Эксперт:

1. Разработка коммуникационной стратегии

Небольшое производство натуральной косметики в Санкт-Петербурге, основанное три года назад, выпускает средства для ухода за кожей из натуральных компонентов и работает в премиальном сегменте.

Проблема: трудности в коммуникации с аудиторией. Потенциальные покупатели сравнивают продукцию бренда (цена крема составляет 4 тыс. руб.) с товарами массмаркета стоимостью 300–400 руб. и не понимают разницы в составе и технологии производства. Компания столкнулась с риском потерять долю рынка на фоне агрессивной рекламной политики крупных брендов и роста цен на натуральные ингредиенты.

Задача: проанализировать рынок и разработать новую коммуникационную стратегию, основанную на фактических преимуществах продукции.

Какие нейросети применяли

1. Perplexity

Нейросеть проанализировала научные исследования об ингредиентах, нашла стандарты качества, изучила успешные кейсы и выявила тренды в сегменте качественной косметики.

Использовали следующий промт: «Find scientific research and market analysis about natural cosmetics ingredients safety and efficiency in [price segment] for last 2 years» («Найди научные исследования и анализ рынка о безопасности и эффективности натуральных косметических ингредиентов в [ценовой сегмент] за последние два года»).

2. GeminiSearch

Помогла найти примеры успешного использования искусственного интеллекта в малом бизнесе, особенно в сфере производства косметики или товаров ручной работы.

3. NotebookLM

Применяли для загрузки и анализа отзывов о конкурентах, выявления частых жалоб на дешевую косметику, структурирования данных о составах и ценах, создания базы знаний о компонентах.

Промт: «Analyze these customer reviews and categorize common complaints about low-quality cosmetics. Focus on ingredient-related issues» («Проанализируй эти отзывы клиентов и классифицируй распространенные жалобы на некачественную косметику. Сосредоточься на проблемах, связанных с ингредиентами»).

4. Claude

Помогла создать первичную аналитику и выявить тренды, разработать скрипты продаж с акцентом на качество. Сгенерировала контент-план и позволила создать обучающие материалы для персонала.

Промт: «Create a presentation highlighting key differentiators of premium cosmetics products, focusing on ingredient quality and manufacturing standards» («Создай презентацию, подчеркивающую ключевые отличия косметической продукции премиум-класса, уделяя особое внимание качеству ингредиентов и стандартам производства»).

Результат: ИИ за два часа проанализировал базу данных, насчитывающую больше тысячи отзывов, выявил пять ключевых проблем массмаркета косметики, создал скрипт обоснования цены через качество компонентов и план контента на три месяца.

2. Проверка тендерной документации

Компания специализируется на обслуживании электроподстанций в Екатеринбурге. Штат насчитывает 50 сотрудников, основной канал получения заказов — участие в тендерах.

Проблема: сложности с подготовкой заявок на тендеры. Три работника ищут тендеры и готовят заявки, каждая требует обработки больше 200 страниц технической и юридической документации. Юристы нередко допускают ошибки в указании ГОСТов, менеджеры долго готовят спецификации. В результате одной из таких ошибок компания лишилась возможности заключить контракт на 12 млн руб., опоздав с подачей документов на 10 минут.

Задача: автоматически проверять соответствие тендерной документации требованиям.

Какие нейросети применяли

1. NotebookLM

Нейросеть использовали для загрузки требований тендера и подготовленной документации, автоматической проверки соответствия, выявления недостающих документов.

Промт: «Compare these tender documents against requirements. Identify missing elements and compliance issues» («Сравни эти тендерные документы с требованиями. Определи недостающие элементы и проблемы соответствия»).

2. Claude

Автоматически создавала недостающие документы, корректировала формулировки и генерировала пояснительные записки. Также нейросеть создавала чек-листы для проверки.

Промт: «Generate missing documentation according to the identified gaps, following the specified tender requirements» («Подготовь недостающую документацию в соответствии с выявленными пробелами, следуя требованиям тендера»).

Результат: автоматическая проверка на соответствие требованиям тендера сократила время подготовки документации с трех-четырех дней до двух часов, снизила число ошибок на 90% и дала компании возможность участвовать в большем количестве тендеров. В результате предприятие смогло выиграть значимый тендер.

3. Подбор обучающих программ для сотрудников

В муниципальной администрации ежегодно появляются новые регламенты, меняются процедуры и внедряются новые информационные системы. На составление индивидуального плана развития для каждого сотрудника уходит неделя. Нужно проанализировать текущий уровень компетенций, найти подходящие курсы, согласовать график обучения с загруженностью отделов.

Молодые специалисты проходят стандартные курсы по работе с документами, но, когда дело доходит до реальных задач, возникает множество вопросов, не освещенных в учебных материалах.

