агент на GPT-Live-1 может обрабатывать до 60% типовых запросов без участия человека. При штате из 10 операторов это позволяет сократить команду до 4 человек при сохранении качества обслуживания. Чистая экономия на одно обращение составляет более 60%.

Часто задаваемые вопросы

Что даст эта статья?

Вы получите практические рекомендации и пошаговые инструкции, которые можно применить в своём бизнесе.

Сколько времени займёт внедрение?

Сроки зависят от сложности задачи. Обычно от 1 дня до 2 недель на первый результат.

Нужна ли техническая подготовка?

Большинство описанных решений не требуют глубоких технических знаний. Мы подбираем инструменты под уровень команды.

Что делать, если нужна помощь?

Свяжитесь с нами — мы проведём аудит, подберём решение и поможем с внедрением.

Закон «О поддержке развития технологий искусственного интеллекта» (принят Госдумой 8 июля 2026) — не рамочный документ, а работающий нормативный акт с конкретными требованиями, сроками и ответственностью. Если ваш бизнес использует нейросети для генерации контента — изображений, текстов, видео, рекламы — закон касается вас напрямую.

Ключевые обязанности бизнеса с 1 сентября 2026

1. Обязательная маркировка AI-контента

Что нужно делать: Любой контент, созданный или существенно изменённый с помощью ИИ, должен содержать маркировку.

| Тип контента | Формат маркировки | Пример | |-------------|-------------------|--------| | Текст (статьи, посты) | Пометка в начале/конце | «Создано с помощью ИИ» | | Изображения | Водяной знак + метаданные | На изображении + в EXIF | | Видео | Статичная плашка в начале | 3+ секунды в начале ролика | | Аудио | Голосовое объявление | В начале аудиозаписи | | Реклама | Пометка в креативе | «С использованием ИИ» |

Маркировка должна быть человекочитаемой (визуальной/аудио) и машиночитаемой (метаданные, теги).

2. Реестр ИИ-моделей

Что нужно делать: Если вы используете большую фундаментальную модель (LLM, генератор изображений), она должна быть в реестре суверенных или национальных моделей ИИ.

• Суверенная модель — разработана в России, соответствует требованиям к обучению на российских данных
• Национальная модель — может использовать зарубежные компоненты, но адаптирована под российские требования

Для бизнеса это означает: при выборе между GPT и российской моделью — не обязательно использовать только российские, но если используете зарубежную — проверьте, есть ли она в реестре. Если нет — могут быть ограничения для госзаказчиков и стратегических предприятий.

3. Требования к прозрачности AI-систем

Бизнес обязан информировать пользователей о взаимодействии с ИИ:

• Чат-боты на сайте — сообщение «Вы общаетесь с AI-ассистентом» при начале диалога
• AI-агенты в звонках — предупреждение в начале разговора
• Генерация контента — маркировка в публикациях

Без маркировки — контент может быть признан вводящим в заблуждение с соответствующими последствиями.

Чек-лист подготовки для бизнеса

До 1 августа 2026

| Шаг | Что сделать | Ответственный | |-----|------------|--------------| | 1 | Аудит всех AI-систем в компании | CTO / IT-отдел | | 2 | Инвентаризация контента, созданного с помощью ИИ | Маркетинг | | 3 | Выбор способа маркировки для каждого типа контента | Юрист + CTO | | 4 | Настройка автоматической маркировки AI-контента | Разработчики |

До 1 сентября 2026

| Шаг | Что сделать | Ответственный | |-----|------------|--------------| | 5 | Проверка используемых моделей на соответствие реестру | Юрист | | 6 | Внедрение маркировки на сайте, в CRM, в рекламных кабинетах | Разработчики | | 7 | Обучение сотрудников новым требованиям | HR | | 8 | Тестирование — публикация с маркировкой, проверка | QA |

Что будет если не успеть

Закон предусматривает переходный период, но к 2027 году ожидается введение штрафов:

• За отсутствие маркировки — до 300 000 руб. для юрлиц
• За использование незарегистрированных моделей в госзакупках — запрет на участие
• За введение потребителей в заблуждение — ответственность по ЗоЗПП

Как закон влияет на AI-автоматизацию в бизнесе

Закон не запрещает использовать ИИ. Он вводит правила игры. И эти правила — не ограничение, а конкурентное преимущество для тех, кто внедрит их первым:

1. Маркированный контент вызывает больше доверия — пользователи видят, что бизнес честен
2. Чёткие правила снижают юридические риски — вы знаете, что можно, а что нельзя
3. Суверенные модели адаптированы под российские реалии — понимают контекст регуляторики, налоговой, документооборота

Автоматизация маркировки ИИ-контента

Вручную маркировать каждый пост, изображение или видео — невозможно. Решение — автоматизация:

• Для изображений: скрипт, автоматически накладывающий водяной знак при сохранении (в блоге Раисыч используется такой — модуль add_ai_watermark.py)
• Для текстов: препроцессор, добавляющий маркировку перед публикацией
• Для видео: FFmpeg-фильтр, вставляющий плашку на первые кадры
• Для аудио: голосовой префикс в начале записи

Мы используем автоматическую маркировку в своём блоге — AI-агент генерирует контент, маркировка накладывается без участия человека. Это единственный работающий подход в масштабе.

❓ Часто задаваемые вопросы

С какого числа закон вступает в силу? С 1 сентября 2026 года. На подготовку у бизнеса — чуть больше месяца.

Нужно ли маркировать контент, созданный до вступления закона? Если контент остаётся в публичном доступе после 1 сентября — желательно маркировать. Особенно если он активно используется в рекламе или на сайте.

Какие модели считаются суверенными? Модели, разработанные и обученные в России, соответствующие техническим требованиям правительства. Реестр будет вести уполномоченный орган.

Есть ли штрафы за отсутствие маркировки? В 2026 году — переходный период с рекомендациями. С 2027 года ожидается введение административной ответственности.

Касается ли закон Telegram-ботов? Да, если бот использует ИИ для генерации ответов или контента. Рекомендуется маркировка в начале диалога.

📖 Читайте также

• Закон о суверенном ИИ: что меняется для бизнеса
• Как бизнесу подготовиться к закону о суверенном ИИ
• AI-комплаенс и регулирование: как подготовиться к требованиям

🚀 Хотите внедрить AI-автоматизацию в свой бизнес? Раисыч поможет настроить AI-агентов, чат-ботов и системы лидогенерации под ключ.

Заказать консультацию — raisovich.ru

Как автоматизировать маркировку AI-контента в масштабе?

Автоматизация маркировки — единственный работающий подход в масштабе: для изображений — скрипт, накладывающий водяной знак при сохранении; для текстов — препроцессор перед публикацией; для видео — FFmpeg-фильтр на первые кадры; для аудио — голосовой префикс в начале записи. В блоге Раисыч используется модуль add_ai_watermark.py для автоматической маркировки.

Какие риски для бизнеса, если не подготовиться к закону о суверенном ИИ?

Основные риски: штрафы за отсутствие маркировки (до 300 000 руб. для юрлиц с 2027 года), запрет на участие в госзакупках для незарегистрированных моделей, ответственность по ЗоЗПП за введение потребителей в заблуждение, а также репутационные риски при публикации немаркированного AI-контента.

Касается ли закон AI-агентов и чат-ботов на сайте?

Да, закон прямо требует информировать пользователей о взаимодействии с ИИ. Чат-боты на сайте должны показывать сообщение «Вы общаетесь с AI-ассистентом» при начале диалога, AI-агенты в звонках — предупреждать в начале разговора. Маркировка должна быть как человекочитаемой, так и машиночитаемой.

Часто задаваемые вопросы

Что даст эта статья?

Вы получите практические рекомендации и пошаговые инструкции, которые можно применить в своём бизнесе.

Сколько времени займёт внедрение?

Сроки зависят от сложности задачи. Обычно от 1 дня до 2 недель на первый результат.

Нужна ли техническая подготовка?

Большинство описанных решений не требуют глубоких технических знаний. Мы подбираем инструменты под уровень команды.

Что делать, если нужна помощь?

Свяжитесь с нами — мы проведём аудит, подберём решение и поможем с внедрением.

GPT-Live — это не просто голосовой режим чата. Это полнодуплексная архитектура: модель воспринимает речь в реальном времени, одновременно формируя ответ. Никаких пауз, никаких задержек «принимаю запрос...». Для бизнеса это означает, что голосовой AI-ассистент может вести естественный диалог с клиентом без awkward-пауз и потери контекста.

