Как ИИ помог сети корпоративного питания перестать терять деньги на списаниях и ускорить отчётность до минут

Главное о кейсе

Сеть корпоративного питания с 25-летней историей и десятками точек по стране хотела заменить ручной труд аналитика на ИИ-помощника. Прямой подход «загрузить таблицу в нейросеть и спросить» с треском провалился: модель врала в цифрах и придумывала несуществующие блюда. Мы построили архитектуру, где цифры считает строгий код на сервере, а нейросеть лишь превращает результат в понятный текст. Прототип готов за 3 недели силами двух разработчиков. Стоимость запроса к ИИ сокращена в 3–20 раз. Машина не устаёт, не фантазирует и не ошибается в цифрах.

Как проект изменил жизнь пользователей

Раньше аналитик тратил часы на ручной сбор и обработку отчётов от десятков точек. Каждый день нужно было сводить данные: что приготовили, что выдали сотрудникам, что списали. Искать закономерности. Готовить рекомендации по меню. Это был медленный, субъективный и дорогостоящий процесс. Человек уставал, мог ошибиться, не успевал обработать все данные достаточно глубоко.
Теперь пользователь просто загружает отчёт и задаёт вопрос на русском языке. Через минуту получает готовую рекомендацию: «За неделю чаще всего списывались суп харчо и рыбные котлеты. Рекомендую исключить их из меню». Ручной труд ушёл навсегда. Скорость принятия решений выросла в десятки раз. Управляющие точками и менеджеры больше не зависят от одного человека-аналитика. Они могут самостоятельно в любой момент получить точные данные и рекомендации. А главное — исчез риск ошибок из-за усталости или невнимательности. Машина не фантазирует и не врёт в цифрах.

Бизнес-задача и ее решение

Заказчик. «РЕСТФОТОАНАЛИТИКА» — подразделение London Restaurant Group. 25 лет на рынке общепита, десятки точек корпоративного питания по всей стране.
Бизнес-задача. Заменить ручной труд аналитика на ИИ-помощника, который ежедневно обрабатывает отчёты точек и выдаёт рекомендации: что убрать из меню, а что масштабировать. Собственник поставил задачу прямо: «Сделайте так, чтобы анализ делали нейросети».
Контекст. Каждый день точки отчитываются: что приготовили, что выдали сотрудникам, что списали. Тонны цифр, которые вручную сводил отдельный человек. Он искал закономерности и готовил рекомендации. Процесс медленный, субъективный, дорогой и плохо масштабируемый.
Почему прямое решение не сработало. Первая гипотеза была очевидной: берём таблицу, загружаем в нейросеть, спрашиваем — получаем ответ. Выбрали российскую модель ГигаЧат, облегчённую версию — разницы со старшей не нашли, не стали переплачивать. Но модель не умела работать с таблицами напрямую. Данные приходилось передавать огромными текстовыми «портянками». Критичной стала другая проблема: нейросеть путала столбцы, придумывала цифры и блюда, которых нет в меню. На запрос «какие блюда пора убрать» отвечала уверенно — но полностью мимо реальных данных. Ошибка в одной цифре, помноженная на десятки точек сети, превращалась в прямые убытки. Мы пытались уйти от человеческого фактора, а получили его с новой стороны — теперь уже от нейросети.
Решение. Переломный момент наступил, когда руководитель команды сказал: «Нейросеть — не база данных и не калькулятор. Данные должен обрабатывать код. Модель получает только готовые цифры». Мы построили архитектуру, где нейросеть не видит сырые данные. Она получает набор «кнопок» — строгих серверных функций. «Посчитать остатки», «найти самые списываемые позиции», «сравнить выдачу и потребление». Модель решает, на какую кнопку нажать и с какими параметрами, а весь расчёт выполняет код на сервере. Галлюцинациям негде взяться: цифры считает код, ИИ лишь упаковывает результат в текст. По сути, мы превратили нейросеть из «думающего элемента» в интерфейс — как голосовой помощник, который понимает речь и нажимает кнопки вместо вас.
Результат для бизнеса. Прототип готов за 3 недели. Рекомендации — за минуты вместо часов. Стоимость запроса к ИИ сокращена в 3–20 раз. Машина не ошибается в цифрах.

