Я зарабатываю на замене людей нейросетью. Но есть работа, которую она не заберёт

Статья написана на основе интервью с Евгением Беловым, основателем агентства автоматизации NODECS.

Я не программист и не инженер. Я предприниматель, который собирает нейросетевые автоматизации для бизнеса. За полтора года такой работы я заменил нейросетью несколько отделов: где-то из семи человек оставался один, где-то двое.

В интернетах все чаще слышу мнение, что «ИИ скоро заменит всех», но я убедился, что это не так. С рутиной нейросеть и правда справляется блестяще, а на чём-то очень простом и человеческом ломается.

Хочу показать это на реальных кейсах: где автоматизация заменила целые отделы, а где провалилась, и почему.

Несколько лет я работал в крупном агентстве недвижимости — руководил отделом по работе с партнёрами. Им постоянно нужны были рекламные материалы под объекты: тексты объявлений, посты, описания квартир и так далее.

В конце 2023 года вышел ChatGPT-3.5, я попробовал генерить через него тексты и понял, что огромный кусок рутины можно отдать машине. Тогда в целом у многих началась эйфория из-за появления ChatGPT.

Мои коллеги, риелторы, начали просить тоже научить их пользоваться чатом. Я стал показывать, и быстро понял, что сейчас это будет нужно вообще всем, ведь любой бизнес завязан на рутине.

Вскоре я и дошёл до идеи встраивать нейросети сразу внутрь рабочих процессов компаний. Открыл агентство по автоматизации, начал помогать бизнесу.

Сейчас ко мне приходят в основном селлеры с проблемами по типу: «у нас менеджеры тонут в отзывах на ВБ» или «заявки с сайта обрабатываются сутками, клиенты не дожидаются».

Я собираю под эту боль автоматизацию — связку из нейросети, мессенджера и CRM, которая делает рутинную работу вместо отдела людей. За полтора-два года таких проектов набралось несколько.

Прежде чем я покажу, где именно не справляется нейросеть, надо рассказать про этап, с которого всё начинается. На первый взгляд он самый скучный, но именно на нём проекты чаще всего и проваливаются.

Всё начинается с разговора

Хороший результат на 90% зависит от того, насколько точно я собрал техническое задание у заказчика. Схалтуришь здесь, и дальше не сможешь нормально работать

Нейросеть не пойдёт за меня разговаривать с условным Иваном Кабанычем. Она не знает его бизнес и его боль, не может сама раскопать то, что у него в голове. Моя задача — вытащить из него, как у него на самом деле всё устроено, и оцифровать это.

Оказалось, у большинства компаний рабочий процесс целиком нигде не описан. Где-то у менеджеров есть скрипт разговора, где-то шаблоны ответов, где-то регламент на пару страниц. Но это всегда обрывки.

Полной картины нет нигде: что отвечать в нестандартной ситуации, какой документ куда отправить, как поступить в спорном случае, кто принимает решение. У селлера с оборотом четыре миллиарда в год нет такого файла. У застройщика из топ-5 страны тоже нет.

Причины у этого разные. Чаще всего бизнес рос быстрее, чем кто-либо успевал его описывать: процессы лепили на ходу, и пока всё работает, садиться и подробно их записывать кажется пустой тратой времени. Новичку можно просто показать.

А вот для качественной автоматизации полное описание процесса критически важная вещь, потому что машине «показать» нельзя, ей нужно расписать всё БУКВАЛЬНО.

Поэтому важнейшая часть моей работы — собрать эту информацию, разобраться в ней и подтвердить, что всё правда работает именно так. Чем хуже собрано ТЗ, тем хуже потом: уже на тестах вылезает, что нейросеть должна была учесть ещё вот этот документ и вот этот — а заказчик про них просто забыл сказать.

Мне тут помогает то, что я сам много лет предприниматель и примерно представляю, какие вопросы задавать и куда копать. 

Можно идеально владеть нейросетью и технической частью, но без опыта в бизнесе ты просто не знаешь, что спрашивать у заказчика и что из его ответов на самом деле важно. 