Ключевые различия между GPT-Live-1 и GPT-Live-1 mini

| Характеристика | GPT-Live-1 | GPT-Live-1 mini | |----------------|------------|-----------------| | Размер модели | Full-size | Дистиллированная | | Средняя латентность | 300–500 мс | 120–250 мс | | Качество понимания | Максимальное | Высокое | | Сложность диалога | Любая | Средняя и выше | | Стоимость за минуту | ~$0,06 | ~$0,015 | | Эмоциональный интеллект | Полный спектр | Базовый + средний | | Поддержка контекста | 128K токенов | 64K токенов | | Многозадачность в диалоге | Да | Ограниченная |

Когда выбирать GPT-Live-1

1. Сложные переговоры и продажи B2B

GPT-Live-1 улавливает тонкие сигналы: сомнение в голосе, изменение тона при обсуждении цены, паузы-маркеры возражений. Полноразмерная модель SPOT (семантическое предсказание тона) — лучше понимает эмоциональный контекст.

Пример: AI-агент на переговорах по SaaS-контракту на 500 000 руб. — должен чувствовать, когда клиент готов к закрытию, а когда нужно дать дополнительную информацию.

2. Клиентская поддержка первого уровня с эскалацией

Когда клиент зол или расстроен, GPT-Live-1 лучше распознаёт эмоции и выбирает правильную стратегию ответа. Полноразмерная модель реже ошибается в сложных кейсах.

3. Медицинские и юридические консультации

Там, где цена ошибки высока, GPT-Live-1 обеспечивает максимальную точность понимания. Mini-версия может пропустить нюанс в симптомах или юридической формулировке.

Когда выбирать GPT-Live-1 mini

1. Массовый холодный обзвон

Если задача — обзвонить 1000 контактов, проверить актуальность и назначить встречу, mini-версия справится на 95% качества за 25% стоимости. Экономия: $0,045 за минуту разговора.

Сравнение бюджета на 100 часов голосовых разговоров в месяц:

| Параметр | GPT-Live-1 | GPT-Live-1 mini | |----------|------------|-----------------| | Стоимость за минуту | $0,06 | $0,015 | | Стоимость за час | $3,60 | $0,90 | | Стоимость за 100 часов | $360 | $90 | | Экономия в год | — | $3 240 |

2. Квалификация лидов по скрипту

Если сценарий разговора стандартизирован: «Здравствуйте, это компания X, мы занимаемся Y. Вам интересно?» — mini-версия отрабатывает чётко по скрипту без отклонений.

3. Опросы и сбор обратной связи

Сбор NPS, CSAT — простые структурированные диалоги, где не нужна глубокая эмпатия. Mini-версия справляется быстрее (ниже латентность) и дешевле.

Гибридная стратегия: лучший подход для бизнеса

Оптимальная стратегия — использовать обе модели в одном пайплайне:

1. GPT-Live-1 mini — первый контакт, квалификация, скрининг
2. GPT-Live-1 — эскалация сложных кейсов, переговоры, работа с возражениями
3. GPT-Live-1 mini — последующие касания, напоминания, подтверждения

Такая схема даёт до 70% экономии бюджета при сохранении качества на сложных этапах.

Как это работает с Programmatic Tool Calling

GPT-Live-1 и GPT-Live-1 mini интегрируются с GPT-5.6 Sol и её Programmatic Tool Calling. Голосовой AI-агент может:

1. Услышать запрос клиента (GPT-Live)
2. Запустить PTC-программу для проверки данных в CRM
3. Сформировать ответ голосом с учётом полученных данных

Это превращает голосового ассистента из простого «болванчика» в полноценного AI-агента, который может выполнять действия в реальном времени.

❓ Часто задаваемые вопросы

В чём главное отличие GPT-Live-1 от GPT-Live-1 mini? GPT-Live-1 — полноразмерная модель с максимальным качеством понимания и эмоциональным интеллектом. GPT-Live-1 mini — дистиллированная версия, быстрее и дешевле, но с slightly меньшим качеством на сложных диалогах.

Можно ли использовать GPT-Live-1 mini для продаж? Да, для стандартизированных сценариев и массового обзвона mini-версия даёт лучшее соотношение цена/качество. Для сложных B2B-переговоров лучше использовать полноразмерную модель.

Какая латентность у GPT-Live-1 mini? 120–250 мс, что на 40–50% быстрее, чем у GPT-Live-1 (300–500 мс).

Поддерживает ли GPT-Live-1 mini контекст диалога? Да, до 64K токенов — достаточно для 30–60 минут непрерывного диалога.

Сколько стоит час работы GPT-Live-1 mini? ~$0,90 за час разговора, что примерно в 4 раза дешевле GPT-Live-1 ($3,60/час).

📖 Читайте также

• GPT-Live: полнодуплексный голосовой ИИ от OpenAI
• Голосовой AI-агент для продаж: GPT-Live и GPT-5.6 Sol
• GPT-5.6 Sol и GPT-Live: как OpenAI меняет рынок AI-агентов

🚀 Хотите внедрить AI-автоматизацию в свой бизнес? Раисыч поможет настроить AI-агентов, чат-ботов и системы лидогенерации под ключ.

Заказать консультацию — raisovich.ru

Какую голосовую модель выбрать для стартапа с ограниченным бюджетом?

Стартапам с ограниченным бюджетом стоит начать с GPT-Live-1 mini: он стоит $0,015 за минуту (~$0,90 за час) и обеспечивает 95% качества для стандартизированных сценариев — холодный обзвон, квалификация лидов, опросы. По мере роста можно подключить GPT-Live-1 для сложных переговоров.

Как GPT-Live модели интегрируются с существующей телефонией?

GPT-Live-1 и GPT-Live-1 mini интегрируются через API с любыми IP-телефониями и виртуальными АТС. В сочетании с GPT-5.6 Sol и Programmatic Tool Calling голосовой AI-агент может не только вести диалог, но и проверять данные в CRM, формировать счета и отправлять подтверждения в реальном времени.

Можно ли использовать GPT-Live для записи и анализа звонков?

Да, обе модели поддерживают полнодуплексный режим, что позволяет записывать диалог и анализировать его в реальном времени. GPT-Live-1 дополнительно распознаёт эмоциональный контекст — сомнение, возражения, готовность к покупке — что даёт ценную аналитику для отдела продаж.

Часто задаваемые вопросы

Что даст эта статья?

Вы получите практические рекомендации и пошаговые инструкции, которые можно применить в своём бизнесе.

Сколько времени займёт внедрение?

Сроки зависят от сложности задачи. Обычно от 1 дня до 2 недель на первый результат.

Нужна ли техническая подготовка?

Большинство описанных решений не требуют глубоких технических знаний. Мы подбираем инструменты под уровень команды.

Что делать, если нужна помощь?

Свяжитесь с нами — мы проведём аудит, подберём решение и поможем с внедрением.

Programmatic Tool Calling — это не просто эволюция function calling. Вместо того чтобы возвращать JSON с параметрами одного вызова, GPT-5.6 Sol генерирует целую программу, которая сама координирует работу нескольких инструментов, баз данных и API. Для бизнеса это означает: меньше токенов → ниже стоимость → сложнее сценарии → выше ROI.

1. Обработка входящих заказов из нескольких каналов

Проблема: Заказы приходят из Telegram, email, CRM и сайта. Менеджер вручную проверяет наличие товара, рассчитывает стоимость доставки, формирует счёт и отправляет клиенту подтверждение. На один заказ — 15–20 минут.

Решение с PTC: GPT-5.6 Sol пишет код, который:

1. Парсит сообщение из любого канала
2. Проверяет остатки в 1С или Google Sheets
3. Рассчитывает доставку через API Яндекс.Go
4. Формирует PDF-счёт через шаблонизатор
5. Отправляет клиенту сообщение с готовым счётом

Всё это — один вызов модели. Не 5 последовательных вызовов, а одна программа. Экономия: 63,5% токенов и 3–4× ускорение.

2. Согласование договоров с ИИ-юристом

Проблема: Юрист проверяет договор, пишет замечания, отправляет контрагенту, ждёт правок, снова проверяет. Цикл занимает 2–3 дня.

