5 кейсів впровадження AI у сервісній IT-компанії: 3 дали результат, 2 злили бюджет
- Growth Factory
- 6 днів тому
- Читати 6 хв
У сервісних IT-компаніях AI уже став частиною робочих процесів. Його підключають до лідогенерації, використовують у підготовці outreach, вбудовують у delivery і внутрішні операції.
Команди тестують різні сценарії, швидко запускають нові гіпотези і так само швидко розуміють, що з цього має сенс масштабувати, а що не дає ефекту для бізнесу.
Разом із цим з’являється інша картина. Частина ініціатив дає відчутний ефект у продажах, delivery і швидкості прийняття рішень. Частина не впливає на бізнес-показники навіть після кількох ітерацій. Частина взагалі створює додаткове навантаження без вимірюваного результату.
Саме цей розрив між очікуванням і фактичним ефектом став відправною точкою для розбору практичного досвіду впровадження AI в сервісній IT-компанії.
Ми розібрали підхід і кейси разом із Костянтином Міріним, CEO Postindustria. У фокусі — конкретні рішення, які вплинули на бізнес, і експерименти, що не виправдали вкладених ресурсів.
Як змінюється логіка роботи з AI в компанії
Ключова зміна, яка визначає результат, полягає у швидкості переходу від ідеї до реалізації.
Раніше будь-яка гіпотеза проходила довгий цикл перевірки. Зараз цей цикл скорочується до хвилин.
Це створює інший тип навантаження на бізнес. Якість формулювання задачі починає визначати якість результату. Якщо компанія не може чітко описати, що саме вона хоче отримати, AI лише масштабуватиме нечіткість.
У практиці це проявляється дуже конкретно.
Наприклад, коли команда формує outreach або готує пропозицію, різниця між середнім і сильним результатом залежить не від інструмента, а від того, наскільки точно описано контекст, сегмент і цінність для клієнта.
Саме тому більшість робочих кейсів пов’язані не з автоматизацією як такою, а з правильним представленням даних і задач.
Кейс 1. Внутрішня AI-база знань для маркетингу і продажів
Один із найбільш практичних сценаріїв, який дав відчутний ефект, пов’язаний із трансформацією всіх маркетингових матеріалів у структуровану базу знань.
Postindustria взяла кейси, переписки з клієнтами, контент сайту, описані проєкти і перевела їх у єдиний формат текстових файлів. Далі цей масив підключили до AI-агента, який працює з цими даними як із джерелом контексту.
Сам підхід Костянтин описує максимально просто:
«Ми просто перетворили всі кейси, весь досвід у файли і дали їх агенту. Сказали: прочитай це, склади в структуру — і працюй з цим».
Ключова ідея тут не в складній архітектурі, а в доступі до власних даних:
«Якщо ми можемо представити всі наші матеріали у вигляді, до якого AI має доступ, ми дуже швидко отримуємо базу знань по компанії».
Результат проявився у щоденній роботі команди:
швидке отримання релевантних прикладів під конкретний сегмент;
формування контексту для outreach без ручного пошуку;
стабільна якість комунікації незалежно від виконавця.
У практиці це виглядає просто. Сейл або маркетолог формулює запит і отримує відповідь на основі реального досвіду компанії.
«Я просто питаю: дай мені контекст по нашому досвіду в цьому сегменті. Беру відповідь і вставляю її в промпт».
Ця відповідь використовується як частина промпта або як готовий блок для комунікації.
І тут з’являється важливий ефект, який складно отримати іншим способом:
«Коли ця інформація лежить по різних файлах або в голові, ти витрачаєш час і часто просто цього не робиш. Коли вона зібрана — ти використовуєш її кожного разу».
Фактично, компанія починає використовувати власний досвід у продажах не епізодично, а на постійній основі.
Кейс 2. Outreach із глибоким ресерчем і персоналізацією
Другий кейс стосується підготовки до першого контакту з потенційним клієнтом.
Postindustria побудувала процес, у якому AI виконує глибокий ресерч по кожній компанії: аналізує відкриті вакансії, перевіряє останні новини, збирає інформацію про технології і формує гіпотези щодо того, що зараз відбувається в бізнесі.
Як пояснює Костянтин, сам ресерч — це лише частина задачі:
«Ми робимо deep research по компанії: які в них відкриті позиції, які новини, які технології.
Але перед тим, як це використовувати, ми це перевіряємо — відкриваємо кожен референс і дивимось, чи інформація реально збігається».
Далі цей ресерч проходить додаткову верифікацію. Кожне джерело перевіряється окремо, щоб не працювати з неточними даними.
На виході команда отримує структурований бріф, який використовує в дзвінках і листуванні.
Це прямо впливає на якість комунікації. Людина, яка виходить на контакт, вже має конкретний контекст і розуміє, про що говорити.
Костянтин формулює це дуже прикладно:
«Андрес не читає новини. Андрес читає бріф. За нього це все прочитав AI і розклав по поличках».
І це змінює саму розмову. Замість загальних заходів у контакт з’являється конкретика під компанію і її ситуацію.
Окремий інсайт тут у ролі AI. Він не замінює людину в комунікації, а підсилює її за рахунок підготовки.
«Це не про те, щоб AI дзвонив. Це про те, щоб людина дзвонила і чітко розуміла, кому і навіщо вона дзвонить».