У меня наоборот: я не супер-программист, но хорошо разбираюсь в бизнес-процессах.

Перед встречей с заказчиком я подготавливаюсь через тот же ChatGPT. Допустим, человек торгует самолётами. Ещё до созвона я обсуждаю с чатом, в чём вообще могут быть нюансы такого бизнеса:

— продаёт самолёты целиком или только двигатели?

— у него своё производство или он посредник?

Я сам заранее достраиваю картину, чтобы прийти на разговор подготовленным. От ответов зависит, что именно придётся автоматизировать. Если у заказчика своё производство, значит, почти наверняка есть отдел контроля качества, поток рекламаций, гарантийные случаи, и автоматизировать надо будет именно эти узкие места.

Когда базово картину понял, пишу чату: «Завтра созваниваюсь с заказчиком, дай тридцать вопросов, чтобы полностью понять его бизнес и его проблему».

Дальше идёт сам созвон с заказчиком, где я и собираю это полное описание процесса — по сути, собираю в одном месте всё, что у людей в головах.

И только когда передо мной вся цепочка — откуда берётся задача, что с ней происходит на каждом шаге, какой результат и кому нужен в конце, — становится видно, что и куда должна перекладывать будущая автоматизация.

Условно: вот сюда приходит запрос клиента, отсюда система берёт нужные данные, тут формирует ответ, а итог отправляет — кому-то в виде короткого сообщения в Телеграм, кому-то таблицей. Пока этой цепочки нет, открывать нейросеть бессмысленно, потому что ей нечего поручить.

Контроль качества звонков: из отдела в семь человек остался один

Это был мой самый первый проект, и именно на нём я впервые увидел, как одна автоматизация снимает работу с целого отдела. Это был отдел контроля качества в крупном агентстве недвижимости, где больше ста человек.

Раньше в офисе сидел целый отдел сотрудников, которые весь день прослушивали звонки менеджеров. Руководитель отдела продаж сам давал список, кого из его менеджеров проверить — сегодня Петю и Васю, завтра Диму. По этому списку сотрудники и работали. 

У них был чек-лист — представился ли менеджер, выявил ли потребность клиента, не сыпал ли словами-паразитами. Звонок шёл две, семь, пятнадцать минут, его надо было прослушать целиком, отметить пункты, перенести в таблицу, собрать отчёт и отдать руководителю.

Ко мне пришли с вопросом: можно ли это автоматизировать? Я такого ещё не делал, но сел разбирать задачу — вытаскивал на созвонах, как у них всё устроено, прямо по шагам. 

Я понимал, что раз у сотрудников уже есть чёткий чек-лист, по которому они оценивают звонок, значит, задачу можно формализовать. А с формализованным нейросеть работает хорошо, потому что ей не нужно ничего домысливать.

Первую версию я собрал на Zapier — это конструктор автоматизаций, где процесс складываешь из готовых блоков, не программируя. Она работала, но вышла дорогой: в Zapier платишь за каждое отдельное действие, а в цепочке их десятки. Т.е. это плата за пользование сервисом, поверх любых нейросетей. 

Поэтому я перенёс всё на n8n — конструктор похожий, но его я развернул на своём сервере. За сам сервер плачу фиксированную небольшую аренду, а вот за действия внутри n8n платить уже не нужно, только за токены самой нейросети. На объёме это выходит в разы дешевле.

Дальше продумывал схему. Система получает запись звонка, расшифровывает её в текст, прогоняет по чек-листу, заполняет таблицу и отправляет руководителю.

Сверх того даёт рекомендации: тут перебор слов-паразитов, тут менеджер не выявил потребность, ему стоит пройти такой-то тренинг. В агентстве был отдел обучения, и система начала подсказывать, какую именно программу подтянуть конкретному менеджеру.

Нужно было решить, откуда система будет забирать звонки. Можно было подключить телефонию напрямую, но тогда она тянула бы вообще все разговоры подряд.