Решение с PTC: GPT-5.6 Sol запускает программу:

1. Загружает PDF-договор из CRM
2. Анализирует текст на соответствие чек-листу
3. Сравнивает с шаблоном в базе знаний
4. Формирует список замечаний в структурированном формате
5. Отправляет уведомление в Telegram ответственному лицу
6. Если правки незначительные — вносит их автоматически в копию документа

| Этап | Без PTC | С PTC | |------|---------|-------| | Количество вызовов модели | 5–6 | 1 | | Время обработки | 20–30 мин | 2–3 мин | | Стоимость токенов | 100% | ~36,5% | | Необходимость человека | На каждом шаге | Только финальная проверка |

3. Автоматическая квалификация и распределение лидов

Проблема: Лиды приходят из рекламы, сайта, партнёрских программ. Менеджеры тратят 40% времени на проверку: кто клиент, какой бюджет, срочно ли.

Решение с PTC: GPT-5.6 Sol одной программой:

1. Парсит заявку из формы или сообщения
2. Проверяет компанию через сервис проверки контрагентов (например, «СБИС» или «Контур.Фокус»)
3. Ищет историю взаимодействия в CRM
4. Оценивает бюджет по косвенным признакам
5. Определяет срочность и вероятность закрытия
6. Назначает ответственного менеджера по правилам ротации
7. Создаёт карточку лида в CRM со всеми метками

4. Мониторинг и анализ конкурентов

Проблема: Отдел маркетинга тратит часы на ручной сбор информации: изменения цен, новые акции, обновления сайта конкурентов.

Решение с PTC: GPT-5.6 Sol пишет программу, которая:

1. Собирает данные с сайтов конкурентов по расписанию
2. Сравнивает цены на аналогичные товары или услуги
3. Анализирует изменения в контент-стратегии
4. Формирует отчёт с визуализацией изменений
5. Отправляет дайджест в Telegram-канал команды

Всё это — один вызов модели с Programmatic Tool Calling. Программа сама решает, какие инструменты запустить, в каком порядке и как объединить результаты.

5. Мультиэтапная email-рассылка с AI-персонализацией

Проблема: Ручная настройка триггерных писем под каждый сегмент аудитории требует времени разработчиков. Простые шаблоны не учитывают поведение конкретного пользователя.

Решение с PTC: GPT-5.6 Sol одной программой:

1. Определяет сегмент пользователя по поведению в CRM
2. Генерирует персонализированное письмо с учётом истории покупок
3. Проверяет спам-скоры через API
4. А/B-тестирует два варианта заголовка
5. Отправляет через выбранный сервис рассылок
6. Логирует результат в CRM для анализа

Сравнение с традиционным подходом

| Характеристика | Обычный AI-агент (без PTC) | AI-агент с GPT-5.6 Sol PTC | |----------------|----------------------------|-----------------------------| | Архитектура | Sequence of tool calls | Programmatic orchestration | | Кол-во вызовов API | 5–10 на задачу | 1 на задачу | | Потребление токенов | 100% | ~36,5% | | Сложность сценариев | Ограничена последовательностью | Любая логика ветвления | | Отладка | Сложная (много шагов) | Одна программа | | Время выполнения | 30–60 сек | 5–15 сек |

Programmatic Tool Calling: кому это нужно прямо сейчас

PTC в GPT-5.6 Sol — это не про будущее, а про настоящее. Модель уже доступна, и бизнесы, которые внедрят её первыми, получат преимущество в скорости и стоимости автоматизации.

Особенно актуально для:

• E-commerce — обработка заказов, проверка остатков, коммуникация с клиентами
• B2B-услуги — квалификация лидов, согласование договоров, тендерная документация
• Маркетинг — мониторинг конкурентов, персонализация рассылок, аналитика
• HR — обработка резюме, автоматизация онбординга

❓ Часто задаваемые вопросы

Что такое Programmatic Tool Calling в GPT-5.6 Sol? Это механизм, при котором модель генерирует исполняемый JavaScript-код для оркестрации нескольких инструментов в одной программе, вместо последовательных JSON-вызовов.

Насколько снижается потребление токенов? OpenAI заявляет о снижении на 63,5% по сравнению с традиционным function calling.

Какие инструменты поддерживает PTC? Любые API, к которым у модели есть доступ: базы данных, CRM, сервисы рассылок, мессенджеры, платежные системы, документооборот.

Нужен ли программист для настройки PTC? Базовая настройка требует понимания API и схемы инструментов. Но после настройки PTC-агента бизнес-пользователь может запускать сценарии без участия разработчика.

📖 Читайте также

• Programmatic Tool Calling: 63,5% экономии токенов
• 6 слоёв стека AI-агентов: архитектура enterprise-решений
• GPT-5.6 Sol и GPT-Live: что выбрать бизнесу

🚀 Хотите внедрить AI-автоматизацию в свой бизнес? Раисыч поможет настроить AI-агентов, чат-ботов и системы лидогенерации под ключ.

Заказать консультацию — raisovich.ru

Как PTC в GPT-5.6 Sol меняет архитектуру AI-агентов?

Programmatic Tool Calling заменяет последовательные JSON-вызовы единой исполняемой программой, что упрощает архитектуру, снижает потребление токенов на 63,5% и позволяет реализовывать сложные сценарии ветвления без координации нескольких вызовов модели.

Можно ли интегрировать PTC с существующими CRM и ERP?

Да, PTC работает с любыми API, к которым у модели есть доступ — 1С, Google Sheets, CRM, сервисы рассылок, платёжные системы и документооборот. Настройка требует понимания схемы API, но после настройки бизнес-пользователь может запускать сценарии без участия разработчика.

Какие бизнесы получают максимальный ROI от PTC?

Наибольший эффект получают e-commerce (обработка заказов), B2B-услуги (квалификация лидов и согласование договоров), маркетинг (мониторинг конкурентов и персонализация рассылок) и HR (обработка резюме и онбординг).

Часто задаваемые вопросы

Что даст эта статья?

Вы получите практические рекомендации и пошаговые инструкции, которые можно применить в своём бизнесе.

Сколько времени займёт внедрение?

Сроки зависят от сложности задачи. Обычно от 1 дня до 2 недель на первый результат.

Нужна ли техническая подготовка?

Большинство описанных решений не требуют глубоких технических знаний. Мы подбираем инструменты под уровень команды.

Что делать, если нужна помощь?

Свяжитесь с нами — мы проведём аудит, подберём решение и поможем с внедрением.

Ключевые цифры рынка AI-устройств в России 2026

| Показатель | Значение | Динамика | |-----------|----------|----------| | Спрос на установку умного дома | +200% (в 3 раза) | 1 пол. 2026 vs 1 пол. 2025 | | Продажи смартфонов с ИИ | +27% | Год к году | | Доля AI-смартфонов среди новых моделей | от 6% до 14% | +8 п.п. за год | | Пользователи умного дома в крупных городах | 61% | Данные на июнь 2026 | | Рынок систем умного дома | ₽26 млрд | Рост к 2024: +30% | | Пользователи AI-сервисов (зумеры) | 46% | Активные пользователи | | Пользователи AI-сервисов (45+) | 24% | Активные пользователи |

Почему рынок взлетел

1. Падение порога входа

Устройства умного дома стали значительно доступнее. Яндекс.Станция, умные лампочки, розетки и датчики от российских брендов стоят от 1 000 до 5 000 рублей — сопоставимо с обычной бытовой техникой. ИИ-функции в смартфонах стали стандартом даже в бюджетном сегменте.

2. Голосовые ассистенты как точка входа

Алиса, Маруся и Салют — главные драйверы вовлечения. Пользователь начинает с голосового ассистента, затем добавляет умную лампочку, розетку, датчик температуры — и постепенно собирает полноценную экосистему.

3. Рост AI-функций в повседневных устройствах

| Категория | Примеры AI-функций | Популярность | |-----------|-------------------|-------------| | Смартфоны | AI-камера, голосовой ввод, перевод, генерация фото | Массовая | | Умные колонки | Голосовой ассистент, управление домом, AI-диалоги | Массовая | | ТВ и приставки | AI-рекомендации, голосовой поиск | Растущая | | Бытовая техника | AI-режимы стирки/готовки, диагностика | Растущая | | Системы безопасности | AI-распознавание лиц, детекция событий | Нишевая | | Носимые устройства | AI-трекинг здоровья, прогнозы | Растущая |

Тренды 2026 года

Тренд 1: AI-устройства перестали быть «дорогим хобби»

Главный тренд года — AI-функции стали стандартом в массовом сегменте. Если раньше ИИ был прерогативой флагманов, то сейчас AI-камеры и голосовые ассистенты есть в устройствах за 10–15 тысяч рублей.

