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
Сайт сделали, деньги вложили, реклама идёт — а заявок мало. Прежде чем всё переделывать, стоит найти конкретное узкое место. Обычно оно одно. Вот как проверить самому за полчаса.
1. Понятно ли, что вы продаёте, за 5 секунд
Откройте главную и засеките: сразу ли ясно, что за продукт, для кого и в чём выгода. Если нет — посетитель уходит раньше, чем начнёт разбираться.
2. Есть ли понятное целевое действие
Что человек должен сделать: оставить заявку, написать, позвонить? Если кнопка спрятана, их пять разных или непонятно, что будет после нажатия — действие не совершают.
3. Есть ли доверие
Отзывы, кейсы, фото, контакты, реквизиты. Незнакомой компании без доказательств люди не пишут. Пустой сайт без «социального доказательства» не конвертирует.
4. Как ведёт себя сайт на телефоне
Больше половины трафика — мобильный. Откройте сайт с телефона на обычной сети: быстро ли грузится, не разъезжается ли вёрстка, удобно ли нажимать кнопки.
5. Куда попадает заявка и кто её обрабатывает
Отправьте тестовую заявку. Пришла ли она, куда, как быстро на неё ответят. Часто заявки уходят «в никуда» или ответ приходит через день.
6. Тот ли трафик и та ли страница
Реклама может вести не ту аудиторию или сразу на главную вместо страницы под конкретный запрос. Несоответствие «обещание в рекламе → то, что на странице» убивает конверсию.
Как провести аудит: пройдите весь путь клиента сами с телефона — от клика по рекламе до отправленной заявки. Место, где вы сами запнулись, и есть ваша проблема.
Главное: «нет заявок» почти никогда не значит «переделать дизайн». Это значит найти конкретный обрыв в цепочке. Начните с диагностики, а не с ремонта.
💬 Что у вас оказалось узким местом? Поделитесь в комментариях 👇
Share
