Как B2B-компании РФ и СНГ автоматизируют продажи, финансы и поддержку с AI-агентами: разбор кейса 3R Plumbing и практические шаги

1. День 1: Выберите один высокочастотный рутинный процесс. Примеры: «Квалификация лида из Яндекс.Директ + создание сделки в Битрикс24», «Авто-сверка банка и 1С», «Обработка фото чека от техника в Telegram». Критерий: процесс повторяется ≥10 раз/день, чёткие входы/выходы, допускает ошибку ≤2% (есть HITL).
2. День 2–3: Соберите 50–100 реальных примеров (история чатов, письма, логи CRM). Разметьте: вход → эталонный выход. Это ваш golden set для evals.
3. День 4–5: Поднимите n8n + llama.cpp (Docker Compose, 30 мин). Настройте вебхук-источник (например, Яндекс.Директ → вебхук → n8n). Добавьте ноду LLM с промптом-классификатором/экстрактором. Протестируйте на golden set — цель: ≥90% точность извлечения полей.
4. День 6–7: Добавьте HITL-шуз: если confidence < 0.85 или нет маппинга → задача в Битрикс24/Telegram ответственному с контекстом. Реализуйте «одной кнопкой» подтверждение/исправление.
5. День 8–9: Подключите целевые системы (CRM, 1С, Telegram) через их API. Прокиньте end-to-end: вебхук → LLM → API-создание сделки/документа → уведомление.
6. День 10: Настройте логирование (request_id, latency, tokens, input, output, human_correction) в БД. Поднимите простой дашборд Grafana.
7. День 11–14: Мягкий запуск на 10% трафика (shadow mode: AI работает параллельно, человек делает как обычно, логи сравниваете). Ежедневно 15 мин: разбор ошибок, дообучение few-shot примеров, правка промпта. К дню 14 — решение: масштабировать / сузить scope / переобучить.

Метрики успеха пилота (не vanity)

Метрика	Формула	Цель на пилоте
Automation rate	Авто-обработанных / Всего задач	≥ 70%
Escalation rate	Эскалаций к человеку / Всего	< 20%
Correction rate	Исправлений оператором / Эскалаций	< 30%
Latency p95	Время от вебхука до результата	< 3 сек (CPU) / < 1 сек (GPU)
Cost per task	(GPU/CPU час + инфраструктура) / задач	< стоимости 1 мин оператора

Частые ошибки и как их избежать

• Пытаются автоматизировать всё сразу. Начинайте с одного процесса. 3R начинали с лидов, потом добавляли по одному.
• Покупают SaaS AI-агентов без DPA и data residency. Для РФ — только self-hosted или РФ-вендоры с сертификатом ФСТЭК/ФСБ при необходимости.
• Нет golden set и eval-пиплайна. Промпты меняют «на глаз», качество плывёт. Авто-тесты каждую ночь — must have.
• Игнорируют UX операторов. Если эскалация требует переключения окон и копипаста — саботаж. Встраивайте в их рабочий интерфейс (Битрикс24, Telegram, 1С).
• Нет плана отката. Всегда готовьте kill-switch: один флаг в n8n отключает AI, процесс идет по старому регламенту.

Сколько это стоит (ориентировочно, РФ, 2026)

Статья	Вариант «CPU only»	Вариант «GPU (1×RTX 4090/A100)»
VPS / сервер (месяц)	8–12 тыс. руб (4–8 vCPU, 16–32 ГБ RAM, 200 ГБ NVMe)	25–40 тыс. руб (GPU instance в Yandex Cloud / Selectel / própriе)
n8n (self-hosted)	0 руб	0 руб
LLM (llama.cpp / vLLM)	0 руб (open weights)	0 руб (open weights)
Векторная БД / логи	0 руб (в составе VPS)	0–5 тыс. руб
Инженер-настройка (разово)	50–100 тыс. руб (внутренний / аутсорс)	50–100 тыс. руб
Итого запуск	~60–110 тыс. руб	~75–140 тыс. руб
Владение (мес.)	8–12 тыс. руб	25–40 тыс. руб

Для сравнения: один ML-инженер (junior/middle) — 150–250 тыс. руб/мес на руки + налоги. Пилот за 2 недели заFRACTION этой стоимости.

Связанные материалы по практике Unlim Group

• AI-агент для малого B2B-бизнеса: как собрать минимальный рабочий стек без хаоса интеграций
• AI by Zapier вместо отдельных агентов: как B2B-компании РФ и СНГ переносят автономные шаги внутрь оркестрации

Резюме: начните маленько, измеряйте, масштабируйте

Кейс 3R Plumbing доказывает: компания из гаража с 15 людьми построила 36 AI-агентов без штата дата-сайентистов. Ключ — оркестрация (Zapier/n8n) + чёткие границы автономии + HITL на рисках.

Для B2B в РФ и СНГ рецепт тот же, только стек локальный: n8n + открытые модели (Qwen/Llama) или РФ-API (GigaChat/YandexGPT) в вашей подсети. Пилот за 2 недели, 60–140 тыс. руб старт, метрики automation rate / escalation rate / cost per task. Не ждите «идеального момента» — выберите один процесс на этой неделе.

• 36 Next-Gen Zaps на базе Claude (AI by Zapier) — это не классические IF-TT-запахи, а агенты, которые сами решают, какой инструмент вызвать, парсят неструктурированный текст и пишут в CRM.
• Пять командных порталов в ServiceTitan (CRM для полевого сервиса): диспетчеризация, продажи, закупки, финансы, HR/найм.
• Ключевые потоки (цитирую источник):
  • Лид из Google Ads / Yelp / входящий звонок → мгновенная квалификация AI → создание джоба в ServiceTitan → уведомление диспетчера.
  • Сметы и согласования → автогенерация PDF → отправка клиенту → отслеживание подписи.
  • Диспетчеризация техников → AI распределяет заказы по зоне/навыкам → пушит в мобильный апп.
  • Закупки из поля → техник кидает фото чека в Google Chat → AI парсит, матчит с картой расходов, привязывает к джобу в ServiceTitan.
  • Финансы → авто-сверка QuickBooks и ServiceTitan, напоминания о просрочке, еженедельный кассовый срез.
  • HR → заявки из Indeed → операционный портал → DocuSign для оформления.
  • Пост-продажи → запросы отзывов, ретаргетинг пропущенных звонков, продление членства в сервис-клубе.

