Боярских | AI и бизнес

Сэкономили на поддержке с помощью ИИ и потеряли деньги. Как это посчитать

Поставили бота в поддержку, сократили операторов, маржа с клиента выросла на 10%. В отчёте за месяц всё отлично. А через год выясняется, что клиенты стали уходить чаще. И расчётная ценность клиентской базы оказалась ниже, чем до внедрения бота..

Это не страшилка, а арифметика. Её видно, если считать не выручку за месяц, а ценность клиента за всё время, пока он с вами. Её называют CLV.

CLV часто называют LTV — речь о ценности клиента за всё время отношений. Но считать её можно по-разному. Иногда берут выручку, здесь мы считаем будущую маржу с учётом дисконтирования. Поэтому важно смотреть не только на название метрики, но и на формулу.

Давайте на цифрах

Клиент приносит 10 000 ₽ маржи в год после прямых затрат на продукт и обслуживание. Через год остаются 80% клиентов. Для условного расчёта возьмём ставку дисконтирования 14% — на уровне ключевой ставки ЦБ на 12 октября 2026 года. В реальном бизнесе её нужно определить с учётом стоимости капитала и рисков. Приведённая стоимость будущей маржи такого клиента — около 23 500 ₽.

А теперь три сценария (при прочих равных):

— Выросла маржа (+10%): ценность клиента выросла на 10%, до 25 900 ₽.
— Выросло удержание всего на 5 пунктов (с 80 до 85%): расчётная ценность клиента выросла примерно на 25%, до 29 300 ₽.
— Ловушка с ботом: бот поднял маржу на 10%, но удержание упало с 80 до 75%. Итог — ценность клиента рухнула на 10%, до 21 200 ₽.

Формула и все сценарии — на второй карточке в карусели. 👆

Модель упрощённая: маржа и удержание не меняются, срок не ограничен, затраты на привлечение не учтены.

Почему экономия обманчива

В нашем примере рост удержания на 5 пунктов даёт больший эффект, чем рост маржи на 10%: оставшийся клиент продолжает приносить деньги в следующие годы. Экономия на поддержке видна в отчёте сразу, а отток из-за плохого сервиса — через год.

Но и удержание не стоит поднимать любой ценой: решение зависит от того, сколько это стоит. Поэтому клиентов делят на группы и решают, куда вкладываться, например через RFM-анализ.

Где ИИ растит ценность клиента

Маржа. Ассистенты и боты снимают типовые вопросы, обслуживание дешевеет. Какой уровень автоматизации где нужен, разбирал в посте про ботов, ассистентов и агентов.

Удержание. Модель на истории покупок замечает клиентов, которые затихают, раньше, чем они уйдут.

Рост чека. Персональные допродажи по истории покупок, а не одна рассылка на всех.

Привлечение. Модель показывает, какие каналы приводят тех, кто остаётся надолго, а не просто дешёвые заявки.

ИИ может снизить стоимость обслуживания. Это ещё не значит, что он увеличил ценность клиента. Оценивайте не только экономию на операторах, но и итог: как изменилась ценность клиента с учётом маржи и удержания.

Как посчитать у себя

Сначала решите, что считается удержанием: для подписки — продление, для разовых покупок — повторная покупка за выбранный срок. Подготовьте выгрузку: технические идентификаторы клиентов, даты, суммы покупок и маржа, без ФИО и телефонов. Это снижает риск, но не делает данные полностью анонимными, поэтому работайте в разрешённом компанией сервисе.

Попросите ИИ написать и выполнить код: удержание и ценность клиента по группам, пришедшим в один месяц. Одну группу пересчитайте сами.

Идея не новая: клиентский капитал описали ещё в Harvard Business Review в 1996 году. Промпт для расчёта — в комментариях.

Вы знаете, сколько у вас остаётся клиентов через год?

#система_боярских #ИИ_для_дела

Картинки для календаря авиакомпании. Второй год подряд

Это одна из картинок к календарю подразделения уральской авиакомпании. За год поменялись и модели, и концепция.

В августе 2025-го рисовал в Nano Banana от Google. Стиль — урбан-скетч: будто нарисовано карандашом и маркером от руки.

В этом году работал в свежей модели OpenAI — GPT Image 2.5 в ChatGPT. Концепция мягче, с акварельными нотками. На картинке — Владивосток.

Прошлогоднюю картинку положил в комментарии, сравните сами.

Если нужен такой календарь, сделаю под ключ: от концепции до готового тиража. Настенный, настольный или оба сразу. Пишите в личку.

