Архитектура внедрения ИИ в бизнес - Урок №3

На прошлом уроке мы научились находить точку потерь в бизнесе и формулировать желаемый результат от ИИ.


Но теперь нужно понять, как всё это работает изнутри. Не для того, чтобы вы стали инженером или программистом (если не хотите) — а чтобы вы как предприниматель, руководитель или специалист видели как это все работает.


Как и в ресторане: вы можете не быть поваром, но если знаете, как устроена кухня, то лучше управляете заведением.

В этом уроке мы залезем «на кухню» автоматизации и разберёмся, как строится связка бизнес-процесса и ИИ.

Всё это — с человеческим языком, аналогиями и без кода.

В следующем же уроке - мы пошагово спроектируем каждый шаг, чтобы вы уже завтра смогли решить проблему вашего бизнеса через искусственный интеллект.

Но сначала вводное слово.

Давайте честно: ещё 3–5 лет назад, когда кто-то говорил про «внедрение искусственного интеллекта в бизнес», за этим почти всегда стояли бюджеты с шестизначными цифрами, команда разработчиков.


Внедрение ИИ ещё несколько лет назад выглядело примерно так:

1. Нанимаем ML-инженера (если найдёте)
2. Ставим ему задачу: «Автоматизируй нам анализ заявок»
3. Он уходит в код, запускает Python, TensorFlow, пишет пайплайны, делает обучение на кастомных датасетах…
4. Через 3 месяца приносит демо, которое непонятно как встраивать в CRM.

Звучит знакомо? Именно поэтому 90% компаний бросали всё на этапе №2.


Всё это было недоступно для малого и среднего бизнеса. Да и для многих крупных компаний тоже, если быть откровенными.

ИИ был чем-то вроде Ferrari — красиво, мощно, но явно не для всех.

Сегодня ситуация изменилась. Причём кардинально.

Появились мощные языковые модели (LLM), такие как GPT, Claude, Mistral, которые работают как универсальные помощники: они уже обучены, доступны через API и работают «из коробки».

Но самое главное — появились платформы автоматизации, которые позволяют подключать эти нейросети к вашему бизнесу без кода, без инженеров, без боли.

То, что раньше стоило сотни тысяч долларов, теперь можно запустить либо "ручками" либо в привлечением специалистов за пару тысяч рублей часовой стоимости работ.

Теперь давайте выстроим полную цепочку. Это базовая логика, которая повторяется в большинстве бизнес-кейсов.

Первое нужно понять, где живут ваши данные:

• В CRM?
• В Excel-таблицах?
• В системах телефонии?
• В базе заявок на сайте?
• В Telegram-боте?

Система, где хранятся нужные данные (например, запросы от клиентов) должна отдать данные наружу, чтобы передавать их нейросетям. Именно для этого и нужен API — интерфейс, через который можно безопасно и стандартизированно вытащить информацию.


API — это способ «поговорить» с системой снаружи.
С помощью API - мы можем вытащить данные из (любой CRM системы, базы данных SQL, ERP, вашей почты, Telegram бота) и дальше отправить их в нейросети для автоматизации.

Если прям одним предложением объяснять API, то это интерфейс, через который внешняя программа может сказать вашей CRM или сайту: «Отдай, пожалуйста, данные клиента» — и получить их.

Каждая современная система (CRM, сайт, база заявок, почта) уже умеет работать по API. Это значит, что можно:

• взять заявку (например, из amoCRM)
• получить письмо из Outlook;
• вытащить звонок из системы телефонии;
• выгрузить данные из Google Таблицы;
• выгрузить данные их любой базы (например, SQL)

и всё это — автоматически, без нажатий руками.

Пример
CRM хранит сделку. Вы через API получаете: имя клиента, сумму сделки, комментарий менеджера, ссылку на звонок.
И далее передайте эти данные в зашифрованном виде нейросетям, чтобы они могли осуществить свою работу по автоматизации.

Альтернатива API — это вебхук.

Что такое вебхук?
Это как если бы CRM сама первой постучалась и сказала: «Привет, у меня тут новая сделка! Вот данные, держите».
В отличие от API, где вы спрашиваете: «Есть ли что-то новенькое?» (и каждый раз делаете запрос вручную или по расписанию), вебхук работает наоборот. Он сам инициирует передачу данных, как только что-то происходит.

Представьте: вы повесили на дверь колокольчик, и каждый раз, когда заходит клиент, вы слышите звон.
Вот это вебхук — он срабатывает по событию.


Например, в CRM создаётся новая сделка → система сразу же отправляет запрос по заранее настроенному адресу. Для этого создаёте Webhook-модуль, копируете сгенерированную ссылку и указываете её в CRM в настройках интеграции.
Всё! Как только сделка появляется — ваш сценарий мгновенно запускается.

И да, в будущих уроках научимся это делать - не переживайте.

Вот, мы передали данные (через API или вебхук) и тут вступает в игру платформа автоматизации. Её задача — взять данные и отправить их в нейросеть для выполнения заданной работы.

Большинство из таких платформ автоматизации либо разворачивается на сервере вашей компании, либо имеет личный кабинет, в который могут передаваться данные для передачи в нейросети.

На лето 2025 года применяются в первую очередь вот такие системы автоматизации:

• n8n — самая гибкая, мощная и бесплатная в базовой версии. Можно установить на сервер, можно использовать облачную. Отлично работает с API, базами данных, нейросетями.
• Make.com (ранее Integromat) — чуть проще, но визуально удобная. Хороша для маркетинга, e-commerce и небольших задач.
• Zapier — самый простой для старта, но ограничен в бесплатной версии и слабее по логике.
• Pipedream — для технически подкованных пользователей, гибкий и быстрый, но требует больше понимания.
• Tallyfy, Parabola, Retool, LangChain — менее универсальные, но могут пригодиться в конкретных кейсах (например, если вы строите AI-ботов или внутренние интерфейсы).