Тренд 2: Экосистемный подход

Потребители переходят от покупки отдельных устройств к созданию экосистем. Лидеры: Яндекс (Алиса + умный дом + станции), Сбер (Салют + SberBox + умные устройства), VK (Маруся + VK Капсула).

Тренд 3: Российские платформы vs международные

Из-за ухода западных вендоров и ограничений на софт российские AI-платформы заняли доминирующее положение. Это создаёт возможности для локальных производителей устройств, интегрирующихся с Алисой и Салютом.

Бизнес-возможности

Для производителей

| Возможность | Потенциал | Конкуренция | |-------------|-----------|------------| | AI-устройства для умного дома | Высокий | Средняя (ниша российских брендов) | | AI-гаджеты для здоровья | Средний | Низкая | | Периферия для экосистем | Высокий | Высокая | | B2B-решения для ЖКХ и отелей | Высокий | Низкая |

Для интеграторов

Установка и настройка систем умного дома — одна из самых быстрорастущих услуг. Маржа в сегменте:

• Простая установка (розетка/лампа/датчик) — 30–50%
• Комплексная интеграция (экосистема под ключ) — 50–100%
• B2B-проекты (офисы, отели, ЖКХ) — 100–200%

Для разработчиков AI-решений

Растёт спрос на:

• AI-ассистентов для бизнеса на базе голосовых интерфейсов
• AI-аналитику потребительского поведения
• Предиктивную диагностику бытовой техники
• AI-персонализацию контента на Smart TV

Как бизнесу использовать эти тренды

Если вы производитель

Интеграция с Яндекс.Алисой или Сбер Салютом — уже не опция, а необходимость. Устройство без голосового управления теряет до 40% потенциальной аудитории.

Если вы интегратор

Создайте пакетные предложения для разных сегментов:

| Сегмент | Предложение | Средний чек | |---------|------------|-------------| | Квартира-студия | Базовая экосистема (колонка + 3 датчика + 2 розетки) | 15–25 тыс. ₽ | | Семейная квартира | Полный умный дом (10+ устройств с безопасностью) | 50–120 тыс. ₽ | | Коттедж/дом | Умное освещение + климат + безопасность + автоматизация | 150–500 тыс. ₽ | | Бизнес (офис/отель) | Управление энергией, климат, доступ | от 500 тыс. ₽ |

Если вы SaaS-компания

AI-устройства генерируют огромные объёмы данных. Сервисы аналитики, предиктивного обслуживания и AI-персонализации на базе этих данных — растущий B2B-рынок.

Прогноз на 2027 год

• Рынок систем умного дома в РФ превысит ₽35 млрд
• Доля смартфонов с ИИ достигнет 40% всех продаж
• Количество подключённых AI-устройств на домохозяйство вырастет с 3 до 5
• AI-управление станет стандартом для новых строящихся домов и ЖК

❓ Часто задаваемые вопросы

Сколько стоит базовый набор умного дома в России? Базовый набор (умная колонка + 2 лампочки + датчик движения + розетка) обойдётся в 8–15 тысяч рублей. Яндекс.Станция Лайт с Алисой стоит от 4 990 ₽.

Какие российские AI-экосистемы самые популярные? Три лидера: Яндекс (Алиса) — самый массовый, Сбер (Салют) — сильная интеграция с финансами, VK (Маруся) — фокус на контент и социальные сети.

Нужны ли специальные знания для настройки умного дома? Базовые устройства настраиваются за 5–10 минут через приложение. Комплексные системы с датчиками безопасности и автоматизацией лучше доверить профессионалам.

Как ИИ в умном доме помогает экономить? Умное освещение и климат-контроль снижают счета за электроэнергию на 20–30%. AI-аналитика потребления воды и тепла — ещё 15–25% экономии.

📖 Читайте также

• 87% российских компаний внедрили ИИ в обучение: исследование МТС Линк
• GPT-5.6 Sol и GPT-Live: что выбрать бизнесу в 2026
• Совфед одобрил закон об ИИ и ввёл KPI для 19 отраслей

🚀 Хотите внедрить AI-автоматизацию в свой бизнес? Раисыч поможет настроить AI-агентов, чат-ботов и системы лидогенерации под ключ.

Заказать консультацию — raisovich.ru

Какие AI-устройства сейчас самые популярные в России?

Лидируют умные колонки (Яндекс.Станция, VK Капсула), AI-смартфоны (доля выросла с 6% до 14% за год), а также датчики, розетки и лампочки для умного дома — базовый набор обходится в 8–15 тысяч рублей.

Как бизнесу заработать на росте рынка умных домов в 2026 году?

Самые перспективные направления: интеграция устройств с Алисой и Салютом, B2B-решения для ЖКХ и отелей (маржа 100–200%), а также AI-аналитика потребительских данных и предиктивная диагностика.

Часто задаваемые вопросы

Что даст эта статья?

Вы получите практические рекомендации и пошаговые инструкции, которые можно применить в своём бизнесе.

Сколько времени займёт внедрение?

Сроки зависят от сложности задачи. Обычно от 1 дня до 2 недель на первый результат.

Нужна ли техническая подготовка?

Большинство описанных решений не требуют глубоких технических знаний. Мы подбираем инструменты под уровень команды.

Что делать, если нужна помощь?

Свяжитесь с нами — мы проведём аудит, подберём решение и поможем с внедрением.

Что такое WAICO

WAICO — независимая межправительственная организация по сотрудничеству в области искусственного интеллекта. Инициатором создания выступил Китай. Соглашение подписали министры цифрового развития и представители 29 стран-учредителей.

Основные факты об организации:

| Параметр | Значение | |----------|----------| | Полное название | Всемирная организация сотрудничества в сфере ИИ (WAICO) | | Статус | Независимая межправительственная организация | | Число учредителей | 29 государств | | Штаб-квартира | Шанхай, КНР | | Дата учреждения | 16 июля 2026 | | Инициатор | Китай | | От России подписал | Глава Минцифры Максут Шадаев |

Какие страны вошли

Страны-учредители представляют преимущественно Глобальный Юг и развивающиеся экономики: Китай, Россия, Беларусь, Бразилия, Венесуэла, Куба, Сербия, Казахстан, Лаос, Пакистан, Индонезия, страны Африки и Юго-Восточной Азии. США и страны ЕС в организацию не вошли.

Цели и задачи WAICO

1. Глобальное регулирование ИИ

WAICO призвана стать площадкой для выработки единых стандартов и правил в сфере ИИ — альтернатива западным подходам к регулированию. Среди ключевых направлений:

• Технические стандарты для AI-моделей
• Этические принципы разработки ИИ
• Требования к безопасности и прозрачности
• Правила трансграничной передачи данных для AI-обучения

2. Совместные исследовательские проекты

Организация планирует запустить программы по:

• Разработке открытых AI-моделей
• Созданию общих вычислительных мощностей
• Обмену данными для обучения нейросетей
• Совместным научным публикациям

3. Технологический суверенитет

WAICO рассматривается как инструмент снижения зависимости от западных AI-технологий. Страны-участницы смогут совместно развивать альтернативные AI-экосистемы.

Что это значит для российского бизнеса

Возможности

| Возможность | Описание | Сроки | |-------------|----------|-------| | Доступ к китайским AI-технологиям | Потенциальная интеграция с китайскими AI-платформами (Baidu, Alibaba, Tencent) | 2027+ | | Экспорт российских AI-решений | Выход на рынки стран-участниц WAICO со своими продуктами | 2027–2028 | | Совместные вычисления | Доступ к общим вычислительным мощностям для обучения моделей | 2027+ | | Стандартизация | Единые стандарты вместо необходимости соответствовать западным нормам | 2026–2028 |

Риски

• Фрагментация глобального AI-рынка — бизнесу придётся выбирать между западными и «восточными» AI-экосистемами
• Двойные стандарты — разные требования к моделям в разных юрисдикциях
• Ограничения на трансфер технологий — возможные барьеры между блоками

Что делать сейчас

| Действие | Зачем | Срочность | |----------|------|-----------| | Следить за решениями WAICO | Стандарты организации могут стать обязательными для участников | Средняя | | Изучать китайский AI-рынок | Возможность интеграции и партнёрств | Высокая | | Готовить AI-продукты к экспорту | WAICO открывает новые рынки сбыта | Средняя | | Анализировать регуляторные риски | Расхождение требований разных блоков | Высокая |

Контекст: WAIC 2026

Создание WAICO приурочено к Всемирной конференции по искусственному интеллекту (WAIC 2026), которая проходит в Шанхае с 17 по 20 июля. Это одна из крупнейших международных AI-площадок. На конференции:

• Выступил председатель КНР Си Цзиньпин с призывом к глобальному сотрудничеству в сфере ИИ
• Обсуждаются вопросы глобального управления AI-технологиями
• Представлены новейшие китайские AI-модели и решения

Россия на WAIC представила свои наработки в сфере ИИ и заявила о готовности делиться технологиями с другими странами.