Цитата основателя: «Большинство малого бизнеса не знает, что может Zapier. Думают — дорого, долго, сломается. Неправда. Если сантехник смог построить это, любой владелец торговли может».

Переводим архитектуру на РФ/СНГ: что меняется

Элемент 3R Plumbing (США)	Адаптация для РФ/СНГ	Почему
Zapier Next-Gen Zaps (Claude в облаке)	n8n / самописный раннер + локальная LLM (llama.cpp, vLLM) или РФ-вендоры (GigaChat, YandexGPT) через приватный API	152-ФЗ: ПДн не должны уходить за границу без согласий и DPA. Локальный inference = контроль + скорость + предсказуемая стоимость.
ServiceTitan (вертикальная CRM)	1С:CRM / Битрикс24 / amoCRM / собственная ERP + вебхуки	Стандарт де-факто в РФ для полевого сервиса, строительства, HVAC. Есть REST API, вебхуки, маркетплейс интеграций.
QuickBooks	1С:Бухгалтерия / МойСклад / Контур / СБИС	Обязательная интеграция с ФНС (Честный знак, ЕГАИС, ФФД-1.2). API есть у всех крупных игроков.
Google Chat / Slack	Telegram Bot API / VK Teams / МойОфис / Mattermost (on-prem)	Где сидят ваши техники и офис. Telegram — де-факто стандарт для полевых команд в РФ.
Google Ads / Yelp	Яндекс.Директ / Авито / 2ГИС / Колл-трекинг (Calltouch, Roistat)	Источники лидов в РФ. У всех есть вебхуки/API для реального времени.
DocuSign	Диадок / СБИС / Контур.Сигнатура / ПростоДокументы	КЭП и СЭП — правовой стандарт РФ. Интеграция через API/SOAP.

Паттерны AI-агентов, которые работают в B2B (из кейса + практика Unlim Group)

1. Lead-to-Cash агент (сквозная автоматизация воронки)

Агент принимает лид из любого источника (форма, звонок, чат, мессенджер) → обогащает данными (Дадата, СБИС,DaData) → квалифицирует по скрипту (BANT/MEDDIC light) → создаёт сделку в CRM → назначает ответственного → шлёт коммерческое предложение из шаблона → трекает открытие/подписание → при оплате запускает исполнение.

В 3R это 3–4 запаха, склеенные AI: «Lead Capture», «Estimate Gen», «Job Dispatch». В РФ — один оркестратор (n8n) с последовательными нодами LLM + API.

2. Field Ops агент (диспетчеризация и поддержка техников)

Техник в Telegram-боте: «Приехал, фото приборов, нужен запасной». Агент: распознаёт речь/фото → ищет в складской 1С/МойСклад → резервирует → строит маршрут до следующего объекта → пушит в навигатор. Экономит 15–20 мин на заездке.

3. Finance Reconciliation агент (авто-сверка)

Ежедневно: выгрузка банка (СБП, эквайринг) + выгрузка 1С/МойСклад → LLM матчит по сумме/дата/контрагенту → помечает несовпадения → шлёт буху отчёт в Telegram. В 3R — еженедельный кассовый срез автоматически.

4. Procurement-from-Field агент (закупки без бумажки)

Техник сфотографировал накладную/чек в Telegram → AI (vision или OCR + LLM) извлёк: поставщик, сумму, позиции, НДС → нашёл/создал карточку в CRM → привязал к заказу/объекту → отправил на согласование финансовому. Никаких бумажек в офис.

5. Post-Sale Retention агент (LTV и отзывы)

После закрытия заказа: через N дней → запрос отзыва (Яндекс/2ГИС/Авито) → при негативе — эскалация руководителю. Перед окончанием гарантии/ТО — авто-напоминание клиенту и создание задачи технику. В 3R — ретаргетинг пропущенных звонков и продление членства в клубе.

Технический стек для пилота в РФ (без зарубежных зависимостей)

• Оркестратор: n8n (self-hosted, Docker, 1 VPS от 4 ГБ RAM) — бесплатно, 400+ нод, вебхуки, очередь, ретраи.
• LLM inference: llama.cpp (CPU) или vLLM (GPU) с моделями: Qwen2.5-7B/14B-Instruct, Llama-3.1-8B-Russian, GigaChat API (приватный контур), YandexGPT (VPC). Для vision — Qwen2-VL-7B.
• Векторный поиск (RAG): Qdrant / Milvus Lite / ChromaDB на том же VPS. База знаний: прайсы, регламенты, шаблоны договоров, каталог товаров.
• Интеграции: REST API / вебхуки 1С (OData), Битрикс24, amoCRM, МойСклад, Telegram Bot API, Яндекс.Директ API, Диадок API.
• Наблюдаемость: Langfuse (self-hosted) или простые логи в ClickHouse / PostgreSQL + Grafana дашборд: latency, token usage, error rate, escalation rate.

Всё разворачивается в вашей подсети. Никаких исходящих запросов к OpenAI/Anthropic.

