Время чтения: 10 минут

Нейросети для аналитики перестали быть экзотикой — они стали вопросом архитектуры. Одно дело знать, что это возможно. Совсем другое — собрать систему, которая сама заходит в данные, строит воронку продаж и присылает PDF-отчёт с гипотезами в Telegram ещё до того, как ты допил утренний кофе. В этом выпуске подкаста «Маркетинг с ИИ» я разбираю именно такой кейс. Стоимость — $3 в месяц. И нет, это не кликбейт.

Но и не волшебство. Информационное поле давно перегрето обещаниями: купи подписку на нейросеть, нажми пару кнопок — и бизнес взлетит. Реальность автоматизации устроена сложнее. Этот кейс — хороший пример того, где AI уже работает на уровне middle-специалиста, а где требует жёсткого контроля и грамотной инженерии.

Идеальное утро понедельника: что делает система

Ровно в 10:00 каждого понедельника AI-система запускается автономно. Она заходит в Яндекс.Метрику и Ройстат — сервисы, где хранятся данные о посетителях сайта, рекламных кампаниях и воронке продаж. Скачивает сырые цифры. И вот тут начинается принципиальное отличие от обычного скрипта.

Классический скрипт возвращает таблицу: 12 400 визитов, 87 покупок, конверсия 0,7%. Дальше — разбирайся сам. Система с нейросетью работает иначе: она анализирует данные в разрезе устройств, регионов, аудиторных сегментов и этапов воронки. Сравнивает динамику неделя к неделе. Подсвечивает аномалии. И — что важнее всего — самостоятельно генерирует бизнес-гипотезы.

Конкретный пример из кейса: система видит, что мобильный трафик из Казани за неделю вырос на 34%, но конверсия в покупку упала вдвое. Вывод нейросети: «Возможно, проблема с мобильной версией сайта для этого региона или отвалился платёжный шлюз». Это уровень junior/middle-аналитика — не всегда точный, но достаточный, чтобы поставить правильный вопрос команде.

Результат — готовый PDF-отчёт приходит в Telegram до первого кофе руководителя. Система не спит, не болеет и не просит повышения зарплаты.

Архитектура: N8N + ChatGPT API вместо чистого агента

Первая версия системы создавалась принципиально иначе. ТЗ написали в ChatGPT-5, затем передали AI-агенту в сервисе Manus — и агент должен был сам собрать автоматизацию в N8N.

Для тех, кто не работал с этими инструментами: N8N — это визуальный конструктор автоматизаций с открытым кодом. Цифровое лего: берёшь блок Яндекс.Метрики, соединяешь стрелочкой с блоком обработки данных, тот — с блоком формирования отчёта. Данные текут сами. Без программиста.

AI-агент — это уже другой уровень. Не чат-бот, генерирующий текст. Агент — это алгоритм с «руками»: он может открывать браузер, кликать кнопки, писать и запускать код, взаимодействовать с интерфейсами. Задача агента в этом кейсе была — зайти в N8N и расставить там кубики самостоятельно, без участия человека.

Почему архитектура сменилась

Агент в Manus справился на 80%. За 3000 токенов он выстроил логику, настроил авторизацию, подключил источники данных. А потом застрял — буквально на финальном шаге: сохранить отчёт в PDF. И это стало уроком о природе AI-систем.

В итоге пришли к гибридной архитектуре — и именно она даёт $3 в месяц:

Принцип простой: N8N делает всё по жёстким рельсам — без творчества, без вероятностей. ChatGPT через API подключается только в конце, получает уже чистую структурированную базу и делает то, что умеет лучше всего — осмысляет данные и формулирует инсайты.

Если вас интересует, сколько реально стоит содержание AI-агента в боевых условиях, — я разбирала это отдельно в статье о реальной стоимости ИИ-агента для бизнеса.

Ловушка вероятностной логики: как агент сжигает бюджет

Вернёмся к моменту, когда агент Manus застрял на сохранении PDF. Почему это вообще произошло? Здесь кроется фундаментальная разница между классическим кодом и нейросетью.

Классический скрипт — детерминированный: ему говорят «нажми кнопку» — он нажимает. Кнопки нет — выдаёт ошибку и останавливается. Программа не импровизирует. AI-агент устроен иначе: он работает на вероятностной логике, угадывая следующий шаг на основе обученных паттернов. Это его сила — и его ловушка.

Агент не нашёл нужного кубика для генерации PDF в N8N. Что он сделал? Решил проявить инициативу — написал скрипт на Python. Скрипт выдал ошибку. Агент попробовал JavaScript. Снова ошибка. Пошёл искать третий путь. Четвёртый. Пятый. Его затянуло в бесконечный цикл перебора вариантов — и за каждую попытку списывались токены.

Агента пришлось останавливать вручную. Финальную часть цепочки доделывал человек.

