Когда предприниматели впервые начинают использовать AI в автоматизации, они делают одну и ту же ошибку. Берут таблицу с данными — продажи, расходы, остатки — и отправляют её целиком в ChatGPT с вопросом «что происходит с моим бизнесом?»
Результат обычно разочаровывает. Ответ размытый, общий, без конкретики. Иногда модель просто пересказывает данные другими словами.
Проблема не в ChatGPT. Проблема в том как используется инструмент.
Главный принцип: AI объясняет, а не считает
Языковые модели плохо справляются с точными вычислениями по большим массивам данных. Они хорошо справляются с интерпретацией, объяснением причин, генерацией рекомендаций — когда контекст уже подготовлен.
Это значит что правильная архитектура выглядит так:
Сначала ваш код или таблица считает всё что можно посчитать — метрики, отклонения, тренды, аномалии. Потом формируется компактный структурированный контекст — что произошло, на сколько изменилось, что важно. И только потом этот контекст отправляется в AI с конкретным вопросом.
Как выглядит плохой запрос
Вот типичная ошибка:
Вот данные продаж за месяц [500 строк]:
дата, артикул, выручка, количество, себестоимость...
[огромная таблица]
Скажи что происходит с моим бизнесом?
Что получаем: общие слова, пересказ данных, ничего конкретного. Плюс дорого — большой контекст = много токенов.
Как выглядит правильный запрос
Сначала ваш код считает всё сам и формирует сводку:
javascript
const context = {
period: "последние 7 дней",
signals: [
{ type: "margin_drop", sku: "X123", change: -12.4, severity: "high" },
{ type: "drr_spike", sku: "X123", value: 19.2, norm: 8.0 },
{ type: "low_stock", sku: "Y456", days_left: 4 }
],
constraints: {
min_margin: 15,
can_change_price: true
}
}
Потом отправляете в GPT:
Ты аналитик маркетплейсов. Вот сигналы по магазину за последние 7 дней:
[compact JSON]
Объясни причины и дай 3 конкретные рекомендации с приоритетами.
Результат: конкретный, actionable, дешёвый.
Три слоя правильной AI-интеграции
Слой первый — данные и метрики. Ваш код, SQL, формулы. Считает выручку, маржу, ДРР, остатки, сравнивает с прошлым периодом, находит отклонения. AI здесь не нужен.
Слой второй — сигналы и аномалии. Правила: «если маржа упала больше чем на 10% за 7 дней — это сигнал». «Если ДРР вырос выше 20% — это сигнал». Список сигналов с severity. Снова без AI.
Слой третий — интерпретация и рекомендации. Вот здесь AI. Он получает готовые сигналы и отвечает на вопросы: что это значит, почему важно, что делать, насколько срочно.
Почему это работает лучше
Скорость: маленький контекст обрабатывается быстро. Точность: модель не отвлекается на нерелевантные данные. Стоимость: меньше токенов — дешевле. Предсказуемость: структурированный вход даёт структурированный выход.
Практический пример для Google Sheets
В Apps Script это выглядит так:
javascript
function getAIInsight() {
var sheet = SpreadsheetApp.getActiveSheet();
// Шаг 1: считаем метрики сами
var margin = calculateMargin(sheet);
var prevMargin = getPrevPeriodMargin(sheet);
var change = ((margin - prevMargin) / prevMargin * 100).toFixed(1);
// Шаг 2: формируем компактный контекст
var context = "Маржа за неделю: " + margin + "%. " +
"Изменение vs прошлая неделя: " + change + "%. ";
if (Math.abs(change) > 10) {
context += "Значительное отклонение требует объяснения. ";
}
// Шаг 3: отправляем только нужное в AI
var prompt = "Ты финансовый аналитик МСБ. " + context +
"Объясни возможные причины и дай одну конкретную рекомендацию.";
return callOpenAI(prompt);
}
Никаких тысяч строк. Только суть.
Вывод
AI в бизнес-процессах — это не замена аналитики. Это финальный слой который превращает цифры в понятные слова и конкретные действия. Всё что можно посчитать кодом — считайте кодом. AI получает только готовые выводы и делает из них рекомендации.
Именно так мы строим AI-слой в наших продуктах.
→ tableprof.ru | scripster.ru
ТэйблПроф и Scripster — автоматизация бизнеса. Проекты группы БКТВ.