Половина звонков — это «перезвоните через час», там нечего расшифровывать и нечего оценивать. А токены за обработку сгорают на каждом. Гонять всё подряд значит тратить деньги впустую на расшифровку бессмысленных звонков.

Здесь нужен был человек, который решает, что расшифровываем сегодня. Раньше в отделе контроля качества работало семь сотрудников. После автоматизации с задачей стал справляться один. 

Руководитель теперь даёт ему список менеджеров на проверку, человек заходит в телефонию, выгружает нужные звонки и складывает в папку на Google Диске. Система следит за этой папкой: появилась новая запись — сама её забирает, расшифровывает, оценивает по чек-листу, оформляет отчёт и отправляет. 

Раньше на один звонок уходило минут пятнадцать, теперь весь разбор занимает одну-две минуты, и человек в нём почти не участвует.

Раньше отдел успевал разбирать около ста звонков в неделю. Теперь столько же проходит за день, и делает это один сотрудник вместо семи. А ещё вырос темп обратной связи, и это для отдела продаж важнее, чем кажется. 

Менеджер мог провести плохой звонок в понедельник, а узнать об этом в пятницу, когда уже и не вспомнить, что там было. После внедрения подобной автоматизации он звонит утром, а к обеду они вместе с руководителем уже разобрали ошибку. Менеджер исправляется на следующем же звонке. 

А чем быстрее он понимает, что делает не так, тем быстрее начинает продавать лучше — то есть автоматизация контроля качества в итоге влияет на выручку.

А ещё изменилось само качество проверки. Человек слушает звонки предвзято: сотрудники знали менеджеров лично, к кому-то относились теплее.

Плюс это тяжёлая монотонная работа, и после пятого-десятого звонка за смену внимание ухудшается, ошибки начинаешь пропускать. А нейросети всё равно, кто на записи и какой это по счёту звонок за день. 

У неё чек-лист: поздоровался — галочка, назвал клиента по имени — галочка, не назвал — ноль баллов, и никаких «ну он уж хороший парень, мы с ним пиво пили, простим такую мелочь». Стало жёстче и честнее, и всплыли проблемы даже у лучших менеджеров.

Этот кейс был, в общем, простым: чёткий чек-лист, понятная формализуемая задача. Добротный кейс для бизнеса. А вот в следующем нейросети пришлось отвечать недовольным людям.

Отзывы на Wildberries: почему негатив нельзя отдавать машине

Следующий проект — ответы на отзывы для крупного селлера на Wildberries. По архитектуре это самое сложное, что я собирал.

У данного селлера больше пяти магазинов и шестнадцать тысяч отзывов в месяц. На каждый нужно ответить — это и репутация, и часть рейтинга, по которому маркетплейс ранжирует карточки. 

Встроенные автоответы Wildberries для качественного решения задачи не годятся: они отвечают шаблонно и криво, потому что не разбираются в конкретной одежде продавца. 

Поэтому селлер держал штат из семи сотрудников от Калининграда до Владивостока. Они посменно закрывали отзывы круглые сутки, персонально под каждый товар и каждую проблему.

Я сел за задачу, начал, как обычно, с диалога с ChatGPT. Я ему так и описал: вот компания, у неё товары такого-то типа, задача — забрать отзывы, сформировать ответ и отправить обратно на Wildberries. 

Дальше я перешёл в n8n. Чтобы не собирать всю схему с нуля вручную, я попросил ChatGPT описать заготовку автоматизации в формате JSON — это, по сути, текстовый чертёж, в котором перечислены шаги процесса. 

n8n умеет такой чертёж прочитать и сразу развернуть в черновую схему из блоков. Я загрузил этот JSON в n8n, получил первую структуру и дальше достраивал её вручную, блок за блоком, в зависимости от того, что должно происходить с данными на каждом шаге.

Сначала система забирает из магазинов товары и свежие отзывы к ним. Технически тут всё через личный кабинет продавца на Wildberries: у площадки есть API (это, по сути, способ, которым одна программа официально берёт данные у другой). 