Я чаще всего работаю с n8n — из-за гибкости, стоимости и открытого кода.

На этапе работы платформы автоматизации вы задаёте логику процесса: какие данные куда идут, что с ними происходит, какие условия нужны.

Именно системы автоматизации связывают между собой: данные, ИИ, почту, таблицы, CRM, чат-ботов, документы.
Они главное связующее звено всей архитектуры.

И да - в будущих уроках мы научимся "ставить" такие системы автоматизации. Не переживайте.
А пока схемка для понимания:

Когда данные подготовлены — они отправляются через платформу автоматизации в нейросеть.

Но не просто так, а с промптом — это инструкция, которая объясняет нейросети, что нужно делать. Про то, как писать промпты будем разбираться в отдельном большом уроке.

Через системы автоматизации можно подключать разные нейросети. Вот самые популярные из них:

• ChatGPT — универсальный, для аналитики, генерации текста, письма,
• Claude — аккуратный, любит длинные формулировки, часто «деликатнее»
• Grok - творение Илона Маска, которая умеет выдавать результат «без цензуры»
• DeepSeek — быстрые, хорошо работают с короткими задачами
• DALL-E / Midjourney — генерация картинок
• Vision API — анализ изображений

Важно понимать: n8n или иные системы автоматизации позволяют связать сразу несколько нейросетей в один процесс.

Например, если вы хотите настроить речевую аналитику, которая будет контролировать качество работы ваших менеджеров, то можно "спроектировать вот такую связку":

1) Сначала OpenAI модуль расшифровывает звонок
2) Потом GPT-4 делает анализ речи
3) Потом DeepSeek пишет отчёт

Все такие связки проектируются в системе автоматизации (например, n8n).

После того, как ИИ сделал свою работу — результат возвращается.


И здесь снова платформа автоматизации (n8n или make.com) снова вступает в игру.

Она решает:

• куда этот результат отправить;
• в каком виде (таблица, PDF, письмо);
• кому (менеджеру, клиенту, руководителю).

Система автоматизации может:

• прикрепить ответ в CRM
• отправить в Telegram
• сохранить в Google Sheets
• создать задачу с комментариями в CRM системе
• или вообще запустить новый процесс

Возврат данных осуществляется также через API но по другому протоколу - POST или через исходящий вебхук.

И вуаля - вы получайте результат! Например, сделанное письмо/анализ звонка/отобранных кандидатов.
Результат приходит в нужном вам формате, а внутренняя "кухня" скрыта от исполнителей и клиентов.

Давайте немного повторим ключевые тезисы урока и разберем как работает система автоматизации.
После ее установки (разберем в будущих уроках как это сделать) - в систему подгружаются данные.
Данный могут подгружаться из любого источника (API/webhook/Google Doc/SQL базы).

В системе автоматизации указывается откуда подгружаются данные.

О том как настраивать подгрузку данных - разберем в отдельном уроке. Если кратко - n8n или make.com позволяют подключить любые источники данных (как и встроенные, например API вашего телеграмм канала), так и кастомные.
Все подключения делаются в N8N через раздел Credential.

После настройки модуля, который подгружает данные в системе автоматизации выстраивается "цепочка" (по-английски "workflow". В цепочке вы решайте как обрабатываются переданные данные и куда дальше передаются.

Например, из источника (Гугл таблица) - название статьи передается в модуль OpenAI (Сhatgtp), где один ИИ пишет текст, далее написанный текст передается в следующий модуль, где другой ИИ вносит корректировки и затем обработанные данные из обоих модулей передаются в третий модуль, который комбинирует творчество обоих модулей, чтобы выдать Телеграмм пост.

В каждом добавленном модуле системы автоматизации указывается из какого предыдущего модуля берутся данные. И какие данные.
Например, второй модуль (из цепочки автоматизации выше) - берет уже написанный текст первым ИИ модулем (я назвал его writer 1) и дополняет, чтобы текст получился более точным и экспертным. Данные модуля (предыдущего), которые нужно обработать прямо указываются в промпте (команде) с помощью квадратных скобок.

Таким образом можно связывать разные нейросети, постепенно передавая данный из модуля в модуль.
Например,

• N8N берет данные из Битрикса (по API);
• передает в ChatGTP модуль для написания текста писем;
• другой модуль на основании написанного письма создает уникальную страничку на сайте, где помимо письма клиенту создается персонализированная рекламная страничка.
• следующий модуль "упаковывает" ссылку на сайт в письмо и подготавливает письмо с рекламным предложением и ссылкой на сайт для отправки клиенту.

Также можно настраивать выполнение разных модулей параллельно.

Например, для блога параллельно создаются изображения на базе шаблонов Google презентаций, а затем собираются в единую статью.

После обработки всех данных - система автоматизации может выдать полученный результат в удобном формате.
Например, отправить Email, загрузить результат на сайт, или обратно в CRM систему.

Допустим, результат прослушки звонков и анализа прослушки звонков менеджеров передаются в Google таблицу (загружаются).

Архитектура внедрения ИИ не ограничивается текстовыми нейросетями.

В зависимости от бизнеса, можно подключить:

• Видеоаналитику (через камеры + нейросети вроде YOLO или OpenCV)
• Обработку PDF / документов;
• Работу с изображениями;
• Работу с конфиденциальными данными (шифрование, VPN, on-premise)

Все эти блоки также связываются через платформу автоматизации.

Так, если не понятно - бегом смотреть пример.
Его я "вынес" в отдельный урок.