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
«Соберём приложение без кода за вечер» — обещают многие, но реальность с нюансами. No-code экономит недели там, где раньше нужен был разработчик, но подходит не для всего. Разбираем, где он выручает, а где подводит.
Что реально собирается на no-code:
🔹 Сайты и лендинги — Tilda, Webflow, готовые конструкторы.
🔹 Внутренние базы и таблицы-приложения — Airtable, Notion: учёт клиентов, задач, контента.
🔹 Автоматизации между сервисами — Make, n8n, Zapier: заявка с сайта → строка в таблице → сообщение в мессенджер → карточка в CRM. Без единой строки кода.
🔹 Чат-боты и простые формы сбора данных.
Где no-code выручает сильнее всего:
Проверка идеи и MVP (собрать за дни, а не месяцы), рутинные связки между сервисами, внутренние инструменты для команды. Если задача — «убрать ручной перенос данных из А в Б», no-code почти всегда окупается.
Где начинаются ограничения:
🔹 Сложная бизнес-логика и нестандартные сценарии — упираетесь в потолок платформы.
🔹 Большие нагрузки и объёмы данных — работает медленно и дорого. 🔹 Зависимость от платформы — ваш продукт живёт по её правилам и ценам; перенести сложно.
🔹 Стоимость на масштабе — на старте дёшево, при росте подписки складываются в заметную сумму.
Практика: начните с no-code, чтобы быстро проверить спрос и убрать рутину. Когда упрётесь в потолок или нагрузку — переносите критичные части в обычную разработку. No-code — это ускоритель на старте, а не замена коду навсегда.
Главное: no-code отвечает на вопрос «работает ли идея», а не «выдержит ли продукт масштаб». Для первого — незаменим.
💬 Что вы собрали на no-code и где пришлось перейти на код? Поделитесь в комментариях 👇
Share