Проблема: трудности в обучении муниципальных служащих в условиях постоянно меняющегося законодательства.

Задача: сократить время на подбор программы развития для сотрудника.

Какие нейросети применяли

1. NotebookLM1

Использовали для загрузки результатов тестирования и профиля компетенций, анализа сильных и слабых сторон сотрудника и выявления ключевых зон роста.

Промт: «Analyze this employee assessment data and identify key development areas, prioritizing them based on role requirements» («Проанализируй данные оценки сотрудников и определи ключевые области развития, расставив их по приоритетам на основе требований к должности»).

2. Claude

Сопоставила навыки и программы, создала персонализированный план развития, сгенерировала рекомендации по срокам и рассчитала потенциальный профессиональный рост сотрудника.

Промт: «Create a personalized development plan matching these skill gaps with available training programs. Include timeline and expected outcomes» («Разработай индивидуальный план развития, учитывающий эти пробелы в навыках, и доступные программы обучения. Укажи сроки и ожидаемые результаты»).

Результат: время создания плана развития сотрудника сократилось с недели до 20 минут. Программы обучения стали точнее соответствовать потребностям работников. Прогресс персонала теперь отслеживают автоматически. Текучка кадров сократилась на 30%.

Сотрудники стали увереннее работать с информационными системами, задавая вопросы боту по ходу выполнения. Дополнительным бонусом стало повышение удовлетворенности самих служащих.

На 40%

снизилось количество ошибок в оформлении документов через три месяца после внедрения новой системы

4. Обоснование для клиентов стоимости услуг

Компания занимается монтажом и обслуживанием солнечных электростанций для промышленных объектов с соблюдением всех экологических стандартов.

Проблема: конкуренция с серым рынком. Нелегальные подрядчики предлагают аналогичные услуги на 30–40% дешевле, не соблюдая экологические стандарты. Клиенты, особенно малый бизнес, часто выбирают более дешевые варианты, не понимая рисков (например, штрафы за превышение выбросов). Подготовка коммерческих предложений занимает два-три дня, так как требуется адаптация под специфику объекта.

Задача: обосновывать для клиентов более высокую стоимость легального сервиса.

Какие нейросети применяли

1. Fireflies

Записывала и автоматически расшифровывала встречи с клиентами, выделяла их ключевые требования и боли.

2. NotebookLM

Загружала расшифровки и сопоставляла предложение компании с потребностями клиента.

Промт: «Match these facility requirements with our previous successful cases and compliance benefits» («Сопоставь эти требования к объекту с нашими предыдущими успешными кейсами и преимуществами соблюдения норм»).

3. Claude

Анализировала эффективные аргументы про легальный сервис, создавала предложения для клиентов с учетом специфики их бизнеса с расчетами окупаемости. Предоставляла персонализированное описание преимуществ и генерировала аргументы про долгосрочную выгоду. Например, для мясоперерабатывающего завода система включила сравнение затрат на штрафы за выбросы (2,1 млн руб. в год) и установку станции (4,5 млн руб.).

Промт: «Create a proposal highlighting long-term benefits of legal compliance and risk mitigation for this specific facility type» («Создай предложение, подчеркивающее долгосрочные преимущества соблюдения правовых норм и снижения рисков для данного конкретного типа объекта»).

Результат: компания теперь может четко обосновать стоимость услуг, приводя риски работы с нелегальными сервисами.

5. Сокращение времени на согласование документов

Завод производит химические добавки для топлива.

Проблема: ошибки при согласовании технических заданий с зарубежными клиентами. Ручная проверка двуязычной документации занимает до 20 часов в неделю.

Задача: сократить время согласования документации с подрядчиками.

Какие нейросети применяли

1. NotebookLM

Анализировала документы, выявляла несоответствия требованиям и проводила проверку технических параметров.

Промт: «Compare these technical specifications against requirements, identify any discrepancies and missing elements» («Сравни эти технические характеристики с требованиями и выяви любые несоответствия и недостающие элементы»).

2. DeepL

Переводила документы на английский и еще 20 языков с сохранением специфической терминологии, проверяла соответствие стандартам и исправляла ошибки.

3. Claude

Создавала чек-листы для проверки, формировала отчеты о несоответствиях и готовила технические рекомендации. Например, в контракте с авиакомпанией из ОАЭ искусственный интеллект обнаружил ошибку в параметре температуры хранения (−15°C вместо −5°C).

Промт: «Generate revision recommendations and compliance report based on identified gaps» («Подготовь рекомендации по пересмотру и отчет о соблюдении требований на основе выявленных пробелов»).

Результат: ускорился процесс внесения корректировок и улучшилось качество технической документации.

