Кейсы

Реальные внедрения

Пять проектов из разных отраслей. Каждый кейс — от проблемы до измеримого результата с архитектурой и сроками.

КлиентОтрасльРазмерПродуктыОкупаемость
⚖️ ЮрфирмаЮриспруденция45 чел.LLM + RAG3 мес.
🚗 АвтопаркТранспорт85 чел.RAG + N8N5 мес.
🚛 ЛогистикаГрузоперевозки210 чел.LLM + RAG + N8N4 мес.
🔌 ЭлектроникаПроизводство160 чел.LLM + RAG + N8N5 мес.
🏗️ СтройкаСтроительство95 чел.RAG + N8N6 мес.
⚖️

Юридическая фирма

45 сотрудниковLLM + RAG

Проблема

Фирма на 45 человек, корпоративное право и арбитраж. Несколько юристов уже использовали ChatGPT лично — загружали фрагменты договоров для анализа, тексты исковых для редактуры. Персональные данные клиентов уходили в публичные LLM без ведома руководства — нарушение 152-ФЗ, адвокатской тайны и NDA. Поиск прецедентов по внутренней базе (5000+ документов) занимал 30-60 минут. Новый юрист входил в контекст дела клиента 2-3 часа.

Что внедрили

Этап 1 (недели 1-3): Корпоративный LLM. Прокси-сервер внутри контура компании. Фильтрация: ФИО, ИНН, паспортные данные маскируются автоматически перед отправкой в API. Библиотека из 40+ юридических промтов. Лимиты расходов и полный аудит-лог.

Этап 2 (недели 3-6): База знаний. Проиндексировано 5000+ документов. Интеграция с CRM: юрист спрашивает «Статус дела Иванова?» — получает сводку из документов, писем и событий. Бот в мессенджере: вопрос → ответ со ссылкой на документ-источник.

Юрист → Чат-интерфейс → [Фильтр ПД: маскировка ФИО, ИНН, паспортов] → [Поиск по RAG: 5000+ документов, карточки CRM] → [LLM API: Claude / GPT-4] → Ответ с источником + запись в аудит-лог

Результат через 3 месяца

0
утечек персональных данных
5 мин.
поиск прецедентов (было 30-60 мин.)
15 мин.
вхождение в дело (было 2-3 часа)
168 ч/нед.
экономия на всю фирму (~2.5 FTE)
3 мес.
окупаемость
🚗

Автопарк «120 единиц техники»

85 сотрудниковRAG + N8N

Проблема

120 машин (грузовики, спецтехника, легковые). Данные разбросаны по 5 местам: Excel с пробегами, 1С с расходами, бумажный журнал ТО, WhatsApp с механиками, фото в телефонах. Начальник автопарка тратил 3-4 часа ежедневно на сбор картины. Дважды за год пропустили страховку — штрафы и простой. Механики забывали фиксировать мелкий ремонт. Решения о списании техники — «на глаз».

Что внедрили

Этап 1 (недели 1-4): Единая база о парке. Все данные о каждой единице техники в одной системе. Синхронизация из 1С, GPS-трекера, Google Sheets через N8N. Чат-бот: «Статус МАЗ А123БВ» → пробег, ТО, расходы, водитель, история ремонтов.

Этап 2 (недели 4-8): Автоматизация. Напоминания за 14 дней до окончания страховки, за 7 дней до планового ТО. Ежедневный дайджест начальнику. Telegram-бот для механиков: фото + голосовое → система распознаёт и заносит в карточку. Автоматический месячный отчёт TCO по каждой машине.

Источники: 1С (расходы) ──┐ GPS-трекер ────┤ Google Sheets ─┤──→ N8N (синхронизация) ──→ Единая база (RAG) Telegram-бот ──┤ ↓ механиков ─────┘ Чат-бот для запросов ↓ Автоуведомления: ТО / страховка / пробег

Результат через 4 месяца

20 мин.
сбор информации (было 3-4 часа/день)
0
пропущенных страховок и ТО
95%
ремонтов фиксируется в день (было 40%)
–2.1 млн ₽/год
экономия на TCO (продали 7 убыточных машин)
5 мес.
окупаемость
🚛

Транспортная компания

210 сотрудников · 5 городовLLM + RAG + N8N

Проблема

300-400 заявок на перевозку в день из 5 каналов (email, сайт, Telegram, WhatsApp, телефон). Обработка одной заявки — 15-25 минут. Ошибки в расчётах стоимости в 8% случаев. Клиенты звонили 3-5 раз за перевозку: «Где мой груз?». Диспетчеры тратили полдня на планирование загрузки. Аналитика маржинальности маршрутов — раз в квартал, вручную.

Что внедрили

Этап 1: Единый канал заявок. N8N собирает из 5 каналов, ИИ парсит (вес, габариты, маршрут, спецтребования), автоматический расчёт стоимости.