Что дальше

WAICO предстоит сформировать рабочие органы и утвердить устав. Ожидается, что первое заседание организации пройдёт в 2026 году. Китай уже анонсировал Форум высокого уровня по глобальному управлению ИИ в ноябре 2026 года.

Для российского бизнеса ключевое — не пропустить переход: глобальный AI-рынок постепенно разделяется на блоки, и от того, к какому блоку вы подключитесь раньше, зависит доступ к технологиям, данным и рынкам сбыта.

❓ Часто задаваемые вопросы

Чем WAICO отличается от已有的 международных инициатив по ИИ? WAICO — первая межправительственная организация именно по ИИ с фокусом на страны Глобального Юга. В отличие от AI-партнёрства G7 или рекомендаций ОЭСР, WAICO создаёт институциональную структуру с реальными проектами и стандартами.

Обязательны ли стандарты WAICO для российского бизнеса? На данный момент — нет. Но если Россия ратифицирует соглашение и утвердит стандарты WAICO на национальном уровне, они могут стать обязательными для компаний, работающих с госзаказом.

Как создание WAICO повлияет на доступ к ChatGPT и другим западным AI-сервисам? Прямого влияния нет. Однако фрагментация рынка может привести к тому, что западные и восточные AI-экосистемы станут менее совместимыми, что потребует от бизнеса выбора приоритетного направления.

📖 Читайте также

• Совфед одобрил закон об ИИ и ввёл KPI для 19 отраслей: что меняется для бизнеса
• Закон о суверенном ИИ в России: 5 шагов для подготовки бизнеса к сентябрю 2026
• GPT-5.6 Sol и GPT-Live: что выбрать бизнесу в 2026

🚀 Хотите внедрить AI-автоматизацию в свой бизнес? Раисыч поможет настроить AI-агентов, чат-ботов и системы лидогенерации под ключ.

Заказать консультацию — raisovich.ru

Какие конкретные выгоды получит российский бизнес от участия в WAICO?

Доступ к китайским AI-технологиям и вычислительным мощностям, выход на рынки 29 стран-участниц, а также единые стандарты вместо необходимости соответствовать разрозненным западным нормам.

Когда WAICO начнёт реально работать и выдавать первые результаты?

Первое заседание организации ожидается в 2026 году, а практические проекты — стандарты, совместные исследования, общие вычислительные мощности — начнутся с 2027 года.

Какие риски для бизнеса несёт создание WAICO?

Главный риск — фрагментация глобального AI-рынка на западный и восточный блоки, что потребует от компаний выбора приоритетной экосистемы и может ограничить доступ к технологиям из другого блока.

Часто задаваемые вопросы

Что даст эта статья?

Вы получите практические рекомендации и пошаговые инструкции, которые можно применить в своём бизнесе.

Сколько времени займёт внедрение?

Сроки зависят от сложности задачи. Обычно от 1 дня до 2 недель на первый результат.

Нужна ли техническая подготовка?

Большинство описанных решений не требуют глубоких технических знаний. Мы подбираем инструменты под уровень команды.

Что делать, если нужна помощь?

Свяжитесь с нами — мы проведём аудит, подберём решение и поможем с внедрением.

Что произошло: два события за один день

17 июля стало ключевой датой для регулирования ИИ в России. Произошло два события, которые в комплексе определяют стратегию AI-развития страны на ближайшие годы.

Событие 1: Совфед одобрил закон об ИИ

Совет Федерации одобрил закон «О развитии технологий искусственного интеллекта». Документ уже прошёл третье чтение в Госдуме (8 июля) и теперь направляется на подпись президенту. Закон вступает в силу с 1 сентября 2026 года.

Ключевые новеллы, которых не было в первоначальной версии:

| Положение | Содержание | Срок | |-----------|-----------|------| | Понятие «большая фундаментальная модель» | Модель ИИ от 1 млрд параметров, способная решать задачи на уровне человека | С 1 сентября 2026 | | Суверенная модель ИИ | Модель на российских технологиях и данных | С 1 марта 2027 | | Национальная модель ИИ | Модель из специального реестра, прошедшая сертификацию | С 1 марта 2027 | | Маркировка AI-контента | Обязательная пометка материалов, созданных нейросетями | С 1 сентября 2026 | | Полномочия | Президент утверждает стратегию, правительство координирует | С момента подписания |

Событие 2: KPI внедрения ИИ для 19 отраслей

Правительство утвердило показатели эффективности (KPI) внедрения ИИ для 19 отраслевых направлений. Это практически весь контур экономики РФ:

• Промышленность и производство
• Сельское хозяйство
• Здравоохранение
• Образование
• Транспорт и логистика
• Строительство
• Торговля и ритейл
• Финансы и страхование
• Энергетика и ЖКХ
• Связь и телекоммуникации
• ИТ и разработка ПО
• Туризм и гостиничный бизнес
• Государственное управление
• Общественная безопасность
• Экология и природопользование
• Наука и инновации
• Культура и медиа
• Спорт
• Социальная защита

Что KPI меняют для бизнеса на практике

Целевые показатели

Для каждой отрасли установлены конкретные метрики:

1. Доля компаний, внедривших ИИ — от 30% до 75% в зависимости от отрасли
2. Снижение операционных затрат за счёт ИИ — целевые 15–30%
3. Рост производительности труда — от 10% до 25%
4. Доля процессов, автоматизированных с помощью ИИ — целевые 20–50%
5. Количество AI-решений российского происхождения — не менее 50% от общего объёма

Сроки достижения

| Этап | Срок | Цель | |------|------|------| | Базовый | 2027 год | 30% компаний в приоритетных отраслях внедрили ИИ | | Основной | 2028–2029 | 50% компаний, автоматизация 30% процессов | | Целевой | 2030 год | 75% компаний, рост производительности 25% |

Кто будет отчитываться

KPI затрагивают компании:

• с государственным участием — обязательно
• с выручкой от 2 млрд рублей — рекомендательно с 2027, обязательно с 2029
• малый и средний бизнес — рекомендательно, с мерами поддержки

Как подготовиться к новым требованиям: план действий

Шаг 1. Аудит текущих AI-процессов

Проведите инвентаризацию: где в вашей компании уже используется ИИ, где можно внедрить, какие процессы поддаются автоматизации. Зафиксируйте текущие показатели — они станут базой для расчёта KPI.

Шаг 2. Выбор российских AI-решений

Закон требует приоритетного использования российских моделей ИИ в стратегических отраслях. Уже сейчас стоит:

• Протестировать отечественные AI-платформы (YandexGPT, GigaChat, SimpleOne)
• Сравнить эффективность с зарубежными аналогами
• Заложить миграцию на российские модели в бюджет 2027 года

Шаг 3. Внедрение маркировки контента

С 1 сентября 2026 года любой контент, созданный с помощью ИИ, должен содержать маркировку. Это касается:

• Текстов и изображений для соцсетей и сайта
• Генерации ответов в AI-чатах и AI-агентах
• Автоматически сгенерированных отчётов и аналитики

Шаг 4. Автоматизация ключевых процессов

KPI напрямую привязаны к доле автоматизированных процессов. Определите топ-5 процессов, которые можно автоматизировать с помощью AI-агентов в ближайшие 6–12 месяцев.

| Процесс | Вариант автоматизации | Ожидаемый эффект | |---------|----------------------|-----------------| | Клиентская поддержка | AI-чатбот на Telegram | Снижение нагрузки на 70% | | Обработка заказов | RPA + AI-агент | Ускорение в 3 раза | | Генерация отчётов | AI-аналитика дашбордов | Экономия 20 часов в месяц | | Контент-маркетинг | AI-генерация постов | Снижение затрат на 60% | | Скоринг лидов | ML-модель на CRM-данных | Рост конверсии на 35% |

Шаг 5. Формирование отчётности

Подготовьте систему сбора данных для отчётности по KPI. Потребуется фиксировать:

• Какие AI-решения используются
• Какие процессы автоматизированы
• Экономический эффект от внедрения
• Происхождение моделей (российские / зарубежные)

❓ Часто задаваемые вопросы

Когда закон вступает в силу? Закон вступает в силу с 1 сентября 2026 года. Отдельные положения (о суверенных моделях) — с 1 марта 2027 года.

