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
Выручка растёт, обороты большие, а свободных средств не прибавляется. Частая история, и причина одна: не считают экономику одной продажи. Разбираем, как за пять минут понять, работает продажа на вас или против.
Что это вообще такое
Unit-экономика отвечает на простой вопрос: приносит ли вам результат одна единица — один клиент, один заказ, одна продажа. Если одна продажа не окупается, то чем больше продаж, тем хуже итог. Масштабировать то, что не окупается, бессмысленно.
Два числа, с которых всё начинается:
🔹 Сколько остаётся с одной продажи — выручка за вычетом прямых расходов на неё (себестоимость, доставка, комиссии, работа).
🔹 Сколько стоит привлечь одного клиента — весь маркетинговый бюджет, делённый на число привлечённых клиентов.
Главное правило
Если привлечь клиента дороже, чем с него остаётся, продажа работает против вас. Продвижение на 100 000 дало 10 клиентов, привлечение одного — 10 000; если с него остаётся 7 000, каждая продажа уводит итог вниз, сколько бы клиентов ни было.
Не забудьте про повторные покупки
Один клиент часто возвращается. Даже если первая продажа выходит в ноль, повторные могут вывести в хороший плюс. Поэтому считают не только первую сделку, но и сколько клиент приносит за всё время.
Где обычно прячется результат:
🔹 не учли комиссии, доставку, возвраты;
🔹 не посчитали свою работу и работу команды;
🔹 смотрят на общую выручку вместо экономики одной продажи;
🔹 учитывают только первую покупку и не видят повторные.
Как посчитать за 5 минут: возьмите одного типичного клиента. Сколько он принёс, сколько стоило его привлечь и обслужить. Разница — реальный результат с одной единицы. Всё остальное — детализация.
Главное: сначала сделайте так, чтобы одна продажа окупалась, и только потом масштабируйте. Рост без здоровой unit-экономики лишь ускоряет движение не в ту сторону.
💬 Вы считаете экономику одной продажи? Поделитесь в комментариях 👇
Share
