Разработка ИИ для бизнеса: как сеть корпоративного питания перестала терять деньги на списаниях и ускорила отчётность до минут

Заказчик: «РЕСТФОТОАНАЛИТИКА» — подразделение London Restaurant Group. 25 лет на рынке общепита, десятки точек корпоративного питания по России.

Задача:  Избавиться от ручной обработки тонн отчетов по точкам питания с помощью ИИ, чтобы человек не тратил часы на сводку цифр и поиск закономерностей, а бизнес не терял время и деньги.

Проблема: Первая идея — «загрузить таблицу в нейросеть и спросить» — провалилась. Модель врала в цифрах, придумывала несуществующие блюда и путала столбцы. Ошибка в одной цифре при масштабировании на десятки точек — это прямые убытки.

Решение: Сделали надстройку над нейросетью — теперь она не трогает сырые данные. Цифры считает  код на сервере, а ИИ только превращает готовый результат в понятный вывод. Прототип собрали за 3 недели силами двух разработчиков.

Результат: Ускорили анализ данных на 95%, отчёт стал готов за минуты вместо часов, а стоимость одного запроса к ИИ сократилась в 3–20 раз. Заказчик получил работающий прототип за 3 недели, полностью исключил ошибки в цифрах и теперь принимает бизнес-решения на основе точных данных, а не догадок.

Каждый день десятки точек заказчика отчитываются: что приготовили, сколько выдали сотрудникам, сколько списали. Тонны цифр, которые вручную сводил человек, искал закономерности и готовил рекомендации: «Это блюдо не доедают — убираем. А вот это популярно — готовим больше».

Ручной труд — это медленно, субъективно и дорого. Мы уже не в первый раз забираем у людей монотонную работу: например, автоматизировали проверку 103 страниц  нашего сайта, которую человек делал бы неделями.

Собственник поставил задачу: «Сделайте так, чтобы анализ делали нейросети». Задача выглядела просто: берём таблицу, загружаем в модель, спрашиваем — получаем ответ. Но не тут то было.

На старте выбрали российскую ИИ-модель ГигаЧат, взяли "Лайт" версию (разницы с "Про" на наших задачах не нашли и не стали переплачивать). Но выделилось две проблемы:

Первая: В ГигаЧат не получается загрузить эксель-файл с таблицей, данные приходилось копировать и вставлять в запрос огромными текстовыми «портянками».

Вторая: У нейросети есть «память», почти как у человека: рассказываешь ему длинную историю, и он держит её в голове. Нейросеть обещает помнить все 150 страниц этой истории, а на деле выдыхается уже на 50: что-то забыла, что-то перепутала, что-то просто потеряла. Отвечает уверенно, но мимо.

Ошиблась нейросеть в одной цифре — убытки пошли по всем точкам. Хотели избавиться от человеческих ошибок, а получили новый источник проблем — сам ИИ.

Переломный момент. Руководитель нашей команды сказал: «Нейросеть — не база данных и не калькулятор, пусть данные обрабатывает код. Модель получает только готовые цифры». Задача перестала быть «давайте спросим у ИИ» и превратилась в «давайте построим архитектуру».

Главный принцип новой архитектуры: нейросеть не видит сырые данные, вместо этого она получает набор «кнопок» — строгих функций на сервере. «Посчитать остатки», «найти самые списываемые позиции», «сравнить выдачу и потребление».

Нейросеть решает, на какую кнопку нажать и с какими параметрами, а весь расчёт выполняет сервер. Галлюцинациям здесь негде взяться: цифры считает код, модель лишь упаковывает точный результат в человекочитаемый ответ.

По сути, мы превратили ИИ из «думающего элемента» в интерфейс — как голосовой помощник, который понимает речь и нажимает кнопки вместо вас.

Разработка архитектуры ИИ-ассистента: изоляция данных

Таблица загружается в оперативную память сервера. Дальше все расчёты идут через строгие алгоритмы — быстро и предсказуемо. Нейросеть не «читает» таблицу, не «держит её в уме», не пытается запомнить. Никаких текстовых портянок на десятки тысяч токенов. Модель оперирует короткими запросами и получает короткие точные ответы. Данные не покидают контур заказчика.

Интеграция ИИ с серверными функциями

Ключевая механика — набор серверных функций с чётким описанием. Нейросеть может «дёрнуть» нужную, когда требуются данные.

Пример. Пользователь пишет: «Какие блюда нам стоит убрать из меню за последнюю неделю?» Запрос уходит в модель. Та анализирует текст и понимает: чтобы ответить, нужны данные по списаниям за неделю. Она выбирает подходящий инструмент и вызывает его с параметрами: даты, фильтр по списаниям.