Через него система и выгружает свежие отзывы и список товаров. Дальше она структурирует этот массив: какой товар к какому бренду относится, какой отзыв к какому товару, какая у него оценка.

Когда система поняла, что перед ней, например, отзыв на тройку на конкретные леггинсы с пометкой «катышки», подключается ассистент. 

Я сделал отдельного ассистента под каждый товар, всего их вышло 287. Каждый создан на платформе OpenAI, у каждого свой ID и свой системный промпт — это зашитая инструкция по типу «ты отвечаешь от лица такого-то магазина, обрабатываешь женские леггинсы, отвечаешь структурированно и по-доброму».

Система по ID товара обращается к нужному ассистенту, тот уже знает, что именно за товар и какая претензия, и формирует ответ.

При написании промптов я опирался на собственный опыт в продажах и на то, что вытащил из заказчика: какой товар, какие типовые претензии, каким тоном принято отвечать. По сути я под каждый товар проговорил нейросети, как себя вести.

Но довольно быстро полезли галлюцинации и нейрослоп. У любой нейросети есть процент ответов, которые получаются нейрослопными. Странные фразы невпопад, шаблоны по типу «чем сегодня могу помочь?», или бот вдруг бодро благодарит «за покупку нашего замечательного товара» в ответе на гневный отзыв про брак.

На позитивном отзыве такой ляп никто не заметит. А вот на фоне негатива он раздражает ещё сильнее: один тупой ответ под злым отзывом запоминается надолго и портит впечатление о бренде.

Люди вообще цепляются за плохое крепче, чем за хорошее, поэтому работу с негативом бизнес ведёт особенно осторожно, и именно поэтому целиком отдать её машине нельзя.

Способа убрать галлюцинации полностью я не нашёл, и почти уверен, что его нет. Поэтому пошёл другим путём — развёл отзывы по уровню риска и оставил человека там, где ошибка совсем недопустима. 

Положительные отзывы (5 и 4) система публикует сама, без подтверждения, там и ошибаться особо негде. А отрицательные (3, 2 и 1) уходят модератору. Из ответа нейросети система собирает короткую карточку и присылает её человеку в мессенджер.

Отдать негатив полностью машине — значит однажды нахамить клиенту от лица бренда.

Эту систему я настраивал больше месяца, было больше тысячи тестов: тут отвечает не так — правлю промпт, тут льёт воду — ставлю лимит не больше 900 символов. А когда заблокировали Телеграм, в котором была настроена модерация, перенесли весь интерфейс в ВК.

На этих отзывах раньше сидели те самые семь человек — осталось двое, и те работают посменно, только на модерации негатива. Пятерых пришлось уволить; при зарплате 50–60 тысяч на человека это около четверти миллиона в месяц, которые селлер начал экономить. 

А сама система обходится в десятки долларов в месяц на токенах. Несопоставимо с фондом зарплаты отдела.

Автоматизация также повлияла на скорость ответов. Раньше отзыв мог висеть без ответа сутками, потому что сотрудники физически не успевали разгребать поток в шестнадцать тысяч. Теперь клиент получает персональный ответ почти мгновенно.

Для покупателя это значит, что его услышали, а для селлера — что отзывы не копятся и рейтинг магазина не проседает.

Бот в Bitrix24: обработка заявок с сайта за десять долларов в месяц

Третий тип проектов — боты, которые принимают первые обращения клиентов, пока до них не дошли руки у менеджера. Покажу на продуктовой компании: она торгует шпаклёвкой, клеем, гвоздями и так далее.

Проблема была в том, что человек пишет в чат на сайте, а пока менеджер освободится и ответит проходит время, и клиент успевает остыть или уйти к конкуренту. Ночные обращения вообще висели до утра.

У компании есть два сайта с чат-виджетами (всплывающие окошки чата в углу страницы). К сайтам подключён Bitrix24 — там бизнес ведёт клиентов и сделки.