Саме в цьому сценарії різниця відчувається найсильніше.
Кейс 3. Підготовка proposal і solution design
Третій кейс пов’язаний із пресейлом і підготовкою пропозицій.
AI тут використовується не як генератор тексту, а як інструмент, який пришвидшує роботу з рішенням. Він допомагає структурувати пропозицію, оформити текст, підготувати альтернативні варіанти і швидко розкласти різні підходи по плюсах і ризиках.
Як описує це Костянтин:
«Воно доволі класно пише proposal на основі наших шаблонів і матеріалів. Форматування, структура, списки — все це витягується дуже нормально».
За рахунок цього команда значно швидше реагує на запити клієнтів і не витрачає час на базові речі, які можна автоматизувати.
Але ключовий ефект з’являється в іншому місці — на рівні роботи з самим рішенням.
«Дуже прикольно використовувати AI для того, щоб заресерчити різні альтернативи для solution design, подивитись плюси, мінуси, позадавати питання “чому так”».
Це дозволяє проганяти кілька варіантів ще до обговорення з клієнтом і приходити на дзвінок уже з більш продуманим підходом.
Ще один важливий момент — впевненість у рішенні:
«Це дозволяє мені як архітектору або краще спроєктувати рішення, або принаймні мати більше впевненості, що те, що я пропоную, має сенс».
У підсумку змінюється не тільки швидкість підготовки пропозицій, а й якість самих рішень, які команда приносить клієнту.
Факап 1. Автоматичні дзвінки для підвищення connection rate
Один із експериментів був спрямований на оптимізацію холодних дзвінків.
Ідея виглядала логічно: автоматично дзвонити по базі, визначати, хто відповідає, і передавати ці контакти сейлам для подальшої роботи.
Очікування полягало в підвищенні ефективності команди і зростанні кількості розмов.
Фактичний результат виявився іншим. Рівень з’єднання майже не змінився. Кількість контактів, з якими працювала команда, зменшилась. Якість комунікації не покращилась.
Як пояснює Костянтин:
«Ми це зробили і це не спрацювало від слова зовсім. Ми підняли connection rate з 15 до 20 відсотків. Це буквально кілька додаткових розмов, але при цьому ми суттєво зменшили кількість людей, з якими працюємо, без зростання якості».
Основний висновок полягає в тому, що оптимізація на рівні механіки дзвінків не створює додаткової цінності, якщо не змінюється сама логіка контакту і оферу.
Факап 2. Спроба побудови складної AI-системи для портфоліо
Ще один експеримент був пов’язаний із побудовою повноцінної системи, яка відповідає на запитання по портфоліо компанії.
Команда витратила час на розробку складного рішення з індексацією і додатковою логікою.
У підсумку ця спроба не дала очікуваного результату. Рішення виявилось надто складним для задачі, яку потрібно було вирішити.
Як формулює це Костянтин:
«Ми намагалися зробити якусь складну систему, яка буде відповідати на питання по портфоліо. Коротко — не вийшло».
Після цього компанія перейшла до простішого підходу з використанням структурованих файлів і AI-агента, що дало кращий ефект при значно менших витратах.
І саме тут з’являється ключовий інсайт:
«Давайте просто закинемо все в markdown і будемо з цим працювати — і це почало давати результат».
Висновок полягає в тому, що складність рішення не корелює з його цінністю для бізнесу.
Як AI вплинув на модель роботи компанії
Якщо дивитись на це зсередини, то перше, що відчувається — це не якісь глобальні зміни, а інший ритм роботи.
Раніше багато задач просто не доходили до виконання. Не тому, що вони неважливі, а тому що на них постійно не вистачало часу. Зараз такі речі почали закриватися по ходу.
Сформулював ідею — і одразу перевірив її в роботі.
У лідгені і сейлзі зміни відчуваються ще швидше. Коли є нормальний ресерч і зрозуміло, чому пишеш саме цій компанії, комунікація перестає бути випадковою. Менше листів “в нікуди”, більше дій, які мають сенс під конкретний бізнес.
Ще один момент, який починає навіть, дратувати, після впровадження — стає дуже видно все зайве. Ті кроки, які раніше сприймались як частина процесу, тепер виглядають як щось, що просто ніхто не переглянув. І це вже питання не інструментів, а того, як побудована логіка роботи.
У delivery ефект трохи інший. Менше часу йде на підготовку, збір інформації, оформлення. Залишається більше простору на саму задачу і рішення. І це добре відчувається на довгих проєктах.
Де розібрати ці кейси і впровадити у своїй компанії
Якщо ви дивитесь на AI не як на набір інструментів, а як на спосіб впливати на revenue, pipeline і швидкість роботи команди, вам потрібен доступ до практики, а не до теорії.
Зараз відкрита реєстрація на програму IT Service Booster.
У програмі ви працюєте не з абстрактними прикладами, а з власними процесами компанії.
Кожен блок завершується хакатоном, де створюється конкретне AI-рішення під ваш бізнес.
У результаті ви виходите з:
сформованим AI-беклогом
пріоритетами впровадження
дорожньою картою дій
готовими рішеннями, які можна запускати в роботу.
Костянтин Мірін бере участь у програмі і детально розбирає кейси, які описані вище, разом із логікою їх реалізації та помилками, яких варто уникати.
Перші 10 місць доступні на найбільш вигідних умовах.
Коментарі