Этап 2: База знаний логистики. Тарифы, маршруты, история ставок, контракты. Клиентский бот: «Где мой груз #12345?» → статус и ETA по GPS.

Этап 3: Аналитика. Ежедневный отчёт: загрузка, отклонения, маржинальность. Алерты при опозданиях.

Входящие каналы: Email / Сайт / Telegram / WhatsApp / Телефон ↓ N8N (парсинг заявки ИИ) → CRM ↓ ↓ Авторасчёт стоимости RAG (тарифы, маршруты, история) ↓ ↓ Менеджеру на Клиентский бот подтверждение «Где мой груз?» ↓ Ежедневная аналитика: загрузка, маржинальность, алерты

Результат через 5 месяцев

5 мин.
обработка заявки (было 15-25 мин.)
<1%
ошибок в расчётах (было 8%)
–70%
звонков «где мой груз?»
+2.1 млн ₽/кв.
маржи (скорректировали убыточные маршруты)
4 мес.
окупаемость
🔌

Производитель электроники — отдел продаж

160 сотрудников · 400+ SKULLM + RAG + N8N

Проблема

Каталог 400+ SKU со сложными техническими характеристиками. Менеджеры — не инженеры, ответ на техвопрос партнёра занимал от 2 часов до 2 дней. Коммуникации разбросаны по email, WhatsApp, Telegram — один клиент мог получить разные ответы. Маркетинговые описания для маркетплейсов создавались 2-3 недели на продукт. При уходе ключевого менеджера — потеря контекста по 40 клиентам.

Что внедрили

Продуктовая база знаний: 400+ карточек с характеристиками, сертификатами, FAQ. Менеджер спрашивает → мгновенный ответ с артикулом и ценой.

LLM для маркетинга: Генерация описаний для маркетплейсов на основе datasheet, автоперевод на английский, шаблоны КП.

Единый канал: N8N собирает все входящие в CRM. Автоклассификация (техвопрос / запрос цены / рекламация). ИИ готовит черновик ответа — менеджер проверяет и отправляет.

Каналы (Email / WhatsApp / Telegram / Сайт) ↓ N8N (парсинг + классификация) ↓ ↓ Техвопрос? Запрос цены? ↓ ↓ RAG (400+ SKU) Прайс-лист (дилер) ↓ ↓ Черновик ответа Готовое КП ↓ ↓ ─── CRM (единая история клиента) ─── Маркетинг: Datasheet → LLM → Описание / Каталог / КП

Результат через 4 месяца

15 мин.
ответ на техвопрос (было 2 часа — 2 дня)
1-2 дня
описание нового продукта (было 2-3 недели)
+18%
конверсия запросов в сделки
0
потеря контекста при уходе менеджера
5 мес.
окупаемость
🏗️

Строительная компания

95 человек · 4 объектаRAG + N8N

Проблема

4 объекта одновременно. Коммуникации — хаотичный набор WhatsApp-групп, email, звонков. «Забыли / потеряли / не знали» — рефрен каждого совещания. Прораб написал про арматуру — снабженец не увидел → простой бригады 2 дня. Директор тратил 1-2 часа НА КАЖДЫЙ объект, чтобы понять статус. Пробовали Битрикс24, Trello — на стройке никто не открывает ноутбук для обновления статуса.

Что внедрили

Ключевое решение: не заставлять людей на стройке использовать новые приложения. Всё работает через тот же WhatsApp, который они уже используют.

ИИ-бот в WhatsApp-группах: «слушает» переписку, автоматически распознаёт задачи, проблемы, статусы. Не требует команд — понимает обычный язык прораба.

Автоматические эскалации: просрочена задача → уведомление снабженцу и руководителю. Ежедневный дайджест директору.

База знаний объектов: документация, акты, фото с привязкой к дате и объекту, протоколы совещаний — всё индексируется и доступно по запросу.

WhatsApp-группы объектов (1, 2, 3, 4) ↓ ИИ-бот (парсинг сообщений) ↓ Распознание: - Задачи → трекер (автоматически) - Проблемы → алерт руководству - Статусы → обновление карточки объекта - Фото → подшивка к объекту ↓ N8N (автоматизация): - Ежедневный дайджест → директор (Telegram) - Просроченные задачи → эскалация - Еженедельный отчёт

Результат через 4 месяца

–75%
просроченных задач
2 мин.
статус объекта (было 1-2 часа)
–60%
простоев из-за поставок
~4.5 млн ₽
предотвращённые простои за квартал
6 мес.
окупаемость
Главное: Главное: люди не учили новых программ. Они продолжают писать в WhatsApp как привыкли — система работает «вокруг» них.
Следующий кейс — ваш

Хотите такой же результат?

Расскажем, как ИИ может помочь именно вашему бизнесу. Первая консультация бесплатно.

Оставить заявку →Написать в Telegram