Пошаговый чек-лист запуска пилота (14 дней)

1. День 1: Выберите один высокочастотный рутинный процесс. Примеры: «Квалификация лида из Яндекс.Директ + создание сделки в Битрикс24», «Авто-сверка банка и 1С», «Обработка фото чека от техника в Telegram». Критерий: процесс повторяется ≥10 раз/день, чёткие входы/выходы, допускает ошибку ≤2% (есть HITL).
2. День 2–3: Соберите 50–100 реальных примеров (история чатов, письма, логи CRM). Разметьте: вход → эталонный выход. Это ваш golden set для evals.
3. День 4–5: Поднимите n8n + llama.cpp (Docker Compose, 30 мин). Настройте вебхук-источник (например, Яндекс.Директ → вебхук → n8n). Добавьте ноду LLM с промптом-классификатором/экстрактором. Протестируйте на golden set — цель: ≥90% точность извлечения полей.
4. День 6–7: Добавьте HITL-шуз: если confidence < 0.85 или нет маппинга → задача в Битрикс24/Telegram ответственному с контекстом. Реализуйте «одной кнопкой» подтверждение/исправление.
5. День 8–9: Подключите целевые системы (CRM, 1С, Telegram) через их API. Прокиньте end-to-end: вебхук → LLM → API-создание сделки/документа → уведомление.
6. День 10: Настройте логирование (request_id, latency, tokens, input, output, human_correction) в БД. Поднимите простой дашборд Grafana.
7. День 11–14: Мягкий запуск на 10% трафика (shadow mode: AI работает параллельно, человек делает как обычно, логи сравниваете). Ежедневно 15 мин: разбор ошибок, дообучение few-shot примеров, правка промпта. К дню 14 — решение: масштабировать / сузить scope / переобучить.

Метрики успеха пилота (не vanity)

Метрика	Формула	Цель на пилоте
Automation rate	Авто-обработанных / Всего задач	≥ 70%
Escalation rate	Эскалаций к человеку / Всего	< 20%
Correction rate	Исправлений оператором / Эскалаций	< 30%
Latency p95	Время от вебхука до результата	< 3 сек (CPU) / < 1 сек (GPU)
Cost per task	(GPU/CPU час + инфраструктура) / задач	< стоимости 1 мин оператора

Частые ошибки и как их избежать

• Пытаются автоматизировать всё сразу. Начинайте с одного процесса. 3R начинали с лидов, потом добавляли по одному.
• Покупают SaaS AI-агентов без DPA и data residency. Для РФ — только self-hosted или РФ-вендоры с сертификатом ФСТЭК/ФСБ при необходимости.
• Нет golden set и eval-пиплайна. Промпты меняют «на глаз», качество плывёт. Авто-тесты каждую ночь — must have.
• Игнорируют UX операторов. Если эскалация требует переключения окон и копипаста — саботаж. Встраивайте в их рабочий интерфейс (Битрикс24, Telegram, 1С).
• Нет плана отката. Всегда готовьте kill-switch: один флаг в n8n отключает AI, процесс идет по старому регламенту.

Сколько это стоит (ориентировочно, РФ, 2026)

Статья	Вариант «CPU only»	Вариант «GPU (1×RTX 4090/A100)»
VPS / сервер (месяц)	8–12 тыс. руб (4–8 vCPU, 16–32 ГБ RAM, 200 ГБ NVMe)	25–40 тыс. руб (GPU instance в Yandex Cloud / Selectel / própriе)
n8n (self-hosted)	0 руб	0 руб
LLM (llama.cpp / vLLM)	0 руб (open weights)	0 руб (open weights)
Векторная БД / логи	0 руб (в составе VPS)	0–5 тыс. руб
Инженер-настройка (разово)	50–100 тыс. руб (внутренний / аутсорс)	50–100 тыс. руб
Итого запуск	~60–110 тыс. руб	~75–140 тыс. руб
Владение (мес.)	8–12 тыс. руб	25–40 тыс. руб

Для сравнения: один ML-инженер (junior/middle) — 150–250 тыс. руб/мес на руки + налоги. Пилот за 2 недели заFRACTION этой стоимости.

Связанные материалы по практике Unlim Group

• AI-агент для малого B2B-бизнеса: как собрать минимальный рабочий стек без хаоса интеграций
• AI by Zapier вместо отдельных агентов: как B2B-компании РФ и СНГ переносят автономные шаги внутрь оркестрации

Резюме: начните маленько, измеряйте, масштабируйте

Кейс 3R Plumbing доказывает: компания из гаража с 15 людьми построила 36 AI-агентов без штата дата-сайентистов. Ключ — оркестрация (Zapier/n8n) + чёткие границы автономии + HITL на рисках.

Для B2B в РФ и СНГ рецепт тот же, только стек локальный: n8n + открытые модели (Qwen/Llama) или РФ-API (GigaChat/YandexGPT) в вашей подсети. Пилот за 2 недели, 60–140 тыс. руб старт, метрики automation rate / escalation rate / cost per task. Не ждите «идеального момента» — выберите один процесс на этой неделе.

Статья	Вариант «CPU only»	Вариант «GPU (1×RTX 4090/A100)»
VPS / сервер (месяц)	8–12 тыс. руб (4–8 vCPU, 16–32 ГБ RAM, 200 ГБ NVMe)	25–40 тыс. руб (GPU instance в Yandex Cloud / Selectel / própriе)
n8n (self-hosted)	0 руб	0 руб
LLM (llama.cpp / vLLM)	0 руб (open weights)	0 руб (open weights)
Векторная БД / логи	0 руб (в составе VPS)	0–5 тыс. руб
Инженер-настройка (разово)	50–100 тыс. руб (внутренний / аутсорс)	50–100 тыс. руб
Итого запуск	~60–110 тыс. руб	~75–140 тыс. руб
Владение (мес.)	8–12 тыс. руб	25–40 тыс. руб

Для сравнения: один ML-инженер (junior/middle) — 150–250 тыс. руб/мес на руки + налоги. Пилот за 2 недели заFRACTION этой стоимости.

Связанные материалы по практике Unlim Group

• AI-агент для малого B2B-бизнеса: как собрать минимальный рабочий стек без хаоса интеграций
• AI by Zapier вместо отдельных агентов: как B2B-компании РФ и СНГ переносят автономные шаги внутрь оркестрации

Резюме: начните маленько, измеряйте, масштабируйте

Кейс 3R Plumbing доказывает: компания из гаража с 15 людьми построила 36 AI-агентов без штата дата-сайентистов. Ключ — оркестрация (Zapier/n8n) + чёткие границы автономии + HITL на рисках.

