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
ИИ-модель много знает о мире, но ничего — о вашей компании: ваших ценах, регламентах, товарах. Поэтому «из коробки» она начинает выдумывать. Решение называется RAG. Объясняем на пальцах.
Аналогия. Обычная LLM — это эрудит, отвечающий по памяти. RAG — это тот же эрудит, но которому перед ответом дали открыть нужную папку с вашими документами. Он отвечает не «по памяти», а по вашим данным.
Как это работает (3 шага):
🔹 Подготовка. Ваши документы (регламенты, FAQ, прайсы, база знаний) режутся на кусочки и превращаются в «цифровые отпечатки» — эмбеддинги — и складываются в специальную базу.
🔹Поиск. Когда приходит вопрос клиента, система находит в базе самые релевантные кусочки.
🔹 Ответ. Эти кусочки подставляются модели как контекст, и она отвечает уже на основе ваших данных, а не фантазий.
Почему это выгодно:
✅ резко меньше «галлюцинаций» — ответы на ваших фактах;
✅ обновить знания = просто заменить документ, переобучать модель не нужно;
✅ дешевле и быстрее, чем fine-tuning;
✅ можно показывать источник ответа — растёт доверие.
Когда RAG, а когда fine-tuning? RAG — когда нужны актуальные факты и знания (99% бизнес-задач). Fine-tuning — когда нужен строгий стиль/формат ответа. Чаще всего начинать стоит именно с RAG.
Частые ошибки: плохо порезанные документы, устаревшая база, ответы без ссылки на источник.
По сути, RAG — самый быстрый способ сделать ИИ, который говорит о вашем бизнесе правду.
Share
