Тут собраны и кратко описаны различные мои проекты с применением ИИ и некоторый интересный опыт

Отвечает на вопросы по функционалу системы, путешествует по всей системе и анализирует код в реальном времени.

Вызываем агента в любом месте системы и задаём любой вопрос: Как выполняется расчёт? Что делает функция? Что означает ошибка? Что делать, если...? Для чего это поле? и т.д.

Работает с задачами из трекера (Jira, Redmine): анализирует задачу, задаёт уточняющие вопросы, структурирует ТЗ, создаёт проект, находит и собирает объекты в проект в MS Dynamics AX, предлагает варианты решений, модифицирует объекты, пишет код, компилирует, исправляет ошибки, выполняет всю модификацию и передаёт её консультанту.

По сути это полноценные агенты, написанные внутри MS Dynamics AX на языке X++, выполняющие задачи в цикле или за некоторое количество последовательных шагов, когда следующий шаг зависит от результата предыдущего, с памятью в рамках задачи.

Изначально делал для себя — автоматизировал до 70% своей ежедневной работы.

Сейчас работает в 3-х компаниях, использующих MS Dynamics AX. Есть статьи с подробным описанием и видео.

Проводит серию интервью с сотрудниками через мессенджер, выявляет рутину и узкие места, формирует карту процессов с рекомендациями по автоматизации.

Работает так: загружаем структуру отдела/компании (Excel-файл), получаем ссылку с токеном для каждого сотрудника, сотрудник подключается к боту в мессенджере по ссылке, бот на основе RAG-накопленных знаний проводит с каждым сотрудником 3 волны опросов (в том числе голосовых) по 5-7 вопросов каждая в течение недели, на выходе по завершению выдаёт отчёт о выявленных местах автоматизации и наиболее подходящих для ИИ-автоматизации.

Накапливает информацию и выявленные процессы, готовится к каждой сессии-опросу, проводит анализ сквозных процессов между сотрудниками и отделами — таким образом охватывает всю компанию целиком.

Использую для себя в отдельных отделах компаний в качестве первичного обследования. Есть статьи с подробным описанием.

Производственная продуктовая компания, поставщик для сетей.

400 постоянных и 300 «плавающих» мерчандайзеров ежедневно делают 2000-4000 фотографий полок и выкладок товаров в магазинах.

Все эти фото ежедневно выборочно просматривают 2 специальных сотрудника в офисе на предмет правильной выкладки, наличия товаров и учёта работы мерчандайзеров.

Было желание автоматизировать и расширить проверку фото и самих мерчандайзеров с помощью ИИ-инструментов. Сначала хотел было сам, но, погрузившись в тему, понял, что есть специализированные немаленькие компании, которые уже годами занимаются только этим — распознают фото товаров и полок, выявляют соответствия планограммам, вычисляют размеры по фото и пр. В этом случае правильнее было использовать их сервисы.

В итоге стоимость обработки тех самых 2000-4000 фото в день составила 1,5-2 млн. рублей в месяц.

Интересные цифры: 300 тыс. (ЗП сотрудников) ДО и 2 млн. ПОСЛЕ.

НО: выборочные проверки ДО и проверки всего со своевременной реакцией (мерчандайзер в некоторых случаях даже не сможет отправить фото — сначала надо исправить расположение товара на полке) ПОСЛЕ. Если для компании это основная витрина и значительный прирост продаж, то стоит того?! Скоро узнаем.

Компания: поставщик на маркетплейсе (нет кабинета продавца и API)

Процесс: менеджеры e-commerce ежедневно вручную проверяют выборочно цены и остатки своих товарных позиций на маркетплейсе, выявляют инциденты (скачки и падения цен, наличие остатков и пр.), по инцидентам они связываются с выделенными менеджерами самого маркетплейса.

Решение и реализация: автоматический (по расписанию) сбор данных с маркетплейса, накопление и анализ информации, проверки на наличие инцидентов, автоматический своевременный сигнал менеджеру маркетплейса. Менеджерам e-commerce теперь только ответ от маркетплейса приходит либо инцидент в кратчайшие сроки решается сам.

