Кейс • март 2026
Как за одну встречу собрать каркас AI-системы для смет
Это кейс из практики про то, как мы начали собирать внутренний инструмент: считать стоимость проектов, разносить по ролям и готовить черновик ответа клиенту - не делая "бота ради бота".
С чем пришла Катя
«Мне не нужен просто автоответчик. Мне нужен ассистент, которому я бы дала много функций. Но для начала - рабочая среда, которая помогает считать сметы быстро и адекватно».
В чём была проблема
Это редкий и очень правильный запрос. Обычно люди просят: "А давайте сразу сделаем Telegram-бота!" Проблема в том, что внутри такого бота пока нет главного - устойчивой логики расчёта, которую он должен повторять. Сметы плавают, зависят от конкретного менеджера, и бот в таких условиях начинает "галлюцинировать" ценами.
Сначала - данные и правила. Потом - интерфейс.
Что мы сделали за встречу
Мы решили не бежать делать бота, а заложить надежный фундамент. Вот что получилось за один час работы:
6
файлов-инструкций (агентов) для ассистента
4
файла правил и модели расчета цены
10
рабочих артефактов - всё для старта системы
1 ч
от идеи до готовой структуры, готовой к работе
1. Цель и ограничения
Зафиксировали, зачем нужна система: считать цену на основе данных, а не интуиции. Человек принимает финальное решение.
2. Границы работы
Четко определили, где заканчивается работа ассистента и начинается работа человека.
3. Модель расчета
Создали схему: блоки работ - роли - исторические данные - себестоимость - маржа - цена клиенту. Видно, откуда берется каждое число.
4. Структура проекта
Разложили все по местам: knowledge/ для правил, product/ для модели, agents/ для инструкций, training/ для базы данных.
5. Инструкции-агенты
Написали 6 пошаговых инструкций: как импортировать историю из Excel, искать аналоги проектов, считать себестоимость по ролям.
6. Подключение данных
Подключили реальную базу: ставки специалистов, проектные сметы, фактические расходы команд и маржинальность.
7. Калибровка
Прогнали несколько кейсов расчета стоимости, посмотрели, как считаются роли и маржа, начали калибровку.
8. Готовность к работе
Основа готова, логика прописана, инструкции написаны. Загружаем реальные проекты и считаем по реальным цифрам.
В чем появляется ценность
Система начинает помнить твою логику, а не просто "выдаёт красивый текст". На встрече мы руками поправили три фундаментальные вещи, без которых сметы всегда будут плавать в расчетах ИИ:
- Диапазоны ставок исполнителей.
- Точную логику формирования итоговой цены (наценки, риски).
- Частые расхождения между изначальным тендером и фактической реализацией проекта.
После этого система уже не пересчитывает проекты "с нуля". Она учитывает эти корректировки в следующих расчётах - и точность растёт с каждой итерацией. Мы провели сложный тест: «клиентский бриф -> расчёт под конкретную команду», и ИИ смог разобрать бриф, найти исполнителей в базе и предложить внутреннюю стоимость вместе с ценой для клиента.
Секрет "железной" логики расчетов
Вывод, который решает половину проблем - структура данных. Если ты хочешь стабильные сметы, всегда нужно:
- Разделять тендер и реализацию.
- Учитывать конкретных исполнителей по именам.
- Различать уровни специалистов (Junior, Middle, Senior).
- Жестко фиксировать правила принятия решений (как именно выбираются ставки и маржа, когда есть выбор).
Что дальше
Важно понимать: идеал с первого раза недостижим. Такие системы становятся точными не за одну встречу, а после 4-6 прогонов на реальных проектах компании.
И только когда логика расчётов становится на 100% устойчивой, появляется смысл: выводить это всё в Telegram-бота, отдавать в повседневную работу менеджерам по продажам и скриптовать автоматическую сборку Коммерческих Предложений.
Смотрите также