Для B2B в РФ и СНГ рецепт тот же, только стек локальный: n8n + открытые модели (Qwen/Llama) или РФ-API (GigaChat/YandexGPT) в вашей подсети. Пилот за 2 недели, 60–140 тыс. руб старт, метрики automation rate / escalation rate / cost per task. Не ждите «идеального момента» — выберите один процесс на этой неделе.

• 36 Next-Gen Zaps на базе Claude (AI by Zapier) — это не классические IF-TT-запахи, а агенты, которые сами решают, какой инструмент вызвать, парсят неструктурированный текст и пишут в CRM.
• Пять командных порталов в ServiceTitan (CRM для полевого сервиса): диспетчеризация, продажи, закупки, финансы, HR/найм.
• Ключевые потоки (цитирую источник):
  • Лид из Google Ads / Yelp / входящий звонок → мгновенная квалификация AI → создание джоба в ServiceTitan → уведомление диспетчера.
  • Сметы и согласования → автогенерация PDF → отправка клиенту → отслеживание подписи.
  • Диспетчеризация техников → AI распределяет заказы по зоне/навыкам → пушит в мобильный апп.
  • Закупки из поля → техник кидает фото чека в Google Chat → AI парсит, матчит с картой расходов, привязывает к джобу в ServiceTitan.
  • Финансы → авто-сверка QuickBooks и ServiceTitan, напоминания о просрочке, еженедельный кассовый срез.
  • HR → заявки из Indeed → операционный портал → DocuSign для оформления.
  • Пост-продажи → запросы отзывов, ретаргетинг пропущенных звонков, продление членства в сервис-клубе.

Цитата основателя: «Большинство малого бизнеса не знает, что может Zapier. Думают — дорого, долго, сломается. Неправда. Если сантехник смог построить это, любой владелец торговли может».

Переводим архитектуру на РФ/СНГ: что меняется

Элемент 3R Plumbing (США)	Адаптация для РФ/СНГ	Почему
Zapier Next-Gen Zaps (Claude в облаке)	n8n / самописный раннер + локальная LLM (llama.cpp, vLLM) или РФ-вендоры (GigaChat, YandexGPT) через приватный API	152-ФЗ: ПДн не должны уходить за границу без согласий и DPA. Локальный inference = контроль + скорость + предсказуемая стоимость.
ServiceTitan (вертикальная CRM)	1С:CRM / Битрикс24 / amoCRM / собственная ERP + вебхуки	Стандарт де-факто в РФ для полевого сервиса, строительства, HVAC. Есть REST API, вебхуки, маркетплейс интеграций.
QuickBooks	1С:Бухгалтерия / МойСклад / Контур / СБИС	Обязательная интеграция с ФНС (Честный знак, ЕГАИС, ФФД-1.2). API есть у всех крупных игроков.
Google Chat / Slack	Telegram Bot API / VK Teams / МойОфис / Mattermost (on-prem)	Где сидят ваши техники и офис. Telegram — де-факто стандарт для полевых команд в РФ.
Google Ads / Yelp	Яндекс.Директ / Авито / 2ГИС / Колл-трекинг (Calltouch, Roistat)	Источники лидов в РФ. У всех есть вебхуки/API для реального времени.
DocuSign	Диадок / СБИС / Контур.Сигнатура / ПростоДокументы	КЭП и СЭП — правовой стандарт РФ. Интеграция через API/SOAP.

Паттерны AI-агентов, которые работают в B2B (из кейса + практика Unlim Group)

1. Lead-to-Cash агент (сквозная автоматизация воронки)

Агент принимает лид из любого источника (форма, звонок, чат, мессенджер) → обогащает данными (Дадата, СБИС,DaData) → квалифицирует по скрипту (BANT/MEDDIC light) → создаёт сделку в CRM → назначает ответственного → шлёт коммерческое предложение из шаблона → трекает открытие/подписание → при оплате запускает исполнение.

В 3R это 3–4 запаха, склеенные AI: «Lead Capture», «Estimate Gen», «Job Dispatch». В РФ — один оркестратор (n8n) с последовательными нодами LLM + API.

2. Field Ops агент (диспетчеризация и поддержка техников)

Техник в Telegram-боте: «Приехал, фото приборов, нужен запасной». Агент: распознаёт речь/фото → ищет в складской 1С/МойСклад → резервирует → строит маршрут до следующего объекта → пушит в навигатор. Экономит 15–20 мин на заездке.

3. Finance Reconciliation агент (авто-сверка)

Ежедневно: выгрузка банка (СБП, эквайринг) + выгрузка 1С/МойСклад → LLM матчит по сумме/дата/контрагенту → помечает несовпадения → шлёт буху отчёт в Telegram. В 3R — еженедельный кассовый срез автоматически.

4. Procurement-from-Field агент (закупки без бумажки)

Техник сфотографировал накладную/чек в Telegram → AI (vision или OCR + LLM) извлёк: поставщик, сумму, позиции, НДС → нашёл/создал карточку в CRM → привязал к заказу/объекту → отправил на согласование финансовому. Никаких бумажек в офис.

5. Post-Sale Retention агент (LTV и отзывы)

После закрытия заказа: через N дней → запрос отзыва (Яндекс/2ГИС/Авито) → при негативе — эскалация руководителю. Перед окончанием гарантии/ТО — авто-напоминание клиенту и создание задачи технику. В 3R — ретаргетинг пропущенных звонков и продление членства в клубе.

Технический стек для пилота в РФ (без зарубежных зависимостей)

• Оркестратор: n8n (self-hosted, Docker, 1 VPS от 4 ГБ RAM) — бесплатно, 400+ нод, вебхуки, очередь, ретраи.
• LLM inference: llama.cpp (CPU) или vLLM (GPU) с моделями: Qwen2.5-7B/14B-Instruct, Llama-3.1-8B-Russian, GigaChat API (приватный контур), YandexGPT (VPC). Для vision — Qwen2-VL-7B.
• Векторный поиск (RAG): Qdrant / Milvus Lite / ChromaDB на том же VPS. База знаний: прайсы, регламенты, шаблоны договоров, каталог товаров.
• Интеграции: REST API / вебхуки 1С (OData), Битрикс24, amoCRM, МойСклад, Telegram Bot API, Яндекс.Директ API, Диадок API.
• Наблюдаемость: Langfuse (self-hosted) или простые логи в ClickHouse / PostgreSQL + Grafana дашборд: latency, token usage, error rate, escalation rate.