Результат: час-два-три ручной работы в день → 0, отчёт ждёт к началу рабочего дня, история накапливается для аналитики, автоматическое своевременное решение инцидентов. Стоимость 2000 рублей в месяц (29$ на подписку Apify для скрапинга)

Производство продовольственных товаров размером не более ладони. Они упаковываются в мягкие и твёрдые групповые упаковки, упаковки в короба, короба на паллеты. На складах временного хранения оплата за паллету — чем больше товара на паллете, тем дешевле хранение (площадь и высота паллеты фиксированы). Комбинации размеров коробов различные для разных товаров и групповых упаковок и рождаются эти размеры из нескольких факторов: клиенты-поставщики, маркетинг-продажи, сотрудники склада и логистики — каждый в своих интересах пытается влиять на эти размеры, таким образом получается множество вариантов.

Специальный человек формирует-утверждает-согласовывает оптимальную укладку коробов на паллету. Иногда не оптимальную, как выяснил мой ИИ-агент первым делом, проанализировав все согласованные (порядка 250) схемы — предложил 12 вариантов более экономной укладки с учётом мягкой/твёрдой упаковок (мягкие можно чуть сжимать), изменив немного пропорции коробов (с «сохранением» объёма для размещения фиксированного количества групповых упаковок в коробе), в некоторых случаях предложил другие варианты расположения коробов, нарисовал схемы с пояснениями. Потом дал советы и инструкции по наиболее экономным размерам коробов для ориентиров в маркетинге и продажах. Теперь этот агент-калькулятор первым получает задание на расчёт экономики хранения новых упаковок-коробов в компании.

Эффективнее, чем человек-математик + калькулятор. Деньги считаются очень просто — тут приводить цифры не буду.

Эта прелесть для меня.

Работает так:

1. отбирает очень тонкой настройкой фильтров по большому постоянно пополняемому набору ключевых слов и сочетаний за период вакансии по названиям на hh.ru
2. проверяет по базе данных, была ли у нас ранее в обработке подобная вакансия — оставляет только новые
3. проверяет по своим «чёрным» спискам и компаниям те, которые не интересны — отфильтровывает
4. каждую вакансию пропускает через ИИ с соответствующим постоянно улучшаемым промптом — это многофакторный анализ (иногда я принимаю решение откликаться или нет почти на интуитивном уровне по совокупности красных/зелёных флагов, и этот пункт должен это повторить)
5. те вакансии, которые прошли, оцениваются и разделяются на 3 группы (HIGH, MEDIUM, LOW) не формально, а по очень чётким критериям
6. по вакансиям из категории HIGH дополнительный сбор информации о компании (hh, сайт, поиск в интернете), все вакансии компании на hh (для понимания кого ищут, чем живут, какие системы используют и пр.)
7. ИИ-анализ собранных описаний из п.6, выявление предполагаемых возможных болей в процессах на основе накопленного опыта (пересекается с ИИ-агентом для автоматического аудита бизнес-процессов), наложение моего опыта и стека, формирование карты ИИ-направлений с вариантами решений (это можно иногда даже в сопроводительном письме отправить — они только ищут специалиста, который подскажет, а в сопроводительном сразу угадываю их боли и предлагаю решения)
8. ИИ-анализ и сводка по шаблону для подготовки к собеседованию — что и в каких тональностях обсуждать
9. мои отклики по файлу на hh, краткие отчёты о результатах и акценты на тонких моментах для дообучения агента более глубокому анализу

Зачем я об этом тут написал: иллюстрация любого многофакторного процесса на грани интуиции и накопленного опыта с непрерывным усовершенствованием — наверняка у вас также при поиске-выборе клиентов/поставщиков/товаров/сервисов/исполнителей/партнеров... список бесконечен.

В одной компании большая часть сотрудников была очень недовольна сервисдеском как сервисом. ИТ-директор обозначил это как первую приоритетную задачу для ИИ. В самодельной веб-форме заполнение множества полей для создания каждой заявки, множество бессмысленных и неинформативных уведомлений на почту по каждому движению в заявке. При общении со службой поддержки также выяснилось, что они очень недовольны качеством описаний проблем в заявках — почти половина заявок возвращалась пользователям с уточняющими вопросами. Моя работа на первом этапе осложнялась ещё и очень нелояльным к ИИ руководителем отдела поддержки — он недостаточно активно принимал участие в формировании решений.

Первое, что я сделал: MCP-сервер для трекера задач и автоматический анализ задач за неделю + ИИ-сводка руководителю поддержки по всем возможным разрезам на почту. Получив пару красивых выверенных сводок и поигравшись сам с MCP-сервером, руководитель поддержки загорелся созданием бота-помощника для заявок.