На 90%

стало меньше ошибок, время проверки документов сократилось с нескольких недель до 15 минут

6. Сокращение времени поиска объектов недвижимости

Предприниматель занимается флиппингом недвижимости — перепродажей квартир после ремонта.

Проблема: долгий ручной поиск объектов с потенциалом доходности. Ручной анализ 100–150 объявлений в день занимает четыре-пять часов, при этом 30% купленных квартир имели скрытые дефекты (например, трещины в несущих стенах), что вело к убыткам. В 2023 году из-за ошибок в оценке предприниматель потерял 2,7 млн руб.

Задача: уменьшить время поиска подходящих объектов недвижимости.

Какие нейросети применяли

1. Парсинговый механизм для сбора данных с Циана и Авито каждые два часа

Был использован интегратор под названием «n8n» для no-code-решений. Парсинг включал мониторинг площадок недвижимости, отслеживание изменения цен, сбор данных о характеристиках объектов и выгрузку в структурированном формате. Работал скрипт с простым кодом: «Автоматический сбор данных каждые два часа с основных площадок».

2. NotebookLM

Анализировала объявления, выявляла изменение цен и сравнивала их с рыночными показателями, находила аномалии в стоимости жилья.

Промт: «Track price changes in these properties and highlight significant deviations from market averages» («Отслеживай изменения цен на эти объекты и выявляй существенные отклонения от средних показателей по рынку»).

3. Claude

Структурировала данные в таблицы, рассчитывала потенциальную доходность с учетом затрат на ремонт и рыночной цены, оценивала риски и сроки продажи, а также генерировала инвестиционные рекомендации. Например, для квартиры за 3,8 млн руб. система предсказала доходность 23% после ремонта.

Промт: «Create structured analysis of potential deals based on price changes and market comparison» («Создай структурированный анализ потенциальных сделок на основе изменений цен и их сравнения с рынком»).

Результат: ИИ позволил проводить автоматический скрининг недвижимости по 15 параметрам, оценивать объект за 20 минут вместо нескольких дней.

• Скорость принятия решений выросла на 45%.
• За полгода предприниматель закрыл 18 сделок вместо обычных 8.
• Средняя прибыль с объекта выросла на 15%.

7. Уменьшение времени обучения новых сотрудников

Строительная компания реализует проекты логистических центров. Из-за высокой текучки кадров (40% рабочих увольнялись в первые три месяца) возникали задержки. Новые сотрудники тратили до двух месяцев на обучение, а ошибки при монтаже приводили к переделкам. В 2022 году штрафы за срыв сроков составили 4,3 млн руб.

Проблема: текучка кадров и длительное обучение новых сотрудников.

Задача: сократить время обучения персонала.

Какие нейросети применяли

1. Fireflies

Записывала и расшифровывала все встречи с персоналом, отслеживала задачи и сроки их выполнения, фиксировала договоренности и выявляла проблемные зоны.

Промт: «Analyze team meetings and extract: tasks, deadlines, responsibilities, and blockers» («Анализируй командные встречи и извлекай информацию: задачи, сроки, обязанности и препятствия»).

2. NotebookLM

Создала общую базу знаний, записывала лучшие практики, генерировала обучающие материалы.

Промт: «Structure these project documents and create a searchable knowledge base with best practices» («Структурируй эти проектные документы и создай доступную для поиска базу знаний с лучшими практиками»).

3. ChatGPT

Структурировал и переводил в таблицу голосовые заметки по каждому сотруднику. Ввел категории задач и проблем и отслеживал прогресс.

Промт: «Convert these voice notes into structured table format, categorizing by employee, task type, and status» («Преобразуй эти голосовые заметки в формат структурированной таблицы, распределяя их по категориям сотрудников, типам задач и статусам»).

4. Claude

Генерировала еженедельные отчеты о прогрессе и планы обучения и развития, анализировала эффективность команды. Создавала mind maps (ментальные карты, диаграммы связей), которые включали визуализацию рабочих процессов, карту зон ответственности, связи между отделами, критические точки контроля и рекомендации по оптимизации процессов.

Промт для отчетов: «Generate weekly progress report and team performance analysis with specific improvement recommendations» («Составляй еженедельные отчеты о проделанной работе и анализируй эффективность работы команды, предоставляя конкретные рекомендации по улучшению»).

Промт для mind maps: «Create a mind map visualizing project processes, including dependencies, responsibilities, and critical control points. Format as mermaid diagram» («Создай mind map, которая визуализирует процессы проекта и включает зависимости, обязанности и критические контрольные точки. Отформатируй ее как диаграмму mermaid»).

Результат: повысилась прозрачность процессов через визуализацию, улучшилась командная коммуникация, была создана масштабируемая система обучения.

На 60%

снизилось количество ошибок на объектах, время обучения сотрудников сократилось с двух-трех месяцев до двух недель