Обязательна ли маркировка AI-контента для малого бизнеса? Да, маркировка обязательна для всех, кто использует ИИ для создания публичного контента, вне зависимости от размера бизнеса.

Какие KPI нужно сдавать в 2026 году? В 2026 году — базовое анкетирование и пилотные проекты. Основная отчётность начнётся с 2027 года для компаний с госучастием.

Что грозит за несоблюдение требований? Штрафы пока не утверждены, но закон предусматривает ответственность за отсутствие маркировки AI-контента. Размеры санкций ожидаются в осеннюю сессию 2026 года.

Можно ли продолжать использовать ChatGPT и Claude? Да, но стратегически важно планировать миграцию на российские модели к 2027–2028 годам, особенно если ваша компания работает с госзаказом или в стратегических отраслях.

📖 Читайте также

• Закон о суверенном ИИ в России: 5 шагов для подготовки бизнеса к сентябрю 2026
• 87% российских компаний внедрили ИИ в обучение: исследование МТС Линк
• GPT-5.6 Sol и GPT-Live: что выбрать бизнесу в 2026

🚀 Хотите внедрить AI-автоматизацию в свой бизнес? Раисыч поможет настроить AI-агентов, чат-ботов и системы лидогенерации под ключ.

Заказать консультацию — raisovich.ru

Какие 19 отраслей должны внедрить ИИ по новым KPI?

Все ключевые сектора экономики: промышленность, сельское хозяйство, здравоохранение, образование, транспорт, строительство, ритейл, финансы, энергетика, ЖКХ, телеком, ИТ, туризм, госуправление, безопасность, экология, наука, культура, спорт и соцзащита.

Какие конкретные шаги нужно сделать бизнесу до сентября 2026?

Провести аудит текущих AI-процессов, протестировать российские модели (YandexGPT, GigaChat), внедрить маркировку AI-контента и автоматизировать топ-5 ключевых процессов для выполнения KPI.

Часто задаваемые вопросы

Что даст эта статья?

Вы получите практические рекомендации и пошаговые инструкции, которые можно применить в своём бизнесе.

Сколько времени займёт внедрение?

Сроки зависят от сложности задачи. Обычно от 1 дня до 2 недель на первый результат.

Нужна ли техническая подготовка?

Большинство описанных решений не требуют глубоких технических знаний. Мы подбираем инструменты под уровень команды.

Что делать, если нужна помощь?

Свяжитесь с нами — мы проведём аудит, подберём решение и поможем с внедрением.

Что такое мессенджер MAX

MAX — это российский мессенджер, разработанный VK. Он позиционируется как защищённая альтернатива зарубежным мессенджерам с соблюдением российского законодательства о хранении и передаче данных.

Ключевые особенности MAX

| Особенность | Описание | |-------------|----------| | Шифрование | End-to-end encryption для всех сообщений | | Сертификаты | Российские TLS-сертификаты Минцифры | | Хостинг | Данные хранятся на серверах в РФ | | Каналы | Публичные каналы с подпиской как в Telegram | | Платформы | Web, iOS, Android, десктоп | | API | Открытый API для создания ботов и интеграций |

MAX быстро набирает популярность среди российского бизнеса, которому важна безопасность коммуникаций и соответствие закону о суверенном ИИ (вступает в силу с 1 сентября 2026).

Канал Раисыча в MAX: что внутри

Канал «Новости Раисыча» в MAX — это полное зеркало Telegram-канала @raisovich_news. Все посты автоматически дублируются из Telegram в MAX, поэтому контент идентичен:

• Ежедневные дайджесты — 3-5 постов в день об AI-автоматизации
• Кейсы внедрения — реальные примеры из российского бизнеса
• Обзоры AI-инструментов — GPT-5.6 Sol, DeepSeek, Gemini, российские модели
• Новости индустрии — закон о суверенном ИИ, тренды 2026
• GEO-советы — как продвигать бизнес в AI-поиске (ChatGPT Search, Perplexity, Gemini)

Как подписаться

Перейдите по ссылке max.ru/channel_Raisovich и нажмите «Перейти в канал» или «Открыть в браузере».

| Шаг | Действие | |-----|----------| | 1 | Откройте ссылку max.ru/channel_Raisovich | | 2 | Нажмите «Перейти в канал» | | 3 | Если MAX не установлен — скачайте приложение или откройте в браузере | | 4 | Нажмите «Подписаться» |

Зачем Раисычу второй канал

Появление канала в MAX — это не замена Telegram, а расширение аудитории.

Причины запуска:

1. Диверсификация платформ — аудитория распределена между разными мессенджерами, и мы хотим быть там, где удобно читателю
2. Соответствие закону — к сентябрю 2026 года многие компании переходят на российские платформы для корпоративных коммуникаций
3. Новая аудитория — пользователи MAX — это в первую очередь бизнес-аудитория, которая интересуется AI-автоматизацией
4. Технологический эксперимент — настройка автоматического зеркалирования контента между Telegram и MAX через открытые API

Как работает зеркалирование

Канал работает в полностью автоматическом режиме:

Пост в Telegram → API Telegram → AI-агент → API MAX → Пост в MAX

AI-агент адаптирует форматирование, перезагружает изображения на сервер MAX и отправляет пост с той же картинкой. Это позволяет сохранять единый контент без ручного дублирования.

Что дальше

Мы планируем развивать канал в MAX и, возможно, добавить эксклюзивный контент, который будет выходить только в MAX. Подписывайтесь, чтобы не пропустить.

❓ Часто задаваемые вопросы

Чем MAX отличается от Telegram?

MAX — российский мессенджер с российскими сертификатами безопасности, E2E-шифрованием и хранением данных на серверах в РФ. Функционально он похож на Telegram: есть каналы, чаты, боты, группы.

Будет ли канал в MAX отличаться от Telegram-канала?

Сейчас контент идентичен — все посты автоматически зеркалируются. В будущем возможен эксклюзивный контент для MAX.

Нужно ли платить за подписку на канал?

Нет, канал «Новости Раисыча» полностью бесплатный как в Telegram, так и в MAX.

MAX доступен только в России?

Да, MAX ориентирован на российских пользователей и доступен в РФ.

📖 Читайте также

• /blog/zakon-suverennyj-ii-podgotovka-biznes-shagi-2026/
• /blog/telegram-platforma-ii-botov-biznes-kommunikaciya-2026/
• /blog/kejsy-vnedreniya-ii-rossijskij-biznes-2026/

🚀 Хотите внедрить AI-автоматизацию в свой бизнес? Раисыч поможет настроить AI-агентов, чат-ботов и системы лидогенерации под ключ.

Заказать консультацию — raisovich.ru

Как автоматически работает зеркалирование постов между Telegram и MAX?

AI-агент получает пост из Telegram через его API, адаптирует форматирование, перезагружает изображения на сервер MAX и публикует пост с той же картинкой — всё это без ручного дублирования.

Какие возможности мессенджер MAX открывает для российского бизнеса?

MAX предоставляет защищённые каналы с E2E-шифрованием, российскими TLS-сертификатами Минцифры и хранением данных в РФ, что критично для компаний, готовящихся к закону о суверенном ИИ с сентября 2026.

Можно ли создать и продвигать свой бизнес-канал в MAX?

Да, MAX поддерживает публичные каналы с подпиской, открытое API для ботов и интеграций, а аудитория мессенджера — преимущественно бизнес-пользователи, заинтересованные в AI-автоматизации.

Часто задаваемые вопросы

Что даст эта статья?

Вы получите практические рекомендации и пошаговые инструкции, которые можно применить в своём бизнесе.

Сколько времени займёт внедрение?

Сроки зависят от сложности задачи. Обычно от 1 дня до 2 недель на первый результат.

Нужна ли техническая подготовка?

Большинство описанных решений не требуют глубоких технических знаний. Мы подбираем инструменты под уровень команды.

Что делать, если нужна помощь?

Свяжитесь с нами — мы проведём аудит, подберём решение и поможем с внедрением.