Перед созданием заявки через мессенджер бот уточняет необходимую минимальную информацию у пользователя. Я провёл анализ всех существующих заявок, которые возвращались на уточнения пользователям, выявил (с ИИ) паттерны и разбил на категории — не так много вариантов уточнений оказалось. На этой информации сделали необходимые промпты, которые улетают в DeepSeek API вместе с обращениями пользователей (в RAG не было необходимости — мы определяли категорию уточнения и отправляли соответствующий промпт). Также добавили регистрацию в боте и профиль пользователя, чтобы часть информации вводилась один раз и не запрашивалась при создании каждой заявки. Запустили пилот — все были довольны, а руководитель поддержки теперь никак не остановится — всё придумывает новые улучшения. Теперь делаем автоматическое формирование базы знаний на основе заявок.

Сделал MCP-серверы: MAX (мессенджер), OZON, Честный Знак, Яндекс.Трекер, ВЕТИС Меркурий и многие другие. С установкой локально и подключением по URL. Есть ссылки, их можно найти в открытых источниках, некоторые зарегистрированы в официальном едином реестре.

Помимо прямого использования, удобно иногда сделать MCP-сервер для демонстрации возможностей и для усиления эффекта презентации или когда заказчик сам пока не может точно сформулировать, что он хочет, или с целью вовлечения скептиков (как в случае с руководителем поддержки в кейсах с сервисдесками).

40 менеджеров по продажам автомобилей. Строим «единое окно» управления для каждой роли в компании. Одно из таких окон — витрина для руководителя отдела продаж (РОП): рабочий экран, где он видит все машины и управляет продажами. Витрина показывает список машин с фильтрами/поиском и даёт РОПу выполнять действия:

• Бронировать авто — отметить машину как забронированную (дата/комментарий/информация о клиенте), чтобы её не продали дважды
• Отправлять на выдачу — сменить статус машины на «на выдаче» / «продано»
• Фиксировать маржинальность — внести цену продажи и увидеть/сохранить маржу (цена продажи − себестоимость) для финансового учёта
• Распределять продажу на менеджера — назначить ответственного менеджера по машине/сделке
• KPI-виджеты сверху: сколько машин в наличии / забронировано / на выдаче, суммарная маржа
• Разные права: РОП видит всё, менеджер — только свои машины
• Выгрузка сделок (для финансиста) и лог действий
• Адаптив под телефон

Компания планирует трейд-маркетинговые активности и их бюджеты по ключевым сетям (NKA).

Было: в Excel-файле недельная сетка на год, блоки по статьям расхода (ТМА/Others/Маркетинг), активности с периодом, механикой, суммами, АК %, № PO, план/факт.

Минусы: неудобно в большом Excel-файле, нет одновременного многопользовательского режима, доступ ко всей информации сразу для всех (можно просто забрать с собой файл с критичной информацией при увольнении, например).

Стало: кастомное веб-приложение с БД, удобными инструментами для ввода и отображения информации, правами доступа и многопользовательским режимом.

В филиале международного холдинга 3 аналитика каждый месяц готовят презентацию на 48 утверждённых слайдов с различными графиками, метриками, сравнениями с другими периодами и своими комментариями на английском. Каждый из аналитиков отвечает за свои 2-3 направления, которые представлены определённым количеством слайдов в итоговом отчёте. Внешне это простая презентация в PowerPoint. Графики и данные для презентации вырезаются из многочисленных Excel-файлов с различными маппингами и дополнительной информацией. Excel-файлы, в свою очередь, создаются на основе кубов и отчётов из 1С и других систем и источников.

Информации и её источников много. 5-го числа каждого месяца они могут начинать собирать её, 7-го числа фиксируют окончание изменений, до 15-го числа (что не очень нравится руководству) месяца, следующего за отчётным, они должны подготовить итоговую презентацию, проведя анализ и дав свои комментарии. Иногда этот период проходит в спешке и с переработками, но до следующего месяца можно аккуратно расслабиться.

Я перенёс итоговую презентацию на html-страницы, слайдов стало меньше, но добавился интерактив с переключениями на страницах, в некоторых местах появилась ненавязчивая анимация. Предварительный сбор информации за месяц запускаем 5-го числа, 7-го запускаем финальный прогон — 8-го у нас готовая новая презентация. Внешний вид сразу отметило и положительно оценило руководство.

Сбор информации делаем сразу из кубов и 1С (минуя Excel-файлы). Удобные формы для ввода дополнительной информации. Структура html-страниц фиксированная. Графики и комментарии на слайдах формируем с помощью ИИ. Передаём презентацию руководству 10-13-го числа каждого месяца после неспешной проверки аналитиками.