Каждый вечер уходил на одинаковую рутину: таблицы, цифры, сводки, Telegram. Потом появился простой AI-сценарий на Albato и GigaChat — и отчёты начали собираться сами. Разбираем весь процесс пошагово: от первой ошибки API до готовой автоматизации.
Всё началось с обычной таблицы.
Каждый вечер — примерно одно и то же:
- открыть Google Sheets;
- проверить цифры;
- выписать продажи;
- сравнить расходы;
- отправить сводку в Telegram.
Сначала кажется, что это занимает «пять минут». Потом внезапно оказывается, что за неделю на это уходит несколько часов. А главное — внимание начинает распыляться.
Один раз я отправил отчёт без обновлённых данных.
Другой — перепутал показатели за день.
И вот здесь появляется интересный момент.
Проблема оказалась не в аналитике. И даже не в таблицах. Самое слабое место — повторяющееся ручное действие.
Тогда я решил проверить простую идею: можно ли сделать так, чтобы ИИ не просто «болтал в чате», а реально забирал рутину?
Спойлер: да. Но не совсем так, как это обычно показывают в рекламе AI-сервисов.
Что в итоге получилось
Через несколько часов схема выглядела так:
Google Sheets → Albato → GigaChat → Telegram
Каждый вечер:
- таблица обновляется;
- Albato забирает данные;
- GigaChat анализирует цифры;
- Telegram получает готовую сводку.
Без копирования.
Без ручного форматирования.
Без «сейчас только быстренько сделаю отчёт».
Что понадобилось для сборки системы
Сервисы
No-code платформа автоматизации. Она связывает разные сервисы через триггеры и сценарии.
Нейросеть от Сбера. Именно она превращает сырые цифры в нормальный текст.
Google Sheets
Источник данных:
- продажи;
- расходы;
- заявки;
- KPI.
Telegram
Финальная точка доставки отчёта.
Первый сюрприз: ИИ не умеет «понимать хаос»
Где всё сломалось
Сначала я думал:
«Сейчас подключу нейросеть — и она сама разберётся».
Не разобралась.
Первые отчёты выглядели странно:
- даты путались;
- показатели дублировались;
- местами пропадали значения.
Причина оказалась очень приземлённой.
Таблица была оформлена как обычная человеческая таблица:
- объединённые ячейки;
- случайные подписи;
- разные форматы дат;
- комментарии внутри строк.
Для человека это нормально.
Для автоматизации — почти катастрофа.
И это важный сдвиг перспективы: AI-автоматизация начинается не с нейросети, а со структуры данных.
Как собиралась автоматизация
Как собиралась автоматизация
Вот так выглядела рабочая структура:
Что пришлось убрать:
- объединённые ячейки;
- цветовые пометки;
текстовые комментарии внутри данных.
Шаг 2. Я настроил триггер в Albato
В Albato я выбрал:
Google Sheets → Новая строка
Теперь каждая новая запись запускала сценарий автоматически.
Вот здесь впервые появляется ощущение, что система начинает «жить» сама.
Но только ощущение.
На самом деле Albato просто:
- следит за изменениями;
- собирает значения;
- передаёт их дальше.
Никакой магии.
Шаг 3. Я подключил GigaChat API
В GigaChat Developers пришлось получить API-ключ.
Это был момент первого «трения».
С первого раза запрос не заработал:
Ошибка 401
Причина банальная:
- токен вставлен неправильно;
- заголовок авторизации отсутствовал.
После исправления запрос начал отвечать.
Пример тела запроса выглядел так:
Момент, когда ИИ начал писать нормально
Почему первые отчёты были плохими
Первая инструкция выглядела так:
Сделай отчёт.
Результат получился соответствующий:
- слишком длинно;
- много воды;
- странные выводы.
Тогда я переписал промпт:
Проанализируй показатели. Сравни продажи и расходы. Сделай вывод в 5 предложениях. Используй деловой стиль.
И вот тут качество резко выросло.
Это ещё одна вещь, которую редко объясняют в AI-гайдах:
Большинство проблем «нейросети» — на самом деле проблемы постановки задачи.
Как выглядел первый нормальный отчёт
Через несколько секунд Telegram прислал:
Продажи за день составили 125 000 ₽.
Расходы — 47 000 ₽.
Соотношение прибыли улучшилось.
Основной рост дали повторные клиенты.
Рекомендуется сохранить текущую рекламную стратегию.
Именно в этот момент становится понятно: ИИ полезен не тогда, когда «думает как человек».
А когда убирает повторяющуюся механику.
Что получилось на практике
Сколько времени удалось выиграть
Раньше:
- 40–60 минут ежедневно;
- ручные проверки;
- постоянное переключение между окнами.
После автоматизации:
- отчёт приходит автоматически;
- время проверки — 3–5 минут;
- экономия — около 15 часов в месяц.
Где система всё ещё ограничена
Есть вещи, которые AI-отчётность пока не решает:
- плохие исходные данные;
- хаос в CRM;
- отсутствие логики метрик;
- человеческие ошибки на этапе ввода.
ИИ не заменяет систему. Он усиливает уже существующий процесс.
Если процесс плохой — автоматизация просто ускорит хаос.
Частые ошибки, с которыми я столкнулся
Что можно улучшить дальше
После базовой схемы появляется много вариантов развития.
Например:
- подключить CRM;
- собирать AI-аналитику по рекламным каналам;
- делать голосовые сводки;
- отправлять отчёты сразу в Notion или Google Docs.
Следующий уровень — не просто отчёты.
А полноценные AI-агенты, которые:
- отслеживают KPI;
- замечают аномалии;
- предупреждают о проблемах заранее.
Полезные ресурсы
- Документация Albato
- GigaChat API Docs
- Google Sheets API
- Сообщество Albato
Заключение
Самое интересное в этой истории — автоматизация оказалась намного менее «фантастической», чем принято показывать.
Никакого цифрового сверхразума.
Просто:
- нормальные данные;
- понятный сценарий;
- аккуратный промпт;
- стабильная цепочка действий.
Но именно такие вещи постепенно и меняют повседневную работу.
Попробуйте собрать хотя бы минимальную версию:
- одна таблица;
- один AI-отчёт;
- один Telegram-бот.
Обычно именно с таких небольших сценариев и начинается настоящая практическая автоматизация.