Как именно компании используют ИИ в обучении

Исследование МТС Линк выявило несколько ключевых направлений применения:

| Направление | Доля компаний | Примеры | |---|---|---| | Создание учебных материалов | 72% | Генерация текстов курсов, сценариев, тестов | | Персонализация обучения | 58% | Адаптация программ под уровень сотрудника | | AI-тьюторы и ассистенты | 45% | Ответы на вопросы, помощь в обучении | | Оценка знаний | 41% | Автоматическая проверка тестов и заданий | | Аналитика эффективности | 38% | Прогнозирование результатов обучения |

Самые популярные AI-инструменты для обучения

Компании используют широкий спектр решений — от отечественных платформ до международных моделей:

1. YandexGPT / GigaChat — генерация учебных материалов (54% опрошенных)
2. ChatGPT / GPT-модели — AI-тьюторы и сценарии диалогов (47%)
3. Российские LMS-платформы с AI-модулями — Mirapolis, WebTutor, iSpring (42%)
4. Специализированные AI-решения для HR — анализ навыков, построение карт компетенций (31%)
5. No-code AI-инструменты — быстрая сборка учебных ботов (22%)

Почему 55% HR-директоров требуют AI-аналитику

Исследование показало: AI-аналитика становится обязательным навыком для HR-специалистов. Три главные причины:

1. Эффективность обучения без AI измерить невозможно

Традиционные HR-метрики (количество обученных, часы, бюджет) не показывают реальную отдачу. AI-аналитика позволяет:

• Связать обучение с бизнес-показателями (рост продаж, снижение ошибок)
• Выявить, какие форматы обучения работают лучше всего
• Спрогнозировать, какие сотрудники нуждаются в дополнительном обучении

2. AI автоматизирует рутину HR

Большинство HR-операций можно автоматизировать:

• Подбор персонала — AI-скрининг резюме, автоматические интервью
• Адаптация новичков — AI-боты для onboarding, ответы на частые вопросы
• Оценка персонала — AI-анализ результатов, 360 градусов
• Планирование карьеры — AI-рекомендации по развитию

3. Конкуренция за таланты требует AI-подхода

Компании, использующие AI в HR, получают преимущество:

• Скорость найма в 2-3 раза выше
• Retention новых сотрудников на 40% выше
• Затраты на обучение снижаются на 30-50%

Как внедрить AI в корпоративное обучение: пошаговый план

Шаг 1. Начните с малого — AI-генерация материалов

Не нужно внедрять всё сразу. Начните с генерации учебных материалов с помощью нейросетей:

• Создавайте описания курсов, сценарии, тесты
• Используйте AI для адаптации текстов под разные уровни
• Генерируйте краткие конспекты длинных материалов

Шаг 2. Добавьте AI-тьютора в существующую LMS

Большинство современных LMS-платформ поддерживают интеграцию AI-ассистентов. AI-тьютор может:

• Отвечать на вопросы сотрудников 24/7
• Объяснять сложные концепции разными способами
• Подсказывать, где найти нужную информацию

Шаг 3. Внедрите AI-аналитику обучения

Перейдите от сбора данных к анализу:

• Какие темы вызывают больше всего вопросов у сотрудников?
• Какие форматы обучения дают лучший результат?
• Кто из сотрудников отстаёт и нуждается в дополнительной поддержке?

Шаг 4. Автоматизируйте HR-процессы

Подключите AI-агентов к HR-системам:

• Telegram-бот для HR — ответы на вопросы сотрудников, заявки на обучение
• AI-ассистент рекрутера — первичный скрининг, назначение собеседований
• AI-аналитик — автоматические отчёты по эффективности обучения

Отраслевая специфика

| Отрасль | Как используют ИИ в обучении | Эффект | |---|---|---| | IT и разработка | AI-тьюторы по языкам программирования, генерация кейсов | Ускорение onboarding в 2 раза | | Ритейл | Скрипты продаж, AI-тренажёры переговоров | Рост конверсии на 25% | | Производство | Видеоинструкции с AI-озвучкой, проверка знаний | Снижение брака на 30% | | Финансы | AI-симуляторы работы с документами, комплаенс | Сокращение ошибок на 50% | | Медицина | AI-кейсы для диагностики, обучение работе с EMR | Повышение точности на 35% |

❓ Часто задаваемые вопросы

Сколько стоит внедрение AI в корпоративное обучение? MVP с AI-генерацией материалов — от 150 000 рублей. Полноценная система с AI-тьютором и аналитикой — от 500 000 рублей. Окупается за 3-6 месяцев за счёт снижения затрат на разработку курсов и повышения эффективности.

Какие российские платформы поддерживают AI-обучение? iSpring, Mirapolis LMS, WebTutor, Teachbase — все крупные LMS уже имеют AI-модули или API для интеграции.

Нужно ли заменять преподавателей AI? Нет. AI — это инструмент для преподавателя, а не замена. Лучшие результаты даёт гибридный подход: AI берёт на себя рутину (генерация материалов, проверка, аналитика), а преподаватель фокусируется на живом общении и сложных вопросах.

Как измерить ROI от AI в обучении? Сравните затраты на разработку курсов до и после AI, скорость адаптации новых сотрудников, и бизнес-показатели (продажи, качество сервиса) после обучения.

📖 Читайте также

• /blog/ii-korporativnoe-obuchenie-rossijskie-kompanii-2026/
• /blog/vnedrenie-ii-korporativnoe-obuchenie-poshagovoe-rukovodstvo-2026/
• /blog/ai-avtomatizaciya-hr-rekrutinga-najm/
• /blog/obuchenie-sotrudnikov-ai-kultura-kompanii/

🚀 Хотите внедрить AI-автоматизацию в свой бизнес? Раисыч поможет настроить AI-агентов, чат-ботов и системы лидогенерации под ключ.

Заказать консультацию — raisovich.ru

Какие навыки HR-специалистов станут ключевыми в 2026 году?

55% HR-директоров считают AI-аналитику обязательным навыком. Специалистам необходимо уметь работать с нейросетями для генерации учебных материалов, анализа эффективности обучения и автоматизации HR-процессов.

С чего начать внедрение AI в корпоративное обучение?

Оптимальный старт — AI-генерация учебных материалов: создание описаний курсов, сценариев и тестов с помощью нейросетей. Это не требует интеграции с LMS и даёт быстрый результат за 1-2 недели.

Какие российские LMS уже поддерживают AI-интеграцию?

iSpring, Mirapolis LMS, WebTutor и Teachbase — все крупные российские LMS-платформы уже имеют AI-модули или API для подключения AI-тьюторов и аналитики.

Часто задаваемые вопросы

Что даст эта статья?

Вы получите практические рекомендации и пошаговые инструкции, которые можно применить в своём бизнесе.

Сколько времени займёт внедрение?

Сроки зависят от сложности задачи. Обычно от 1 дня до 2 недель на первый результат.

Нужна ли техническая подготовка?

Большинство описанных решений не требуют глубоких технических знаний. Мы подбираем инструменты под уровень команды.

Что делать, если нужна помощь?

Свяжитесь с нами — мы проведём аудит, подберём решение и поможем с внедрением.

Что меняет закон о суверенном ИИ

Закон устанавливает три ключевых направления регулирования:

| Направление | Суть | Срок | |---|---|---| | Маркировка AI-контента | Все материалы, созданные с помощью ИИ, должны содержать явную маркировку | С 1 сентября 2026 | | Национальные модели | Приоритет использования российских AI-моделей в госсекторе и стратегических отраслях | Поэтапно, с 2026 | | Безопасность данных | Обработка данных российских пользователей — на серверах в РФ | С 1 сентября 2026 |

Кого касается закон

Закон распространяется на всех, кто использует ИИ в коммерческой деятельности:

• Бизнес, использующий AI-генерацию контента — тексты, изображения, видео
• Компании с AI-чатами и AI-агентами — клиентский сервис, продажи, поддержка
• Платформы с AI-рекомендациями — персонализация, ленты, подборки
• Разработчики AI-решений — создатели моделей, API-провайдеры
• Маркетплейсы и e-commerce — AI-описания товаров, AI-аналитика

5 шагов подготовки бизнеса к закону о суверенном ИИ

Шаг 1. Аудит текущих AI-решений

Проведите инвентаризацию всех систем, использующих ИИ:

• Какие модели используются (GPT, Claude, Gemini, YandexGPT, GigaChat)?
• Где хранятся и обрабатываются данные?
• Какой контент генерируется автоматически?
• Где нужна маркировка AI-контента?