Крафт (мастерство), реализация, технические детали

Архитектурный принцип. Нейросеть изолирована от сырых данных. Таблица живёт в оперативной памяти сервера заказчика, все расчёты выполняет строгий код. Модель оперирует только короткими запросами и получает короткие точные ответы. Данные не покидают контур заказчика.
Инструменты вызова (function calling). Ключевая механика — набор серверных функций с чётким описанием. Нейросеть «дёргает» нужную, когда требуются данные. Пользователь пишет: «Какие блюда нам стоит убрать из меню за последнюю неделю?» Модель анализирует текст и понимает: нужны данные по списаниям за неделю. Выбирает подходящий инструмент, 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. Цифры посчитал код, ИИ выступил только интерфейсом к строгим алгоритмам.
Двойная система инструкций. Мы создали два слоя правил для модели. Системная инструкция задаётся один раз и объясняет глобальную роль: «Ты — аналитик данных, работаешь строго с цифрами, которые вернули функции. 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».
Нестандартный приём. Инструкции для нейросети писала другая нейросеть. Сначала разработчик делал это вручную — получалось длинно и с двусмысленностями. Когда задачу передали ИИ, результат оказался структурнее, точнее и без воды. Машина объяснила машине задачу эффективнее, чем человек. Этот приём мы теперь тиражируем в других проектах.
Страховка. В интерфейс встроена ручная проверка. 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, ответственность остаётся на операторе.
Технический стек. Российская модель ГигаЧат (облегчённая версия), серверная обработка данных на стороне заказчика, function calling для вызова строгих алгоритмов, два слоя промптов для управления поведением модели.
Метрики эффективности. До внедрения — 30–100 тысяч токенов на запрос. После — 1,5–3 тысячи токенов на типовой запрос, максимальный зафиксированный — 15 тысяч. Сокращение стоимости в 3–20 раз.

Инсайты, гипотезы, процесс создания и взаимодействия с заказчиком

Ключевые гипотезы и их проверка.
Гипотеза 1: «Загрузим таблицу в нейросеть и спросим — получим ответ». Опровергнута на первом же тесте. Модель врала в цифрах и придумывала несуществующие блюда. Прямой подход с сырыми данными не работает для бизнес-задач, где цена ошибки высока.
Гипотеза 2: «Возьмём старшую версию модели — будет точнее». Опровергнута. На табличных задачах разницы между Lite, Pro и Max не обнаружили. Не стали переплачивать бюджет клиента.
Гипотеза 3: «Нейросеть должна считать сама». Опровергнута. Оказалось, что модель — не калькулятор и не база данных. Считать должен код.
Гипотеза 4: «Архитектура с изоляцией данных и function calling». Подтверждена. Стала основой решения.
Инсайты.
Первый и главный инсайт: нейросеть — отличный интерфейс, но не инструмент для расчётов. Как только мы перестали спрашивать у модели «сколько» и начали давать ей готовые цифры — галлюцинации исчезли.
Второй инсайт: машина объясняет задачу другой машине лучше, чем человек. Когда мы поручили нейросети написать инструкции для другой нейросети, результат оказался точнее, чем у разработчика. Никакой воды, никаких двусмысленностей. Теперь применяем этот подход и в других проектах.
Третий инсайт: заявленные пределы памяти нейросети — маркетинг. Производитель обещает 150 страниц текста, а сбои начинаются на первой трети. Всегда проверяйте на своих данных.
Четвёртый инсайт: не переплачивайте за старшие версии моделей. Тестируйте на конкретных задачах — разницы может не быть.
Процесс создания. Проект прошёл путь от провальной первой гипотезы до работающего прототипа за 2–3 недели. Команда — два разработчика. Поворотный момент случился, когда мы осознали, что нейросеть не должна «думать» над цифрами. Дальше быстро собрали архитектуру с изоляцией данных и function calling. Отдельно экспериментировали с промптами — именно тогда обнаружили, что ИИ пишет инструкции для ИИ лучше человека.
Взаимодействие с заказчиком. Собственник изначально поставил задачу жёстко: «Сделайте так, чтобы анализ делали нейросети». Мы честно предупредили, что прямой подход не сработает, и предложили архитектурное решение. Заказчик доверился. Результат получил работающий инструмент за 3 недели — не слайды и обещания, а готовый прототип. Дополнительно сэкономили бюджет, выбрав облегчённую версию модели вместо старшей. Сейчас технологический кубик масштабируется: розница, логистика, финансы, производство — везде, где нужно задавать вопросы к таблицам на естественном языке и получать точные ответы.

Скриншоты