Кейсы внедрения ИИ в Беларуси

Команда поддержки из 5 операторов не справлялась с потоком в 200+ обращений в день. Среднее время ответа выросло до 4 часов, а 30% клиентов уходили, не дождавшись ответа. Повторяющиеся вопросы о статусе заказа, сроках доставки и условиях возврата занимали до 70% рабочего времени операторов.

Внедрили AI-чатбота на базе GPT-4o, интегрированного с CRM и системой трекинга заказов. Бот в реальном времени получает статус заказа из базы и формирует персональный ответ. Для сложных случаев реализована эскалация на оператора с передачей контекста диалога.

На первом этапе провели аудит 3 000 обращений за последний месяц и выявили 12 типовых сценариев, покрывающих 80% запросов. Обучили модель на реальной истории переписки с учётом tone of voice бренда. Интегрировали бота с 1C и службой доставки через API. На втором этапе добавили проактивные уведомления: бот сам пишет клиенту при изменении статуса заказа.

Аналитики тратили до 4 часов на обработку каждого квартального отчёта контрагента. При портфеле из 200+ компаний это создавало узкое место: отчёты обрабатывались с задержкой в 2-3 недели, а ошибки ручного ввода приводили к неточным оценкам кредитоспособности.

Разработали RAG-систему для автоматического извлечения ключевых финансовых показателей из PDF-отчётов. Модель распознаёт структуру документа, извлекает выручку, EBITDA, долговую нагрузку и другие метрики, формирует стандартизированное саммари и сигнализирует об аномалиях.

Построили пайплайн: PDF → OCR (для сканов) → chunking → vector embedding → Claude для извлечения данных по JSON-шаблону. Валидация результатов через перекрёстную проверку: данные из разных разделов отчёта сверяются между собой. Обучили модель на 500 реальных отчётах с ручной разметкой аналитиков. Система интегрирована со скоринговой моделью компании.

Логистическая компания с парком из 40 автомобилей теряла до 30% бюджета на топливо из-за неоптимальных маршрутов. Диспетчеры составляли маршруты вручную в Excel, не учитывая пробки, погоду и временные окна доставки. Клиенты жаловались на опоздания в 25% случаев.

Внедрили AI-систему динамического планирования маршрутов. Модель учитывает текущий трафик, прогноз погоды, временные окна доставки и грузоподъёмность транспорта. Маршруты пересчитываются в реальном времени при изменении условий.

Интегрировали данные из GPS-трекеров, API Яндекс.Пробок и метеослужбы. AI-модель решает задачу Vehicle Routing Problem с временными ограничениями. На вход подаются точки доставки, характеристики транспорта и ограничения. На выходе — оптимальное распределение заказов по машинам и последовательность точек. Диспетчер видит маршруты на карте и может корректировать вручную.

Сеть из 12 магазинов отправляла одинаковые email-рассылки всей базе из 80 000 подписчиков. Конверсия не превышала 2%, а 40% получателей отписывались в первые 3 месяца. Маркетологи не могли сегментировать аудиторию — данные о покупках были разрозненны между кассовой системой, сайтом и программой лояльности.

Создали AI-систему персонализации: объединили данные из всех каналов в единый профиль клиента. Модель анализирует историю покупок, просмотры на сайте и сезонные паттерны, генерируя индивидуальные товарные рекомендации и оптимальное время отправки для каждого клиента.

Первый этап — ETL-пайплайн для объединения данных из 1C, сайта на Bitrix и программы лояльности. Второй — обучение рекомендательной модели на 2 годах транзакционных данных. Третий — AI-генерация текстов писем с подстановкой персональных рекомендаций. Модель учитывает не только что покупал клиент, но и когда, как часто и в какой ценовой категории.

Руководители принимали решения на основе устаревших Excel-отчётов, которые готовились вручную с задержкой в 2 недели. Отсутствие прогнозирования приводило к перезатариванию склада на 40% по одним позициям и дефициту по другим. Компания теряла до 15% выручки из-за отсутствия товара.

Создали интерактивный BI-дашборд с AI-моделью прогнозирования спроса. Система анализирует историю продаж, сезонность, маркетинговые акции и внешние факторы. Автоматическое выявление аномалий сигнализирует о резких изменениях в спросе.

Подключили данные из 1C, CRM и рекламных кабинетов через API. Построили модель прогнозирования на базе XGBoost + GPT-4o для генерации текстовых пояснений к прогнозам. Дашборд обновляется каждые 15 минут. Руководители получают ежедневный дайджест в Telegram с ключевыми метриками и аномалиями. Система рекомендует оптимальные объёмы закупок по каждой товарной категории.

Команда маркетинга из 3 человек тратила 80% времени на написание однотипных текстов: карточки товаров для маркетплейсов, посты для 4 соцсетей и еженедельные email-рассылки. При ассортименте в 2 000 товаров описания обновлялись раз в год, а контент-план постоянно срывался.

Внедрили AI-платформу для генерации контента с учётом tone of voice бренда. Система создаёт описания товаров, адаптирует их под каждый маркетплейс (Wildberries, Ozon), генерирует посты для соцсетей и email-кампании. Маркетолог редактирует и одобряет, а не пишет с нуля.

Обучили кастомный промпт на 200 лучших описаниях товаров компании — модель уловила стиль, структуру и ключевые selling points. Для каждого маркетплейса настроили шаблоны с учётом требований к длине, SEO-ключам и форматированию. Контент-план генерируется на месяц вперёд с учётом сезонности и маркетинговых акций. Интегрировали с Notion для управления редакционным процессом.