А вы ещё дарите бумажные календари партнёрам и сотрудникам?

#ИИ_для_дела

Сколько продаж приносит ИИ-поиск? Ни один отчёт не ответит целиком

Руководители спрашивают: «Сколько клиентов приходит к нам из ChatGPT и Алисы?» От ответа зависят деньги: вкладываться ли в контент для нейросетей или урезать его. Если смотреть только в отчёты, вклад ИИ легко занизить. Или, наоборот, принять рост показов за рост продаж.

Часть таких продаж уже можно измерить: связать источник перехода с заявкой и оплатой. Но у каждого инструмента есть слепые пятна.

Яндекс Метрика — переходы и связанные с ними продажи.

Проверяйте рефереры и UTM-метки. Например, ChatGPT Search добавляет к ссылкам utm_source=chatgpt.com. После подключения CRM Метрика показывает оплаченные заказы и выручку по определённым источникам.

Слепое пятно — потерянный источник или заказ, который не удалось связать с визитом. По одному yandex.ru/search нельзя сказать, что человек пришёл из ответа Алисы. А рост прямых заходов не доказывает рост ИИ-трафика.

Яндекс Вебмастер — упоминания в ответах Алисы.

Отчёт «Видимость сайта в Алисе AI» показывает, как часто сайт попадает в источники ответов Алисы. Кликов и показов в нём нет, статистика только по запросам, где сайт уже высоко в обычной выдаче. Заявки и оплаты по нему не посчитать.

Google Search Console — видимость в ИИ-поиске.

Отчёт Generative AI содержит данные о показах в AI Overviews и AI Mode, но не о кликах. В общей статистике все ссылки внутри AI Overview получают позицию блока , поэтому «позиция 1» не значит, что ваша ссылка первая среди источников.

Что внедрить в отделе продаж

1. При квалификации обязательно фиксируйте ответ на вопрос „Где вы впервые узнали о нас?“. Предусмотрите варианты „Не помню“ и „Отказался отвечать“, чтобы менеджеру не приходилось придумывать источник. Если клиент называет нейросеть, запишите сервис и чем она помогла.
2. Раз в неделю руководитель продаж проверяет, у какой доли сделок поле заполнено и сколько ответов «не помню».
3. Раз в месяц три цифры: доля оплаченных сделок с зафиксированным участием ИИ, доля выручки по ним и доля сделок с неизвестным источником. Доли считайте от всех оплаченных сделок и всей выручки за тот же период. Если ИИ-переход и ответ клиента относятся к одному заказу, считайте его один раз.

Вопрос клиенту помогает обнаружить путь, который не видят счётчики: человек увидел рекомендацию в ИИ, позже нашёл компанию по названию и оставил заявку.

Стопроцентной точности это не даст, но в генеративном поиске её и не бывает. Это рабочая оценка: она не доказывает, что без ИИ покупок бы не было, зато показывает тренд. Сравнивайте месяцы при одинаковых правилах учёта: рост может дать и лучшее заполнение CRM. А чтобы понять, окупаются ли вложения в канал, сопоставляйте результат с затратами и маржой.

Шпаргалку по трём отчётам положил в комментарии 👇

#ИИ_поиск

Как ставить задачи новым Claude и GPT

«Подумай внимательно». «Перепроверь всё». «Не останавливайся».

Эти фразы ничего не говорят о работе: какой результат нужен, на чём должны основываться выводы и когда задачу можно считать законченной.

В инструкции для Opus 5.5 Anthropic предлагает убрать общие просьбы «думать усерднее» из промптов и сохранённых инструкций. У Opus 5.5 механизм мышления работает постоянно, а объём размышления модель регулирует отдельно. В тесте чат-продукта удаление строки «думай внимательно» ускорило начало ответа без заметной потери качества. Это результат одного теста; просьба составить план работы по шагам по-прежнему имеет смысл, если вам нужен сам план.

Для длинных задач Anthropic советует передавать работу целиком и объяснять, что означает «готово». OpenAI в инструкции для GPT-6 отмечает другую особенность: модель может остановиться с уточняющим вопросом там, где вы ожидали разумного допущения. Ей полезно сказать, когда продолжать самостоятельно, а когда ответ действительно зависит от вас.

