Кейс без обещания волшебной конверсии

Лихтенштейнская GB Marketing & Solutions GmbH вместе с партнёрами запустила экспертную площадку expert-hub.li. По описанию сети European Digital Innovation Hubs (EDIH), на ней есть профили специалистов и пакеты услуг, а ИИ помогает соотнести запрос клиента с подходящей компетенцией. Сама площадка доступна публично: пользователь сравнивает предложения, описывает задачу при бронировании, после чего консультант решает, подходит ли запрос его профилю.

Это полезнее для малого бизнеса, чем абстрактный «ИИ в продажах». Узкая задача здесь — сократить путь от неструктурированного запроса до подходящего исполнителя и не передавать человека специалисту только потому, что в анкете совпало одно слово. На сайте также показаны запись на встречу и пакеты услуг. EDIH перечисляет чат, обмен документами, видеовстречи и выставление счетов как части платформы. При этом источник не публикует подтверждённых цифр роста продаж или точности подбора: метрики обещаны после первых месяцев работы, но в доступном описании их нет.

Комичный риск такого сценария знаком каждому, кто хоть раз искал подрядчика: попросили одного эксперта, а алгоритм принёс стопку из сорока анкет. Поэтому полезный ИИ здесь не тот, кто выдаёт длинный рейтинг, а тот, кто помогает задать уточняющий вопрос и оставить два-три объяснимых варианта. Человек сохраняет право отказаться от заявки, а клиент — выбрать и уточнить условия.

Что именно подтверждено источниками

EDIH описывает созданную площадку как сервис для поиска экспертов и обработки консультаций, адаптированный для местного рынка. Технологическую эксплуатацию ведёт австрийская HalloSophia by finothek GmbH; GB Marketing & Solutions отвечает за развитие модели и маркетинг. Живая страница expert-hub.li подтверждает, что предложения и бронирование доступны, а консультант принимает запрос только после оценки соответствия своей компетенции. На странице есть отдельное предупреждение не передавать личные сведения в AI-чат.

Не опубликованы используемая модель, метод ранжирования, архитектура хранения диалогов, доля автоматических совпадений, финансовый эффект или сравнение с ручным подбором. В частности, нет оснований называть действующую платформу локально развёрнутой или приписывать ей RAG. Эти ограничения важны: малой компании не стоит копировать неизвестный технический стек только потому, что интерфейс выглядит убедительно.

Как собрать похожий процесс у себя

Представим сервисную компанию или отраслевое объединение в России: запросы на ремонт, аудит, обучение или инженерную консультацию приходят письмами и через сайт. Первый слой не требует модели. Нужны структурированные карточки исполнителей: подтверждённые навыки, отрасли, территория, язык, минимальная стоимость, доступность, обязательные допуски и задачи, которые исполнитель не берёт. У каждого поля должен быть владелец и срок актуальности. Иначе ИИ очень уверенно порекомендует специалиста, который уже не работает с этой услугой.

Дальше запрос приводится к ограниченному набору признаков: тип задачи, объект, срочность, место, бюджетный диапазон и недостающие сведения. Правила сначала отсекают кандидатов по жёстким условиям — регион, лицензия, доступность, конфликт интересов. Только оставшихся разумно ранжировать семантическим поиском или небольшой моделью. Для редких или неоднозначных запросов модель может предложить один уточняющий вопрос. Неизвестное лучше оставить неизвестным, чем подменить красивой догадкой.

Локальная модель уместна, если запросы содержат закрытые технические сведения, есть стабильный поток и уже существует защищённая инфраструктура. Но локальный запуск не обязателен для каталога из нескольких десятков экспертов: фильтры, полнотекстовый поиск и ручное подтверждение могут оказаться дешевле и надёжнее. Если выбирается внешний API, заранее определите, какие поля и документы допустимо туда отправлять, и исключите личные сведения без необходимости.

Интеграции и контроль

Минимальный рабочий контур — форма обращения, каталог исполнителей, календарь доступности, CRM-статус заявки и журнал рекомендаций. Модель не должна сама создавать обязательства перед клиентом. Пользователь видит, почему предложен кандидат; исполнитель принимает или отклоняет запрос; менеджер разбирает спорные случаи. Если услуга регулируется или требует допуска, проверка допуска остаётся отдельным детерминированным шагом.

Для пилота полезно хранить идентификатор версии карточки и причину рекомендации: «опыт по задаче», «доступен в регионе», «подходит бюджет». Не нужно публиковать внутренние баллы как объективную оценку человека. Ранжирование зависит от качества анкет и формулировки запроса; специалист с плохо заполненным профилем иначе окажется невидимым. Поэтому владельцам каталога нужно регулярно проверять карточки, дубли и заявки без подходящего исполнителя.

Публичная площадка прямо предупреждает не писать персональные данные в AI-чат. Для российского внедрения это хороший повод отделить свободный текст для поиска от контактных данных для бронирования. Контакт и договорные файлы доступны только нужным сотрудникам; журнал запросов имеет срок хранения; экспорт в сторонние сервисы проверяется отдельно. Это практический дизайн доступа, не утверждение о соответствии конкретному закону.

Экономика: считать завершённые сделки, а не «умные» ответы

Поскольку EDIH не приводит подтверждённых KPI площадки, оценка для другого бизнеса должна начинаться с собственной базы. На протяжении двух недель фиксируйте число входящих заявок, время до первого подходящего предложения, долю принятых исполнителями запросов, долю переносов к другому специалисту, завершённых консультаций и жалоб. Сравнивайте с текущим ручным маршрутом на сопоставимых типах задач. Если заявок мало, экономия времени оператора может не покрыть поддержку нового сервиса; тогда ценность может быть в доступности предложения и удобстве бронирования, но её тоже надо измерить.

Модельный расчёт, не результат expert-hub.li: при 80 обращениях в месяц и экономии четырёх минут на первичном разборе получается 320 минут, или 5 часов 20 минут. Из этого вычитаются модерация карточек, разбор ошибок, обслуживание интеграций и стоимость вычислений. Если после внедрения число ошибочных назначений растёт, итог может стать отрицательным даже при более быстром первом ответе. Отдельный GPU для такого объёма без дополнительных задач вряд ли стоит покупать только ради подбора.

Следующий шаг для руководителя

Начните с одной категории услуг и 20–30 актуальных профилей. Возьмите 50–100 обезличенных прошлых заявок, отметьте приемлемых исполнителей и случаи, где надо задать вопрос или отказаться от рекомендации. Сравните три режима: ручной подбор, правила с поиском и правила с ИИ-ранжированием. На сайт выводите рекомендацию лишь после проверки прав, статуса и объяснения соответствия. Если ИИ только делает список длиннее, он пока не решает задачу.

Иллюстрация создана ИИ для «ВнутрИИ»; она не изображает сотрудников или интерфейс expert-hub.li.