The post has been translated automatically. Original language: Russian
Everyone is adding AI now, but half of the projects end up with an expensive toy that doesn't affect the metrics. We share our practice on how to approach this in an engineering way.
1. First the task, then the technology
Not "let's screw up the AI", but "what specific pain will it cover". AI really pays off where there is routine, volume, and text: support, application processing, content generation, and knowledge base search. If the task is solved by ordinary logic or a simple script, do not complicate it.
2. Don't train your model. Use the API
A common mistake of early teams is to try to "train a neural network." In 99% of cases, this is unnecessary and ruinous. Take ready-made LLMs through the API (Anthropic, OpenAI, Google, etc.), and use according to your specifics: industrial engineering — correctly formulated instructions close most cases; RAG (retrieval-augmented generation) — connecting your knowledge base/documents so that the model responds to your data rather than "hallucinating"; Fine-tuning — only when everything else has already been squeezed out and a stable narrow format is needed.
3. Keep the person in the loop
Especially at the start: the AI prepares a draft/response, and the human confirms it. This protects against errors in client communications and gives you the data on which the system becomes more accurate.
4. Consider the cost and speed from the first day
Two parameters that kill AI features in the product: the price per request and the latency. Practice: cache duplicate answers, choose a model for the task (don't take the top one where the easy one is enough), set limits. The same feature on a "cheap" and "expensive" model may differ significantly in cost with the same result.
5. Set limiters (guardrails)
AI in a product without a framework = risk. Minimum: filtering of unwanted input/output, clear boundaries of "what the assistant doesn't talk about", folback on a live person, logging for error analysis.
6. A quick start in a week, not a quarter
A working approach: take one narrow scenario (for example, AI answers to the 20 most frequent customer questions), assemble a prototype on the API in a few days, test it on real requests, measure the effect, and only then scale. A small working case is more useful than a large "AI-platform" plan in a presentation.
A short checklist before implementation: ✅ there is a specific task with a measurable metric The API + prompt/RAG path has been chosen, rather than learning from scratch , the cost of the request and latency are calculated , there is a man in contour and guardrails You start with one narrow scenario
Отчёты красивые, цифры растут, а решения по ним — неверные. Чаще всего проблема не в инструменте, а в том, как настроены события.
Разбираем ошибки, которые встречаются почти в каждом втором проекте.
1. Считаете всё подряд вместо главного
Сто событий, из которых смотрят три. Начинайте с обратной стороны: какое решение вы примете по этой цифре? Если ответа нет — событие не нужно. Лишние события не бесплатны: они шумят и усложняют поддержку.
2. Отправка события до реального результата
Классика: цель срабатывает на клик по кнопке «Отправить», а не на успешный ответ сервера. В итоге в отчёте 100 заявок, а в CRM — 60. Событие должно фиксировать факт, а не намерение.
3. Двойной счёт
Одно и то же событие висит и в коде, и в теге через менеджер, и в готовой интеграции формы. Конверсия удваивается, вы радуетесь, бюджет распределяется неверно. Проверяйте дубли в режиме отладки перед запуском.
4. Нет единого словаря именований
lead_form, LeadForm, zayavka_1 — три названия одного и того же. Через полгода это невозможно читать, а сравнивать периоды бессмысленно. Заведите простой документ: имя события, когда срабатывает, какие параметры. Даже на одну страницу — уже спасение.
5. Не проверяете стыковку с реальностью
Раз в месяц сверяйте: аналитика говорит X заявок, CRM — Y, отдел продаж видит Z. Расхождение в 10-15% — норма, в 2 раза — сигнал, что где-то течёт. Цифра, которую никто не сверял с жизнью, — это не данные, а украшение дашборда.
Проверка перед запуском рекламы: прогоните весь путь пользователя руками — от клика до заявки — и посмотрите, какие события реально ушли. Пятнадцать минут работы экономят месяц неверных выводов и слитый в неизвестность бюджет.
Главное: аналитика существует не для отчёта, а для решения. Если по цифре ничего не меняется — её можно не собирать.
💬 Какое расхождение между аналитикой и CRM ловили вы? Поделитесь в комментариях 👇
Share