У Bitrix есть механизм «открытые линии»: он сводит сообщения со всех каналов (с сайта, из мессенджеров) в одно окно внутри CRM. Раньше там сидел менеджер, а мы вместо него поставили бота.

Теперь, когда человек пишет в окошко на сайте, его сообщение через открытые линии попадает к боту. Бот завязывает разговор: выясняет имя, что человеку нужно, выясняет номер телефона. 

Как только всё собрано — сам создаёт сделку и заполняет карточку в CRM. Менеджер утром видит готовое: «Иван Иванович из Рязани хочет тридцать килограммов шпаклёвки и десять клея», остаётся позвонить и договориться.

Такому боту почти негде галлюцинировать, и это прямое следствие того, что задача узкая. У него жёсткий список вопросов и набор запретов в промпте: не спорь, не настаивай, если человек не хочет болтать и сразу просит менеджера — не дави, бери номер и передавай. 

Чем уже коридор задачи, тем меньше у нейросети простора для отсебятины. Поэтому заказчикам я говорю ещё на этапе договора: какой-то процент глюков будет всегда, но на узкой задаче глюк некритичный — максимум бот напишет фразу чуть коряво, на сделку это не повлияет.

Содержание такого бота обходится клиенту в пять-семь, максимум десять долларов в месяц на токенах. Почти во всех своих проектах я использую модель GPT-4.1. 

Я сравнивал её с другими — пробовал и DeepSeek, и Qwen. По итогу остановился на GPT-4.1: она хорошо держит промпт и не дописывает лишнего.  

У модели есть настройка «температуры» — грубо говоря, ползунок между «сухо и предсказуемо» и «творчески и непредсказуемо». Я ставлю её на среднее: ответы получаются живыми, но без фантазий и отсебятины. 

Плюс GPT-4.1 реже других уходит в галлюцинации и при этом стоит копейки. Для задач по автоматизации бизнеса её мне с головой хватает, и гоняться за чем-то ещё просто незачем, выигрыш в качестве будет незаметным, а возни больше.

У многих сейчас возникает проблема с доступом к самим моделям. Параллельно с проектами я много общаюсь с людьми, которые хотят разобраться в автоматизации сами. В какой-то момент на меня вышла большая онлайн-школа — я в Краснодаре нередко выступал на телевидении, рассказывая про автоматизацию, видимо, так и нашли. 

Позвали составить и вести курс по n8n. Собрали поток студентов, и тут же появилась проблема. Чтобы пробовать на курсе разные модели, каждому ученику надо было поднимать VPN, регистрировать зарубежные аккаунты, постоянно обходить блокировки. 

Для новичка это огромные сложности ещё до того, как он дошёл до самой автоматизации, — часть людей отваливается именно из-за этой возни, а не из-за сложности самой работы с ИИ.

Решили мы это агрегатором. Это сервис-посредник: он подключён к куче разных нейросетей, а тебе даёт один ключ сразу ко всем. Не заводишь отдельный аккаунт под GPT, отдельный под Claude. Платишь одному сервису в рублях и через него обращаешься к любой модели. 

Для новичка это снимает сразу две проблемы: не нужны ни VPN, ни зарубежная карта.

Я перебрал несколько таких агрегаторов и для курса остановился на Polza.ai — по совокупности удобнее всего вышло с оплатой и набором моделей. 

За курс мы собрали восемьдесят готовых шаблонов автоматизаций, и все они работали с одного ключа.

Позже я перевёл туда и часть своих рабочих систем — контроль качества звонков, например, сейчас работает через Polza. 

Мои автоматизации крутятся в продакшене у клиентов, и им нельзя падать. Когда платишь OpenAI напрямую из России, ты висишь на зарубежной карте и на аккаунте, который в любой момент может отвалиться по оплате или по блокировке. 

Телеграм с модерацией у меня уже однажды отключали, интерфейс пришлось срочно переносить в ВК. Терять так ещё и доступ к самой модели я не хочу. 

Чего нейросеть так и не смогла

Не всё автоматизируется. И понимать, где проходит граница, для меня так же важно, как уметь собирать сами автоматизации, — иначе наобещаешь заказчику чудо и подставишься. Один такой проект у меня был, признаю.