Всё разворачивается в вашей подсети. Никаких исходящих запросов к OpenAI/Anthropic.

Пошаговый чек-лист запуска пилота (14 дней)

1. День 1: Выберите один высокочастотный рутинный процесс. Примеры: «Квалификация лида из Яндекс.Директ + создание сделки в Битрикс24», «Авто-сверка банка и 1С», «Обработка фото чека от техника в Telegram». Критерий: процесс повторяется ≥10 раз/день, чёткие входы/выходы, допускает ошибку ≤2% (есть HITL).
2. День 2–3: Соберите 50–100 реальных примеров (история чатов, письма, логи CRM). Разметьте: вход → эталонный выход. Это ваш golden set для evals.
3. День 4–5: Поднимите n8n + llama.cpp (Docker Compose, 30 мин). Настройте вебхук-источник (например, Яндекс.Директ → вебхук → n8n). Добавьте ноду LLM с промптом-классификатором/экстрактором. Протестируйте на golden set — цель: ≥90% точность извлечения полей.
4. День 6–7: Добавьте HITL-шуз: если confidence < 0.85 или нет маппинга → задача в Битрикс24/Telegram ответственному с контекстом. Реализуйте «одной кнопкой» подтверждение/исправление.
5. День 8–9: Подключите целевые системы (CRM, 1С, Telegram) через их API. Прокиньте end-to-end: вебхук → LLM → API-создание сделки/документа → уведомление.
6. День 10: Настройте логирование (request_id, latency, tokens, input, output, human_correction) в БД. Поднимите простой дашборд Grafana.
7. День 11–14: Мягкий запуск на 10% трафика (shadow mode: AI работает параллельно, человек делает как обычно, логи сравниваете). Ежедневно 15 мин: разбор ошибок, дообучение few-shot примеров, правка промпта. К дню 14 — решение: масштабировать / сузить scope / переобучить.

Метрики успеха пилота (не vanity)

Метрика	Формула	Цель на пилоте
Automation rate	Авто-обработанных / Всего задач	≥ 70%
Escalation rate	Эскалаций к человеку / Всего	< 20%
Correction rate	Исправлений оператором / Эскалаций	< 30%
Latency p95	Время от вебхука до результата	< 3 сек (CPU) / < 1 сек (GPU)
Cost per task	(GPU/CPU час + инфраструктура) / задач	< стоимости 1 мин оператора

Частые ошибки и как их избежать

• Пытаются автоматизировать всё сразу. Начинайте с одного процесса. 3R начинали с лидов, потом добавляли по одному.
• Покупают SaaS AI-агентов без DPA и data residency. Для РФ — только self-hosted или РФ-вендоры с сертификатом ФСТЭК/ФСБ при необходимости.
• Нет golden set и eval-пиплайна. Промпты меняют «на глаз», качество плывёт. Авто-тесты каждую ночь — must have.
• Игнорируют UX операторов. Если эскалация требует переключения окон и копипаста — саботаж. Встраивайте в их рабочий интерфейс (Битрикс24, Telegram, 1С).
• Нет плана отката. Всегда готовьте kill-switch: один флаг в n8n отключает AI, процесс идет по старому регламенту.

Сколько это стоит (ориентировочно, РФ, 2026)

Статья	Вариант «CPU only»	Вариант «GPU (1×RTX 4090/A100)»
VPS / сервер (месяц)	8–12 тыс. руб (4–8 vCPU, 16–32 ГБ RAM, 200 ГБ NVMe)	25–40 тыс. руб (GPU instance в Yandex Cloud / Selectel / própriе)
n8n (self-hosted)	0 руб	0 руб
LLM (llama.cpp / vLLM)	0 руб (open weights)	0 руб (open weights)
Векторная БД / логи	0 руб (в составе VPS)	0–5 тыс. руб
Инженер-настройка (разово)	50–100 тыс. руб (внутренний / аутсорс)	50–100 тыс. руб
Итого запуск	~60–110 тыс. руб	~75–140 тыс. руб
Владение (мес.)	8–12 тыс. руб	25–40 тыс. руб

Для сравнения: один ML-инженер (junior/middle) — 150–250 тыс. руб/мес на руки + налоги. Пилот за 2 недели заFRACTION этой стоимости.

Связанные материалы по практике Unlim Group

• AI-агент для малого B2B-бизнеса: как собрать минимальный рабочий стек без хаоса интеграций
• AI by Zapier вместо отдельных агентов: как B2B-компании РФ и СНГ переносят автономные шаги внутрь оркестрации

Резюме: начните маленько, измеряйте, масштабируйте

Кейс 3R Plumbing доказывает: компания из гаража с 15 людьми построила 36 AI-агентов без штата дата-сайентистов. Ключ — оркестрация (Zapier/n8n) + чёткие границы автономии + HITL на рисках.

Для B2B в РФ и СНГ рецепт тот же, только стек локальный: n8n + открытые модели (Qwen/Llama) или РФ-API (GigaChat/YandexGPT) в вашей подсети. Пилот за 2 недели, 60–140 тыс. руб старт, метрики automation rate / escalation rate / cost per task. Не ждите «идеального момента» — выберите один процесс на этой неделе.