Сервер выполняет строгий запрос к таблице и возвращает точные цифры. Модель получает готовый результат и облекает его в ответ: «За последнюю неделю чаще всего списывались суп харчо и рыбные котлеты. Рекомендую исключить их из меню».

Цифры посчитал код. ИИ выступил интерфейсом к строгим алгоритмам, а не «думающим» элементом.

Разработка системы двойных инструкций для нейросети

Даже с инструментами нейросети нужны правила. Мы сделали два слоя:

• Системная инструкция задаётся один раз и объясняет глобальную роль: «Ты — аналитик данных. Работаешь строго с цифрами, которые получаешь. Не додумываешь, не фантазируешь. Если данных недостаточно — скажи прямо».

• Инструкция-напоминание отправляется с каждым запросом: «Отвечай кратко. Только на основе данных. Ничего не добавляй от себя».

Отдельная история — как мы писали эти инструкции. Сначала разработчик делал это вручную — получалось длинно и с двусмысленностями. Тогда он использовал одну нейросеть, чтобы она сформулировала инструкцию для другой. Результат оказался лучше ручного: структурнее, точнее, без воды. Машина объяснила задачу машине эффективнее, чем человек. Это открытие мы теперь применяем и в других проектах.

Страховка: финальное решение за человеком

Стопроцентной точности не обещает никто — это технологически невозможно при работе с человеческим языком и деловым контекстом, поэтому мы встроили ручную проверку прямо в интерфейс прототипа.

Пользователь видит исходный запрос, ответ модели и может точечно скорректировать результат: поправить название блюда, уточнить цифру, переформулировать рекомендацию. Финальное решение принимает человек. Машина убирает рутину и исключает ошибки на этапе обработки цифр, но ответственность остаётся на операторе.

• Не верьте заявленным пределам памяти нейросети. Производитель обещает 150 страниц "памяти" — сбои могут начаться через 50 страниц, проверяйте на своих данных.

• Не переплачивайте за старшие версии. На простых задачах разницы между "Лайт", "Про" и "Максимум" версиями ИИ может не быть, тестируйте.

• Нейросеть пишет инструкции для нейросети лучше человека. Структурнее, точнее, без двусмысленностей, пользуйтесь.

• Не справляется готовая нейросеть — дорабатываем. Этот проект показал: надстройка над ИИ решает проблему галлюцинаций, теперь используем и на других проектах.

Главный показатель, за которым мы следили — насколько сильно мы нагружаем нейросеть. Чем меньше лишних данных мы ей скармливаем, тем быстрее и, главное, точнее она отвечает. А бонусом — стоимость каждого запроса упала в разы.

Зачем платить за обработку всей таблицы, если нейросеть от этого только тупит и врёт? Мы перестали скармливать ей сырые данные и сократили объем запросов в 3–20 раз, теперь каждый запрос стоит копейки, а ответы — точные.

Заказчик получил работающий прототип за 2–3 недели силами двух разработчиков. Загружает отчёт, задаёт вопрос  и получает рекомендацию.

Собранный нами «технологический кубик» полностью универсален. Чтобы перенести его в другую отрасль, достаточно настроить набор инструментов под новую предметную область.

Задача «есть множество таблиц от разных источников, нужно задавать к ним вопросы на естественном языке и получать точные ответы» встречается где угодно:

• Розница — ежедневные отчёты по продажам и остаткам.

• Логистика — данные по маршрутам, загрузке и топливу.

• Финансы — выписки и платежи.

• Производство — учёт сырья и готовой продукции.

Мы не обещаем чудес, строим архитектуру, в которой модель не врёт в цифрах, потому что цифры считает не она.

Этот кейс показывает подход АЙТИФОКС, когда готовые решения не работают:

• Сначала тестируем дешёвую версию ИИ. Если разницы с дорогой нет — не заставляем клиента переплачивать за зря.
• Цифры считает код, нейросеть только объясняет результат, поэтому ответы точные, а не выдуманные.
• Финальное решение всегда за человеком. ИИ готовит ответ, но последнее слово — за оператором.
• Прототип за 3 недели. Два разработчика. Заказчик получает работающий инструмент.

Если ваш бизнес тонет в таблицах, а нейросети врут при выдаче данных — мы поможем спроектировать архитектуру, где ИИ будет точным инструментом, а не источником проблем. Обсудим, как применить эту архитектуру к вашим задачам.