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
Компания покупает CRM, тратит месяц на настройку, а через полгода менеджеры снова ведут сделки в блокноте и переписке. Знакомо? Разбираем, почему так происходит и как этого избежать.
1. Внедряли систему, а не процесс
Частая ошибка: сначала купили CRM, потом стали думать, как в ней работать. Правильный порядок обратный — сначала описываете, как реально проходит сделка от заявки до оплаты, и только потом переносите это в систему. CRM не создаёт процесс, она его отражает.
2. Слишком много полей на старте
Двадцать обязательных полей в карточке — и менеджер тратит на заполнение больше времени, чем на продажу. Начинайте с минимума: контакт, источник, этап, сумма, следующий шаг. Расширять всегда успеете.
3. Никто не смотрит в отчёты
Если руководитель не открывает CRM и не принимает по ней решений, команда быстро понимает: заполнять необязательно. Система живёт ровно настолько, насколько ей пользуется руководство.
4. Данные попадают вручную
Заявка приходит в мессенджер, менеджер должен вручную создать сделку — значит, часть заявок не попадёт в систему никогда. Подключайте источники автоматически: сайт, мессенджеры, соцсети, звонки.
5. Не обучили и не объяснили выгоду
Команде показали кнопки, но не объяснили, зачем это лично им. Если CRM воспринимается как контроль, её саботируют. Если как инструмент, который не даёт забыть про клиента и потерять деньги — ей пользуются.
Как проверить, живая ли у вас CRM: посмотрите, сколько сделок обновлялось за последние три дня. Если система «замёрзла» — работа идёт мимо неё, и данные в отчётах не отражают реальность.
Главное: CRM — это не покупка, а привычка команды. Внедрение заканчивается не в день настройки, а когда ей начинают пользоваться каждый день.
💬 Как приживалась CRM у вас? Поделитесь опытом в комментариях 👇
Share