1. День 1: Выберите один высокочастотный рутинный процесс. Примеры: «Квалификация лида из Яндекс.Директ + создание сделки в Битрикс24», «Авто-сверка банка и 1С», «Обработка фото чека от техника в Telegram». Критерий: процесс повторяется ≥10 раз/день, чёткие входы/выходы, допускает ошибку ≤2% (есть HITL).
2. День 2–3: Соберите 50–100 реальных примеров (история чатов, письма, логи CRM). Разметьте: вход → эталонный выход. Это ваш golden set для evals.
3. День 4–5: Поднимите n8n + llama.cpp (Docker Compose, 30 мин). Настройте вебхук-источник (например, Яндекс.Директ → вебхук → n8n). Добавьте ноду LLM с промптом-классификатором/экстрактором. Протестируйте на golden set — цель: ≥90% точность извлечения полей.
4. День 6–7: Добавьте HITL-шуз: если confidence < 0.85 или нет маппинга → задача в Битрикс24/Telegram ответственному с контекстом. Реализуйте «одной кнопкой» подтверждение/исправление.
5. День 8–9: Подключите целевые системы (CRM, 1С, Telegram) через их API. Прокиньте end-to-end: вебхук → LLM → API-создание сделки/документа → уведомление.
6. День 10: Настройте логирование (request_id, latency, tokens, input, output, human_correction) в БД. Поднимите простой дашборд Grafana.
7. День 11–14: Мягкий запуск на 10% трафика (shadow mode: AI работает параллельно, человек делает как обычно, логи сравниваете). Ежедневно 15 мин: разбор ошибок, дообучение few-shot примеров, правка промпта. К дню 14 — решение: масштабировать / сузить scope / переобучить.

Метрики успеха пилота (не vanity)

Метрика	Формула	Цель на пилоте
Automation rate	Авто-обработанных / Всего задач	≥ 70%
Escalation rate	Эскалаций к человеку / Всего	< 20%
Correction rate	Исправлений оператором / Эскалаций	< 30%
Latency p95	Время от вебхука до результата	< 3 сек (CPU) / < 1 сек (GPU)
Cost per task	(GPU/CPU час + инфраструктура) / задач	< стоимости 1 мин оператора

Частые ошибки и как их избежать

• Пытаются автоматизировать всё сразу. Начинайте с одного процесса. 3R начинали с лидов, потом добавляли по одному.
• Покупают SaaS AI-агентов без DPA и data residency. Для РФ — только self-hosted или РФ-вендоры с сертификатом ФСТЭК/ФСБ при необходимости.
• Нет golden set и eval-пиплайна. Промпты меняют «на глаз», качество плывёт. Авто-тесты каждую ночь — must have.
• Игнорируют UX операторов. Если эскалация требует переключения окон и копипаста — саботаж. Встраивайте в их рабочий интерфейс (Битрикс24, Telegram, 1С).
• Нет плана отката. Всегда готовьте kill-switch: один флаг в n8n отключает AI, процесс идет по старому регламенту.

Сколько это стоит (ориентировочно, РФ, 2026)

Статья	Вариант «CPU only»	Вариант «GPU (1×RTX 4090/A100)»
VPS / сервер (месяц)	8–12 тыс. руб (4–8 vCPU, 16–32 ГБ RAM, 200 ГБ NVMe)	25–40 тыс. руб (GPU instance в Yandex Cloud / Selectel / própriе)
n8n (self-hosted)	0 руб	0 руб
LLM (llama.cpp / vLLM)	0 руб (open weights)	0 руб (open weights)
Векторная БД / логи	0 руб (в составе VPS)	0–5 тыс. руб
Инженер-настройка (разово)	50–100 тыс. руб (внутренний / аутсорс)	50–100 тыс. руб
Итого запуск	~60–110 тыс. руб	~75–140 тыс. руб
Владение (мес.)	8–12 тыс. руб	25–40 тыс. руб

Для сравнения: один ML-инженер (junior/middle) — 150–250 тыс. руб/мес на руки + налоги. Пилот за 2 недели заFRACTION этой стоимости.

Связанные материалы по практике Unlim Group

• AI-агент для малого B2B-бизнеса: как собрать минимальный рабочий стек без хаоса интеграций
• AI by Zapier вместо отдельных агентов: как B2B-компании РФ и СНГ переносят автономные шаги внутрь оркестрации

Резюме: начните маленько, измеряйте, масштабируйте

Кейс 3R Plumbing доказывает: компания из гаража с 15 людьми построила 36 AI-агентов без штата дата-сайентистов. Ключ — оркестрация (Zapier/n8n) + чёткие границы автономии + HITL на рисках.

Для B2B в РФ и СНГ рецепт тот же, только стек локальный: n8n + открытые модели (Qwen/Llama) или РФ-API (GigaChat/YandexGPT) в вашей подсети. Пилот за 2 недели, 60–140 тыс. руб старт, метрики automation rate / escalation rate / cost per task. Не ждите «идеального момента» — выберите один процесс на этой неделе.

• 36 Next-Gen Zaps на базе Claude (AI by Zapier) — это не классические IF-TT-запахи, а агенты, которые сами решают, какой инструмент вызвать, парсят неструктурированный текст и пишут в CRM.
• Пять командных порталов в ServiceTitan (CRM для полевого сервиса): диспетчеризация, продажи, закупки, финансы, HR/найм.
• Ключевые потоки (цитирую источник):
  • Лид из Google Ads / Yelp / входящий звонок → мгновенная квалификация AI → создание джоба в ServiceTitan → уведомление диспетчера.
  • Сметы и согласования → автогенерация PDF → отправка клиенту → отслеживание подписи.
  • Диспетчеризация техников → AI распределяет заказы по зоне/навыкам → пушит в мобильный апп.
  • Закупки из поля → техник кидает фото чека в Google Chat → AI парсит, матчит с картой расходов, привязывает к джобу в ServiceTitan.
  • Финансы → авто-сверка QuickBooks и ServiceTitan, напоминания о просрочке, еженедельный кассовый срез.
  • HR → заявки из Indeed → операционный портал → DocuSign для оформления.
  • Пост-продажи → запросы отзывов, ретаргетинг пропущенных звонков, продление членства в сервис-клубе.

Цитата основателя: «Большинство малого бизнеса не знает, что может Zapier. Думают — дорого, долго, сломается. Неправда. Если сантехник смог построить это, любой владелец торговли может».