Результат: полный реестр AI-решений с оценкой рисков по каждому.

Шаг 2. Внедрение маркировки AI-контента

С 1 сентября любой контент, созданный с помощью ИИ, должен быть явно помечен. Это касается:

• Текстов — статьи, описания, ответы AI-агентов
• Изображений — AI-графика, фото, дизайн
• Видео — AI-сгенерированные ролики
• Аудио — синтезированная речь, музыка

Практическое решение: добавьте водяной знак «Создано с помощью ИИ» на все генерируемые материалы. Для изображений используйте XMP-метки, для текстов — примечание в начале или конце.

Шаг 3. Миграция на российские AI-модели (где это критично)

Для госсектора и стратегических отраслей закон требует приоритетного использования российских моделей. Для коммерческого бизнеса рекомендуется:

• YandexGPT / YandexART — тексты и изображения
• GigaChat от Сбера — диалоговые AI-агенты
• Cloud.ru AI Workflows — автоматизация бизнес-процессов
• Российские AI-API — через партнёрские интеграции

Однако полный отказ от GPT-моделей может быть преждевременным — российские модели пока отстают по качеству в сложных сценариях. Оптимальная стратегия: гибридный подход с российскими моделями для чувствительных данных и GPT — для сложных задач.

Шаг 4. Приведение инфраструктуры к требованиям безопасности

Персональные данные российских пользователей должны обрабатываться на серверах в РФ. Это означает:

• Перенос AI-пайплайнов на российские серверы
• Использование российских облачных платформ (Cloud.ru, Yandex Cloud, SberCloud)
• Аудит обработки данных через API зарубежных моделей
• Настройка прокси-серверов для зарубежных AI-API с логированием

Шаг 5. Юридическая подготовка документации

• Обновите политику обработки персональных данных
• Добавьте пункт о маркировке AI-контента в договоры с подрядчиками
• Подготовьте внутренние регламенты использования ИИ сотрудниками
• Назначьте ответственного за соответствие закону о суверенном ИИ

Сравнение: что было и что будет

| Аспект | До закона | После 1 сентября 2026 | |---|---|---| | Маркировка AI | Не требовалась | Обязательна для любого AI-контента | | Модели | Любые, включая зарубежные | Приоритет российских в госсекторе | | Данные | Могут обрабатываться за рубежом | Только в РФ | | Ответственность | Не определена | Штрафы и блокировки за нарушения | | AI-агенты | Без регулирования | Требования к прозрачности |

Какие штрафы грозят за нарушение

На текущий момент законопроект предусматривает:

• За отсутствие маркировки AI-контента — от 50 000 до 500 000 рублей
• За обработку данных за рубежом — от 300 000 до 1 000 000 рублей
• За использование ИИ без маркировки в рекламе — дополнительные санкции ФАС

Точные размеры штрафов будут утверждены подзаконными актами до 1 сентября 2026.

❓ Часто задаваемые вопросы

Обязательно ли полностью отказаться от GPT-моделей? Нет. Закон не запрещает использование зарубежных моделей, но вводит приоритет российских для госсектора. Для коммерческого бизнеса достаточно соблюдать требования по маркировке и обработке данных.

Как маркировать AI-контент в Telegram-каналах? Достаточно добавить пометку «Создано с помощью ИИ» в начале или конце поста. Для изображений — водяной знак, для видео — субтитры с указанием.

Касается ли закон AI-агентов в чатах поддержки? Да. Если AI-агент генерирует ответы клиентам, это считается AI-контентом и требует маркировки. Практическое решение: добавить фразу «Ответ подготовлен AI-ассистентом» в подписи к сообщениям.

Что делать с уже существующим AI-контентом на сайте? Если контент опубликован до 1 сентября 2026, маркировка не требуется. Но для новых материалов — обязательна с даты вступления закона.

Поможет ли закон развитию российских AI-моделей? Да, это основная цель закона. Создание преференций для российских разработчиков должно ускорить развитие отечественных AI-решений.

📖 Читайте также

• /blog/zakon-suverennyj-ii-rossiya-izmeneniya-biznes-2026/
• /blog/kak-biznesu-podgotovitsya-k-zakonu-suverennyj-ii-2026/
• /blog/etika-ai-dlya-biznesa-dipfeiki-prava/

🚀 Хотите внедрить AI-автоматизацию в свой бизнес? Раисыч поможет настроить AI-агентов, чат-ботов и системы лидогенерации под ключ.

Заказать консультацию — raisovich.ru

Какие штрафы грозят за нарушение закона о суверенном ИИ?

За отсутствие маркировки AI-контента — от 50 000 до 500 000 рублей, за обработку данных за рубежом — от 300 000 до 1 000 000 рублей, за использование ИИ без маркировки в рекламе — дополнительные санкции ФАС.

Какие модели ИИ считаются российскими по новому закону?

К российским моделям относятся YandexGPT, YandexART, GigaChat от Сбера и решения на базе Cloud.ru AI Workflows. Закон требует приоритетного использования этих моделей в госсекторе и стратегических отраслях.

Часто задаваемые вопросы

Что даст эта статья?

Вы получите практические рекомендации и пошаговые инструкции, которые можно применить в своём бизнесе.

Сколько времени займёт внедрение?

Сроки зависят от сложности задачи. Обычно от 1 дня до 2 недель на первый результат.

Нужна ли техническая подготовка?

Большинство описанных решений не требуют глубоких технических знаний. Мы подбираем инструменты под уровень команды.

Что делать, если нужна помощь?

Свяжитесь с нами — мы проведём аудит, подберём решение и поможем с внедрением.

Что такое Programmatic Tool Calling в GPT-5.6 Sol

Programmatic Tool Calling — это новый подход к взаимодействию AI-модели с внешними инструментами. Вместо того чтобы последовательно вызывать функции одну за другой (как в классическом Function Calling), GPT-5.6 Sol пишет программу на Python, которая сама оркестрирует все вызовы.

Разница в подходе:

| Характеристика | Классическое Function Calling | Programmatic Tool Calling (GPT-5.6 Sol) | |---|---|---| | Подход | Последовательные вызовы | Модель пишет код-оркестратор | | Потребление токенов | Высокое (каждый шаг = полный контекст) | На 63,5% ниже | | Сложность пайплайнов | Ограниченная | Поддерживает циклы, условия, ветвления | | Время выполнения | Линейно от числа шагов | Оптимизировано | | Ошибки в цепочках | Каждый шаг может упасть | Единая программа с обработкой ошибок |

Как это работает на практике

GPT-5.6 Sol получает запрос пользователя, анализирует, какие инструменты нужны, и генерирует Python-скрипт, который:

1. Параллельно опрашивает несколько API
2. Применяет логику ветвления (если API вернул ошибку — использует резервный)
3. Агрегирует результаты в единый ответ
4. Обрабатывает состояния и контекст между вызовами

Это критически важно для бизнес-сценариев, где AI-агенту нужно одновременно работать с CRM, базой знаний, Telegram API и внешними сервисами.

GPT-Live: голосовые AI-агенты нового поколения

GPT-Live-1 и GPT-Live-1 mini — это полнодуплексные голосовые модели, которые способны одновременно слушать и говорить. В отличие от предыдущих голосовых решений OpenAI, где была задержка между репликами, GPT-Live работает как живой диалог.

Сценарии для бизнеса

| Сценарий | Эффект от GPT-Live | |---|---| | Колл-центр | Обработка звонков без пауз, естественный диалог | | Квалификация лидов | 24/7 приём входящих, мгновенная передача в CRM | | Техподдержка | Решение проблем на первом звонке без переключения на оператора | | Запись клиентов | Бронирование, запись на услуги, опросы | | Обучение персонала | Интерактивные тренажёры с голосовым интерфейсом |

GPT-Live-1 vs GPT-Live-1 mini

| Параметр | GPT-Live-1 | GPT-Live-1 mini | |---|---|---| | Качество диалога | Максимальное | 90% от флагмана | | Задержка | <300 мс | <200 мс | | Стоимость | Выше | Значительно ниже | | Сценарии | Сложные переговоры | Массовые звонки, скрипты |

Что это значит для бизнеса в России

Сочетание GPT-5.6 Sol и GPT-Live открывает новые возможности:

1. Экономия на инфраструктуре. Снижение потребления токенов на 63,5% означает, что тот же объём работы обходится в 2-3 раза дешевле. Для бизнеса с высокими объёмами AI-запросов это прямое снижение операционных затрат.