Это был тоже селлер на Wildberries, но с другой задачей. Здесь сотрудники сидели не на отзывах, а в чатах с покупателями. 

В этом чате сотрудники писали покупателю, который оставил негативный отзыв, и предлагали скидку или возврат денег в обмен на удаление отзыва. Товаров было много, люди не успевали, и нас попросили посадить на эту переписку нейросеть. Не вышло, и вот в чём дело.

Когда мы взялись за проект, Wildberries как раз начал закручивать гайки: площадка запретила прямо предлагать в чате деньги, скидки за удаление отзыва и уводить клиента в другие мессенджеры. Внутренний бот стал сканировать переписку и блокировать чат, если такое всплывало.

Я придумал единственный вариант: нейросеть сама ничего запрещённого не предлагает, а лишь мягко, без прямой ссылки, через название чата уводит покупателя в другой чат — туда, где сидит живой менеджер и уже может в индивидуальном порядке обсудить с ним возврат или скидку. Технически это работало и под блокировку не попадало.

Но когда товар реально оказывался плохим, а отзыв резко негативным, покупатель закипал.

«Куда вы меня тащите, я на вас жалобу напишу, верните деньги за товар».

А нейросеть отвечает гладко и по инструкции:

«Понимаю вас, давайте вернём средства, но у нас есть предложение — перейдите, пожалуйста, вот сюда».

И это бесит ещё сильнее.

«Никуда я не пойду, решайте здесь».

Месяц мы искали подход, пробовали так и эдак — и закрыли проект. Нейросеть не умеет того, на чём держится работа с эмоциями человека: почувствовать, когда надо замолчать и просто извиниться, импровизировать, где-то подыграть и сгладить, где-то обойти запрещённые формулировки. 

Она выполняет инструкцию, а разозлённому клиенту нужна не инструкция, а эмпатия. 

К чему я пришёл за эти полтора года

Сейчас новые клиентские проекты я почти не беру, и так хватает по сарафанке, веду потихоньку. Сам ушёл пробовать собственную разработку: делаю (внезапно!) SaaS-платформу и два мобильных приложения, это уже мои стартапы, а не заказы под клиентов.

Если в автоматизациях мне хватало конструктора, то здесь уже вайб настоящей разработки: пользуюсь Codex и Claude Code. 

Так что да, я тот самый вайбкодящий предприниматель — пишу продукты в диалоге с нейросетью, которая генерит код за меня. 

Знаю-знаю, на Хабре за такое могут и тапком запустить. Но я с миром и мыслями о том, что нейросеть никогда не сможет заменить настоящих инженеров. 

Своя разработка идёт долго и местами мучительно: половина того, что я собираю, — это уже тысячи строк кода (в одном проекте под шесть тысяч), и там, где раньше хватало схемы из кубиков, теперь надо хотя бы понимать сам код. 

Нейросеть его пишет, но спорить с ней, ловить её ошибки и переделывать всё равно приходится мне. Я не питаю иллюзий, что заменяю этим настоящего инженера, я просто учусь доводить свою идею до рабочего продукта.

Нейросеть также и не заменяет человека, который понимает бизнес, — она его усиливает. Самый дешёвый инструмент за десять долларов в месяц снимает рутину, на которой раньше сидел целый отдел. 

Но чтобы такая система вообще заработала, сперва нужно вытащить из заказчика и оцифровать то, что у него нигде не записано. 

И дальше человек всё равно остаётся в контуре: выбирает звонки на разбор, правит ответы под злыми отзывами, забирает разговор там, где бот только бесит клиента.

Так что если вы думаете, с чего начать автоматизацию своего дела, то начните не с выбора нейросети, а с того, чтобы дотошно разобраться, как у вас всё устроено. С нейросетью всегда успеете поработать.

Заходите в чат Polza.ai — там чинят упавшие связки n8n с нейросетями и обсуждают модели. Приносите свой кейс.