Работаем под NDA.
Показываем результаты.
Ниже — 10 проектов из travel, ритейла, e-commerce, консалтинга, fintech, логистики, HR, недвижимости, производства и legal tech. Без названий брендов, но с реальной архитектурой, цифрами и ограничениями, с которыми мы столкнулись.
Как убедиться, что это не маркетинг
Метрики сняты из CRM, 1С, Grafana или аналитики заказчика, а не из наших презентаций.
На звонке можем показать код, дашборды и переписку с заказчиком с закрытыми названиями — под NDA.
В каждом кейсе честно указано, что не получилось с первого раза — реальные проекты так и выглядят.
международного travel-портала
в WhatsApp для B2B-сети
e-commerce платформы
для консалтинговой компании
для кредитного брокера
для транспортной компании
для массового найма
для агентства недвижимости
производителя автокомпонентов
для юридического отдела
Ядро агрегации для
международного travel-портала
Заказчик — travel-стартап на этапе роста — обратился с конкретной проблемой: старый монолит на Django не выдерживал парсинг цен от 12 поставщиков в реальном времени. При росте трафика в высокий сезон база данных отвечала с задержкой 2–4 секунды, часть запросов просто отваливалась по таймауту.
Решение: перенос логики агрегации с монолита на набор асинхронных микросервисов на FastAPI, с очередью задач через Redis Streams.
Инфраструктура: 12 асинхронных демонов на Python для сбора цен у поставщиков, кэширование горячих направлений в Redis с TTL 90 секунд.
Сложность: у трёх поставщиков не было стабильного API — пришлось делать резервный парсинг их сайтов через Playwright с ретраями и ротацией прокси.
async def fetch_flights(origin: str, dest: str) -> list[dict]:
cache_key = f"flights:{origin}:{dest}"
# сначала проверяем in-memory кэш
cached = await redis.get(cache_key)
if cached: return json.loads(cached)
# иначе — параллельный опрос демонов-парсеров
results = await asyncio.gather(*[
provider.get_prices(origin, dest)
for provider in active_providers
])Автономный AI-отдел продаж
в WhatsApp для B2B-сети
Оптовая компания теряла заявки из-за медленных ответов менеджеров в нерабочее время: клиенты писали в WhatsApp с запросом на 50–200 позиций, а ответ с расчётом персональной скидки занимал от 40 минут до нескольких часов.
Решение: изолированный LLM-агент на Python с прямым доступом к остаткам и ценам в 1С через API.
Процесс: бот разбирает текстовый или голосовой запрос, сверяет остатки на складе, считает скидку клиента по его тарифной сетке и формирует PDF-счёт.
Ограничение: жёсткий системный промпт и валидация цен вторым вызовом модели — чтобы бот физически не мог назвать цену, которой нет в 1С.
«Первую неделю мы вручную проверяли каждый счёт от бота — боялись, что где-то соврёт по цене. Ни разу не ошибся. Сейчас проверяем выборочно раз в пару дней.»
Привет. Мне нужно 400 метров кабеля ВВГнг-LS 3х2.5. Какая цена для нас (ИП Иванов) и сроки?
Здравствуйте! Да, кабель в наличии на складе (420м).
Ваша партнёрская цена (скидка 15%): 98 ₽/метр.
Сумма: 39 200 ₽. Срок отгрузки: завтра до 14:00.
Счёт сформирован и отправлен на email из договора.
SEO-фабрика для
e-commerce платформы
Нишевый маркетплейс с ассортиментом в десятки тысяч позиций боролся за трафик с крупными агрегаторами. Классическое SEO с ручным копирайтингом было нереально по срокам и деньгам — характеристики товаров к тому же постоянно менялись у поставщиков.
Решение: programmatic SEO: конвейер, который сам собирает данные, генерирует уникальный текст и публикует статические страницы.
Сбор данных: кастомные парсеры на Playwright собрали около 1,5 млн строк технических характеристик от поставщиков.
Ограничение: около 6% карточек имели противоречивые характеристики от разных поставщиков — для них добавили ручную модерацию перед публикацией.
Автономная рабочая группа
для консалтинговой компании
Аналитики тратили по 1,5–2 часа на сбор публичных данных по контрагентам перед созвонами с клиентами. Использовать обычный ChatGPT было нельзя из-за риска утечки коммерческой информации во внешний сервис.
Решение: закрытый контур из трёх агентов (Swarm) внутри корпоративного Telegram-чата, без передачи данных во внешние SaaS-инструменты.
Сценарий: менеджер отправляет ИНН → «Агент-аналитик» собирает данные из открытых реестров → «Агент-риски» проверяет суды и задолженности → «Агент-редактор» собирает отчёт.
Ограничение: модель иногда путала похожие компании с созвучными названиями — добавили обязательную сверку по ИНН на каждом шаге, а не только в начале.
«Раньше перед звонком с новым клиентом junior-аналитик полдня собирал справку. Теперь партнёр сам запрашивает её у бота за пять минут до созвона.»
Автоматизация пре-скоринга
для кредитного брокера
Проверка документов заёмщика (паспорт, справка о доходах, скан договора) вручную занимала 20–40 минут на заявку. В пиковые часы очередь на проверку растягивалась, и часть клиентов уходила к конкурентам, не дождавшись ответа.