Переводим архитектуру на РФ/СНГ: что меняется

Элемент 3R Plumbing (США)	Адаптация для РФ/СНГ	Почему
Zapier Next-Gen Zaps (Claude в облаке)	n8n / самописный раннер + локальная LLM (llama.cpp, vLLM) или РФ-вендоры (GigaChat, YandexGPT) через приватный API	152-ФЗ: ПДн не должны уходить за границу без согласий и DPA. Локальный inference = контроль + скорость + предсказуемая стоимость.
ServiceTitan (вертикальная CRM)	1С:CRM / Битрикс24 / amoCRM / собственная ERP + вебхуки	Стандарт де-факто в РФ для полевого сервиса, строительства, HVAC. Есть REST API, вебхуки, маркетплейс интеграций.
QuickBooks	1С:Бухгалтерия / МойСклад / Контур / СБИС	Обязательная интеграция с ФНС (Честный знак, ЕГАИС, ФФД-1.2). API есть у всех крупных игроков.
Google Chat / Slack	Telegram Bot API / VK Teams / МойОфис / Mattermost (on-prem)	Где сидят ваши техники и офис. Telegram — де-факто стандарт для полевых команд в РФ.
Google Ads / Yelp	Яндекс.Директ / Авито / 2ГИС / Колл-трекинг (Calltouch, Roistat)	Источники лидов в РФ. У всех есть вебхуки/API для реального времени.
DocuSign	Диадок / СБИС / Контур.Сигнатура / ПростоДокументы	КЭП и СЭП — правовой стандарт РФ. Интеграция через API/SOAP.

Паттерны AI-агентов, которые работают в B2B (из кейса + практика Unlim Group)

1. Lead-to-Cash агент (сквозная автоматизация воронки)

Агент принимает лид из любого источника (форма, звонок, чат, мессенджер) → обогащает данными (Дадата, СБИС,DaData) → квалифицирует по скрипту (BANT/MEDDIC light) → создаёт сделку в CRM → назначает ответственного → шлёт коммерческое предложение из шаблона → трекает открытие/подписание → при оплате запускает исполнение.

В 3R это 3–4 запаха, склеенные AI: «Lead Capture», «Estimate Gen», «Job Dispatch». В РФ — один оркестратор (n8n) с последовательными нодами LLM + API.

2. Field Ops агент (диспетчеризация и поддержка техников)

Техник в Telegram-боте: «Приехал, фото приборов, нужен запасной». Агент: распознаёт речь/фото → ищет в складской 1С/МойСклад → резервирует → строит маршрут до следующего объекта → пушит в навигатор. Экономит 15–20 мин на заездке.

3. Finance Reconciliation агент (авто-сверка)

Ежедневно: выгрузка банка (СБП, эквайринг) + выгрузка 1С/МойСклад → LLM матчит по сумме/дата/контрагенту → помечает несовпадения → шлёт буху отчёт в Telegram. В 3R — еженедельный кассовый срез автоматически.

4. Procurement-from-Field агент (закупки без бумажки)

Техник сфотографировал накладную/чек в Telegram → AI (vision или OCR + LLM) извлёк: поставщик, сумму, позиции, НДС → нашёл/создал карточку в CRM → привязал к заказу/объекту → отправил на согласование финансовому. Никаких бумажек в офис.

5. Post-Sale Retention агент (LTV и отзывы)

После закрытия заказа: через N дней → запрос отзыва (Яндекс/2ГИС/Авито) → при негативе — эскалация руководителю. Перед окончанием гарантии/ТО — авто-напоминание клиенту и создание задачи технику. В 3R — ретаргетинг пропущенных звонков и продление членства в клубе.

Технический стек для пилота в РФ (без зарубежных зависимостей)

• Оркестратор: n8n (self-hosted, Docker, 1 VPS от 4 ГБ RAM) — бесплатно, 400+ нод, вебхуки, очередь, ретраи.
• LLM inference: llama.cpp (CPU) или vLLM (GPU) с моделями: Qwen2.5-7B/14B-Instruct, Llama-3.1-8B-Russian, GigaChat API (приватный контур), YandexGPT (VPC). Для vision — Qwen2-VL-7B.
• Векторный поиск (RAG): Qdrant / Milvus Lite / ChromaDB на том же VPS. База знаний: прайсы, регламенты, шаблоны договоров, каталог товаров.
• Интеграции: REST API / вебхуки 1С (OData), Битрикс24, amoCRM, МойСклад, Telegram Bot API, Яндекс.Директ API, Диадок API.
• Наблюдаемость: Langfuse (self-hosted) или простые логи в ClickHouse / PostgreSQL + Grafana дашборд: latency, token usage, error rate, escalation rate.

Всё разворачивается в вашей подсети. Никаких исходящих запросов к OpenAI/Anthropic.

Пошаговый чек-лист запуска пилота (14 дней)

1. День 1: Выберите один высокочастотный рутинный процесс. Примеры: «Квалификация лида из Яндекс.Директ + создание сделки в Битрикс24», «Авто-сверка банка и 1С», «Обработка фото чека от техника в Telegram». Критерий: процесс повторяется ≥10 раз/день, чёткие входы/выходы, допускает ошибку ≤2% (есть HITL).
2. День 2–3: Соберите 50–100 реальных примеров (история чатов, письма, логи CRM). Разметьте: вход → эталонный выход. Это ваш golden set для evals.
3. День 4–5: Поднимите n8n + llama.cpp (Docker Compose, 30 мин). Настройте вебхук-источник (например, Яндекс.Директ → вебхук → n8n). Добавьте ноду LLM с промптом-классификатором/экстрактором. Протестируйте на golden set — цель: ≥90% точность извлечения полей.
4. День 6–7: Добавьте HITL-шуз: если confidence < 0.85 или нет маппинга → задача в Битрикс24/Telegram ответственному с контекстом. Реализуйте «одной кнопкой» подтверждение/исправление.
5. День 8–9: Подключите целевые системы (CRM, 1С, Telegram) через их API. Прокиньте end-to-end: вебхук → LLM → API-создание сделки/документа → уведомление.
6. День 10: Настройте логирование (request_id, latency, tokens, input, output, human_correction) в БД. Поднимите простой дашборд Grafana.
7. День 11–14: Мягкий запуск на 10% трафика (shadow mode: AI работает параллельно, человек делает как обычно, логи сравниваете). Ежедневно 15 мин: разбор ошибок, дообучение few-shot примеров, правка промпта. К дню 14 — решение: масштабировать / сузить scope / переобучить.