В подкасте прозвучала аналогия, которая мне понравилась. Это как нанять профессора математики сортировать письма на почте. Профессор не находит нужный ящик. Но вместо того, чтобы отложить конверт и спросить начальника, он садится и начинает изобретать теорию квантовой маршрутизации почты. По профессорской часовой ставке.

Именно поэтому в финальной архитектуре кейса нейросеть подключается только к готовым, структурированным данным. Это как нанимать аналитика не за тем, чтобы он ходил в архив и перебирал бумаги, а чтобы делал выводы из уже собранного досье.

Подробнее о том, как нейросети автоматизируют рутину в бизнесе, я писала отдельно — там больше примеров по разным функциям.

Математика эффективности: $3 против зарплаты аналитика

Почему именно $3? Система запускается 4–5 раз в месяц — каждый понедельник. Каждый запуск: N8N детерминированно собирает данные (бесплатно), ChatGPT API подключается на финале для анализа (несколько центов). Плюс стоимость аренды сервера для N8N. Итого — около $3 в месяц.

Старый подход — когда агент делал всё внутри себя — стоил 600–1000 токенов за один запуск. Казалось бы, немного. Но в реальном бизнесе таких задач бывает 20–30 в день: проверить рекламную кампанию, посмотреть трафик за вчера, свести данные по регионам. Математика быстро становится некрасивой.

Возражение очевидное: система периодически ломается. Яндекс обновляет протоколы безопасности, API-ключи протухают, сервер зависает. Нужен живой специалист. Его время стоит не $3.

Считаем. Обновить ключ API — 30–60 минут в месяц. Даже с приличной почасовой ставкой это несколько сотен рублей. Против зарплаты штатного аналитика уровня middle с налогами, отпускными, больничными, рабочим местом и оборудованием — разница в разы, если не на порядок.

И это не вечный двигатель. Это управляемая инфраструктура с низкой стоимостью владения. Разница между «нанять человека на рутину» и «поставить рутину на автопилот, оставив человека для решений».

Что это значит для рынка труда

В конце подкаста звучит вопрос, который я считаю важным и пока незакрытым. Если нейросеть за $3 в месяц делает работу middle-аналитика — что будет с джунами?

Именно на рутинных задачах — ковыряться в таблицах, собирать стандартные отчёты, находить аномалии вручную — учились молодые специалисты. Это был их путь к экспертизе: сначала делаешь сотни простых вещей, понимаешь данные изнутри, потом начинаешь строить интерпретации и давать рекомендации. Так формировалась насмотренность.

Если эту ступеньку убирает автоматизация — как появятся будущие старшие аналитики и стратеги? Как можно стать архитектором AI-систем, если не прожил руками то, что эти системы теперь делают?

Мой взгляд: спрос смещается к специалистам нового типа. AI-оператор — тот, кто умеет ставить задачи нейросети, проверять её выводы, находить дыры в архитектуре. AI-интегратор — тот, кто собирает такие системы, как в этом кейсе, из правильных слоёв. Это не программист и не аналитик в классическом смысле. Это роль на стыке.

Хорошая новость: этому можно учиться. Плохая: большинство образовательных программ пока учат тому, что уже автоматизируется. Я писала об этом в контексте того, как нейросети меняют систему оплаты труда — там шире про рынок.

И ещё один угол: если вы руководитель, который сейчас нанимает аналитика на рутину — посмотрите на этот кейс как на альтернативу. Не «уволить всех и поставить робота», а «перестать платить человеку за то, что машина делает лучше, и направить его усилия туда, где машина пока не справляется». Это другая постановка вопроса. И гораздо продуктивнее.

Как AI-инструменты трансформируют аналитику сайта в связке с WordPress — это ещё один кейс, где граница между «скриптом» и «нейросетью» работает ровно так же.

Чек-лист: как внедрить AI-аналитику без потери бюджета

Если вы думаете о том, чтобы запустить что-то похожее у себя — вот семь условий, без которых лучше не начинать:

• Разделяйте слои: детерминированные задачи (сбор данных, форматирование) — N8N или скрипты; интеллектуальные (анализ, гипотезы) — API нейросети.
• Ставьте лимиты агентам: любой AI-агент должен работать с потолком по токенам и таймаутом. Без ограничений он может бесконечно «решать» задачу.
• Начинайте с одного отчёта: один автоматизированный еженедельный отчёт — уже ценность. Не пытайтесь автоматизировать всё сразу.
• Закладывайте техподдержку: 30–60 минут в месяц на обновление ключей, проверку соединений. Это не недостаток — это норма инфраструктуры.
• Верифицируйте гипотезы руками: нейросеть может ошибаться в интерпретациях. Её выводы — стартовая точка для расследования, а не финальный ответ.
• Считайте полную стоимость владения (TCO): сервер + токены + время на поддержку. Не только цену подписки.
• Проверяйте качество данных на входе: мусор на входе — мусор на выходе. AI не исправит кривую разметку целей в Метрике.