Решение: конвейер OCR + LLM-валидация: документы распознаются, сверяются между собой на непротиворечивость и прогоняются через бизнес-правила скоринга.
Интеграция: прямая запись предварительного решения в Bitrix24, менеджер сразу видит статус и может запросить недостающий документ одной кнопкой.
Ограничение: рукописные справки распознавались с ошибкой около 8% — для таких случаев оставили обязательную проверку человеком, полностью автоматизировать не стали.
Оптимизация маршрутов
для транспортной компании
Диспетчеры строили маршруты вручную в Excel и 2ГИС. При росте заказов в сезон машины ходили полупустыми, а часть доставок срывалась по срокам — банально не хватало времени всё пересчитать руками при изменении заказа.
Решение: сервис оптимизации маршрутов на базе Google OR-Tools (задача маршрутизации транспорта), интегрированный с 1С и телематикой ГЛОНАСС.
Процесс: диспетчер видит все заказы на день, сервис за секунды предлагает распределение по машинам с учётом грузоподъёмности и временных окон.
Ограничение: данные о пробках в сельской местности были неточными — для таких участков добавили эвристику по историческим средним, а не live-трафик.
«Мы не поверили в цифры на пилоте — думали, повезло с маршрутами в тот месяц. Прогнали ещё два месяца на всём парке, экономия топлива подтвердилась.»
AI-агент первичного отбора
для массового найма
Агентство получало сотни откликов в месяц через hh.ru и Telegram на позиции склада и колл-центра. Рекрутеры тратили основное время не на собеседования, а на первичный отсев неподходящих кандидатов.
Решение: бот в Telegram/WhatsApp проводит первичный скрининг: голосовые ответы кандидата расшифровываются и оцениваются по заданному скрипту.
Процесс: рекрутеру передаются только кандидаты выше порога скоринга, с готовой карточкой и расшифровкой ответов.
Ограничение: первая версия слишком жёстко отсеивала нестандартные резюме — добавили «серую зону» 40–60% баллов, которую всегда смотрит человек.
Квалификация лидов
для агентства недвижимости
Заявки с Авито и рекламы падали в общий WhatsApp-инбокс. Среднее время первого ответа доходило до 40 минут, и часть клиентов за это время уже писала конкурентам.
Решение: бот моментально уточняет бюджет, район и сроки покупки, сверяется с актуальными остатками застройщика и сам предлагает время показа.
Интеграция: остатки квартир синхронизируются из внутренней таблицы застройщика, запись на показ падает прямо в календарь агента.
Ограничение: часть клиентов хотела говорить с человеком сразу — добавили детектор намерения «позвать менеджера», который передаёт диалог живому агенту без потери контекста.
Здравствуйте! Уточню пару моментов, чтобы подобрать варианты: какой бюджет и район интересуют?
До 9 млн, ЖК рядом с метро, желательно с отделкой
Есть 3 варианта с отделкой в этом бюджете. Записал вас на показ в субботу к 12:00, менеджер Анна свяжется за час до встречи.
Прогноз спроса на складе
производителя автокомпонентов
Прогноз закупок вёлся в Excel одним снабженцем и держался на его личном опыте. Ходовые позиции регулярно заканчивались на складе, а медленные — накапливались, замораживая оборотные средства.
Решение: сервис прогнозирования спроса на истории продаж и сезонности, встроенный в 1С — каждую ночь пересчитывает рекомендации по закупке.
Процесс: снабженец видит готовый список позиций к заказу с обоснованием прогноза и может скорректировать вручную перед отправкой поставщику.
Ограничение: для новых SKU с историей продаж короче 6 месяцев прогноз работал нестабильно — для них оставили ручной ввод с подсказкой по аналогам.
«Снабженец сначала спорил с системой каждую неделю. Через два месяца сам стал доверять прогнозу больше, чем своей таблице — она просто чаще ошибалась.»
Проверка договоров
для юридического отдела
Юристы тратили 60–90 минут на каждый входящий договор поставки, вручную сверяя пункты об ответственности, оплате и неустойке с внутренним чек-листом. Финальное решение всегда оставалось за человеком — но сама сверка отнимала львиную долю времени.
Решение: ассистент разбирает загруженный договор (PDF/DOCX), извлекает ключевые пункты и подсвечивает отклонения от эталонного шаблона компании.
Важно: инструмент никогда не принимает решение сам — только готовит редлайн-сводку, финальное согласование всегда делает юрист.
Ограничение: качество распознавания старых сканированных договоров было недостаточным — для примерно 10% документов остался ручной этап проверки.
Как проходит работа
Разбираем текущий процесс и находим, где именно теряются деньги или время.
Подписываем NDA, собираем узкий прототип на реальных данных заказчика.
Доводим прототип до продакшена с мониторингом и обработкой ошибок.
Через 30–60 дней эксплуатации фиксируем результат в системах клиента.
Готовы обсудить вашу архитектуру?
Оставьте заявку на технический аудит. Мы подпишем NDA, изучим ваши процессы и предложим архитектуру, которая выдержит масштабирование.