Например, задачу на анализ конкурентов я бы сформулировал так:

Изучи сайты пяти компаний из приложенного списка. Подготовь таблицу: аудитория, предложение, цены и аргументы на главной странице. К фактам добавь ссылки. Если цену не нашёл, отметь это, укажи, где искал, и продолжай. После таблицы предложи три гипотезы для нашего позиционирования — отдельно от найденных фактов. Готово, когда в таблице есть все пять компаний, пробелы отмечены, а вывод занимает не больше 200 слов. Если списка компаний нет, сначала попроси его у меня.

Не каждый пробел в данных требует остановки. Отсутствие публичной цены можно отметить. Отсутствие списка компаний — останавливает: без него модель начнёт сама выбирать, кого считать конкурентом.

Хорошее задание отделяет найденное от предполагаемого. Ссылки позволяют проверить факты, пометки показывают пробелы, а гипотезы остаются гипотезами, пока не оценили их с учётом клиентов, продукта и экономики.

Тот же принцип применим к оформлению результата. Вместо «сделай не шаблонно» Anthropic советует назвать конкретные дизайнерские приёмы, которых следует избегать. Вместо «напиши коротко» можно указать объём и формат. Такие требования можно проверить после выполнения задачи.

Не уговаривайте модель думать усерднее. Объясните ей, что значит «сделано».

#ИИ_инженерия

Прошёл курс Anthropic по работе с ИИ. Самое полезное в нём — не про ИИ

У Anthropic есть бесплатный курс AI Fluency: Framework & Foundations, сделанный с профессорами Риком Даканом и Джозефом Феллером: 14 уроков, около четырёх часов. Разбираю по буквам, что из него забрать руководителю.

Грамотность в ИИ курс определяет как умение работать с ним результативно, эффективно, этично и безопасно. За это отвечают четыре компетенции — Delegation (делегирование), Description (описание), Discernment (оценка), Diligence (ответственность). Промптам посвящена одна буква из четырёх. Остальные три — про управление: что отдавать, как проверять и кто отвечает.

Режимов работы с ИИ в курсе три:

автоматизация — ИИ выполняет задачу по вашей инструкции;
совместная работа — вы и ИИ ищете решение в диалоге;
агентность — задаёте ИИ знания и поведение, и дальше он действует сам, в том числе для других.

Для агентности у авторов хорошая метафора: вы режиссёр, который задаёт видение, а не сценарист, который пишет реплики.

Delegation: сначала эксперт

Ключевая мысль курса: наиболее результативные партнёры ИИ — сначала те, кто разбирается в своём деле, и только потом те, кто умеет работать с ИИ. Если задача не понята, ИИ не поможет её понять. Он аккуратно оформит непонимание. Поэтому урок начинается с вопросов без ИИ: чего добиваетесь, как выглядит успех, какая работа для этого нужна. Дальше работа раскладывается по типам:

— простая, но долгая — автоматизация;
— неопределённая — совместная работа, ИИ как партнёр по размышлению;
— не хватает данных — ИИ с поиском и проверкой источников;
— рутинные повторяющиеся взаимодействия — агентность;
— критическое суждение — остаётся за человеком.

Цель, как пишут авторы, — найти лучшее разделение работы для конкретной задачи, а не автоматизировать всё.

Description: ИИ — не торговый автомат

Описание в курсе — это три разных вопроса:

— что создать: результат, формат, аудитория, стиль.
— как подойти: какие данные, в каком порядке, каким методом, на каких примерах.
— как вести себя: кратко или подробно, объяснять ход мысли или просто отвечать.

И самый полезный для руководителя вопрос из этого урока: вам нужно, чтобы ИИ оспаривал ваши допущения или следовал за вами?

Discernment: оценивать не только ответ

Оценка зеркалит описание: хорош ли результат, как ИИ к нему пришёл и как ведёт себя в диалоге. Пример из курса про процесс: после нескольких раундов ИИ начинает возвращать элементы идей, которые вы уже отвергли. Ответ при этом может выглядеть нормально.

Описание и оценка образуют петлю: описал, оценил, уточнил. Если оценка нашла проблему, чаще помогает лучшее описание, но иногда нужно пересмотреть само делегирование — не тот инструмент или не тот подход.

Почему здесь снова нужна экспертиза, показал эксперимент Harvard и BCG. 758 консультантов с GPT-4 в сильных для модели задачах сделали на 12% больше и на 25% быстрее. А в задаче за пределами возможностей модели приходили к правильному ответу на 19 процентных пунктов реже — и при этом отвечали убедительнее.

Diligence: готовность поручиться

Три части — ответственность при создании, прозрачность и ответственность при внедрении. Курс превращает их в проверку до запуска: как контролируется предвзятость (например, в описаниях вакансий и отборе кандидатов), как проверяется точность данных для важных решений, защищено ли конфиденциальное, как сообщается об участии ИИ и готовы ли вы отвечать за результат.

Прозрачность курс показывает на себе: на его странице есть заявление о том, как авторы использовали Claude и что финальные решения принимали люди.

А вы от ИИ чего ждёте — чтобы спорил или чтобы соглашался?

Пост готовил вместе с Claude: он помог со структурой, черновиком и проверкой фактов. Выводы и финальная редактура — мои.

#разбор_полетов #ИИ_для_дела

Chat, Work и Codex — это не три уровня мощности. Это три уровня того, что отдаёте из-под контроля

Их легко принять за шкалу: Chat — поговорить, Work — сделать что-то сложное, Codex — написать код. Но сложность задачи — плохой критерий выбора.

Я бы смотрел на три вещи: что именно делегируем, сколько шагов система проходит без человека и сколько стоит откатить ошибку.

Дальше — на одном сквозном примере. Компания продаёт B2B-сервис, клиенты не покупают, причина неясна.

Chat: траекторию держит человек

Причина может быть в цене, в сегменте или в том, что финансовому директору продукт продают аргументами для операционного. Здесь полезно спорить с моделью: загрузить интервью, проигранные сделки, сайт, проверять гипотезы и разворачиваться на ходу.

Смысл Chat — в цикле «человек, модель, снова человек». Следующий шаг выбирает человек, отдельная точка остановки не нужна: её обеспечивает каждая реплика. Цена ошибки почти нулевая — плохая гипотеза умирает в диалоге, прежде чем вокруг неё появится работа.

Work: человек задаёт результат и границы

Гипотезу подтвердили. Теперь есть бриф, CRM, прайс и шаблон предложения: надо собрать данные, проверить расхождения и подготовить документ.

Здесь человек задаёт результат, ограничения и критерии приёмки, а шаги выбирает система. И цена ошибки меняется качественно. Если агент перепутал выручку с валовой маржой, он аккуратно построит расчёты и презентацию вокруг неправильной цифры.

Гладкий результат иногда опаснее кривого Excel: форму приходится отделять от качества логики.

Работает и арифметика длины. Если принять надёжность каждого шага за 90% и не считать повторные попытки, цепочка из десяти обязательных шагов пройдёт без ошибок примерно в 35% случаев. Чем дольше система идёт без проверки, тем больше действий опирается на ошибочную вводную.

Отсюда требования к постановке: авторитетные источники, запрет на додумывание, точки эскалации, критерии брака. Механизм для этого в Work есть — можно смотреть ход работы, менять направление и подтверждать важные действия. Вопрос в том, кто назначит эти точки. И в экономике: если руками задача занимает десять минут, а постановка и проверка агента — двадцать, экономии нет.

Codex: результатом становится изменение системы

Правило доказало ценность: предложение нельзя сформировать, если у товара нет утверждённой цены. Обсудить его можно в Chat, проверить каталог — в Work. Но закрепить — значит изменить приложение, и задача становится инженерной.

Codex должен разобраться в проекте, найти нужную логику, внести изменения и проверить их. Цена ошибки здесь самая высокая и самая отложенная: последствия разгребают люди, и не в тот же день. Даже зелёные тесты ничего не доказывают — они проверяют только то, что кто-то решил проверить.

Codex снимает часть инженерной рутины, но не отменяет владельца системы, границы изменений и ревью.

Оговорка: это ориентиры, а не жёсткие границы. Возможности пересекаются, степень самостоятельности зависит от задания, инструментов и разрешений, а обязательной лестницы нет — сама OpenAI описывает эти режимы как параллельные. Важнее другое: если компания придумала слабое ценностное предложение, Work поможет быстрее выпускать слабые материалы, а Codex закрепит ошибку в коде.

Постановка задачи шире промпта

Хорошие инструкции остаются. Но к ним добавляется менеджмент.

Перед делегированием я бы ответил на четыре вопроса:

— Кто выбирает следующий шаг: человек или система?
— Где система обязана остановиться и позвать человека?
— Что считается браком, даже если результат выглядит убедительно?
— Если система ошибётся, насколько легко и дорого откатить последствия?

Ответив на них, понимаешь главное: чем автономнее ИИ, тем меньше всё это похоже на промпт-инжиниринг и тем больше — на обычный менеджмент. И это, пожалуй, самая неприятная часть прогресса ИИ: он не освобождает от управления. Он быстро показывает, где его никогда и не было.

#ИИ_инженерия