Метрики успеха пилота (не vanity)

Метрика	Формула	Цель на пилоте
Automation rate	Авто-обработанных / Всего задач	≥ 70%
Escalation rate	Эскалаций к человеку / Всего	< 20%
Correction rate	Исправлений оператором / Эскалаций	< 30%
Latency p95	Время от вебхука до результата	< 3 сек (CPU) / < 1 сек (GPU)
Cost per task	(GPU/CPU час + инфраструктура) / задач	< стоимости 1 мин оператора

Частые ошибки и как их избежать

• Пытаются автоматизировать всё сразу. Начинайте с одного процесса. 3R начинали с лидов, потом добавляли по одному.
• Покупают SaaS AI-агентов без DPA и data residency. Для РФ — только self-hosted или РФ-вендоры с сертификатом ФСТЭК/ФСБ при необходимости.
• Нет golden set и eval-пиплайна. Промпты меняют «на глаз», качество плывёт. Авто-тесты каждую ночь — must have.
• Игнорируют UX операторов. Если эскалация требует переключения окон и копипаста — саботаж. Встраивайте в их рабочий интерфейс (Битрикс24, Telegram, 1С).
• Нет плана отката. Всегда готовьте kill-switch: один флаг в n8n отключает AI, процесс идет по старому регламенту.

Сколько это стоит (ориентировочно, РФ, 2026)

Статья	Вариант «CPU only»	Вариант «GPU (1×RTX 4090/A100)»
VPS / сервер (месяц)	8–12 тыс. руб (4–8 vCPU, 16–32 ГБ RAM, 200 ГБ NVMe)	25–40 тыс. руб (GPU instance в Yandex Cloud / Selectel / própriе)
n8n (self-hosted)	0 руб	0 руб
LLM (llama.cpp / vLLM)	0 руб (open weights)	0 руб (open weights)
Векторная БД / логи	0 руб (в составе VPS)	0–5 тыс. руб
Инженер-настройка (разово)	50–100 тыс. руб (внутренний / аутсорс)	50–100 тыс. руб
Итого запуск	~60–110 тыс. руб	~75–140 тыс. руб
Владение (мес.)	8–12 тыс. руб	25–40 тыс. руб

Для сравнения: один ML-инженер (junior/middle) — 150–250 тыс. руб/мес на руки + налоги. Пилот за 2 недели заFRACTION этой стоимости.

Связанные материалы по практике Unlim Group

• AI-агент для малого B2B-бизнеса: как собрать минимальный рабочий стек без хаоса интеграций
• AI by Zapier вместо отдельных агентов: как B2B-компании РФ и СНГ переносят автономные шаги внутрь оркестрации

Резюме: начните маленько, измеряйте, масштабируйте

Кейс 3R Plumbing доказывает: компания из гаража с 15 людьми построила 36 AI-агентов без штата дата-сайентистов. Ключ — оркестрация (Zapier/n8n) + чёткие границы автономии + HITL на рисках.

Для B2B в РФ и СНГ рецепт тот же, только стек локальный: n8n + открытые модели (Qwen/Llama) или РФ-API (GigaChat/YandexGPT) в вашей подсети. Пилот за 2 недели, 60–140 тыс. руб старт, метрики automation rate / escalation rate / cost per task. Не ждите «идеального момента» — выберите один процесс на этой неделе.

Статья	Вариант «CPU only»	Вариант «GPU (1×RTX 4090/A100)»
VPS / сервер (месяц)	8–12 тыс. руб (4–8 vCPU, 16–32 ГБ RAM, 200 ГБ NVMe)	25–40 тыс. руб (GPU instance в Yandex Cloud / Selectel / própriе)
n8n (self-hosted)	0 руб	0 руб
LLM (llama.cpp / vLLM)	0 руб (open weights)	0 руб (open weights)
Векторная БД / логи	0 руб (в составе VPS)	0–5 тыс. руб
Инженер-настройка (разово)	50–100 тыс. руб (внутренний / аутсорс)	50–100 тыс. руб
Итого запуск	~60–110 тыс. руб	~75–140 тыс. руб
Владение (мес.)	8–12 тыс. руб	25–40 тыс. руб

Для сравнения: один ML-инженер (junior/middle) — 150–250 тыс. руб/мес на руки + налоги. Пилот за 2 недели заFRACTION этой стоимости.

Связанные материалы по практике Unlim Group

• AI-агент для малого B2B-бизнеса: как собрать минимальный рабочий стек без хаоса интеграций
• AI by Zapier вместо отдельных агентов: как B2B-компании РФ и СНГ переносят автономные шаги внутрь оркестрации

Резюме: начните маленько, измеряйте, масштабируйте

Кейс 3R Plumbing доказывает: компания из гаража с 15 людьми построила 36 AI-агентов без штата дата-сайентистов. Ключ — оркестрация (Zapier/n8n) + чёткие границы автономии + HITL на рисках.

Для B2B в РФ и СНГ рецепт тот же, только стек локальный: n8n + открытые модели (Qwen/Llama) или РФ-API (GigaChat/YandexGPT) в вашей подсети. Пилот за 2 недели, 60–140 тыс. руб старт, метрики automation rate / escalation rate / cost per task. Не ждите «идеального момента» — выберите один процесс на этой неделе.

1. День 1: Выберите один высокочастотный рутинный процесс. Примеры: «Квалификация лида из Яндекс.Директ + создание сделки в Битрикс24», «Авто-сверка банка и 1С», «Обработка фото чека от техника в Telegram». Критерий: процесс повторяется ≥10 раз/день, чёткие входы/выходы, допускает ошибку ≤2% (есть HITL).
2. День 2–3: Соберите 50–100 реальных примеров (история чатов, письма, логи CRM). Разметьте: вход → эталонный выход. Это ваш golden set для evals.
3. День 4–5: Поднимите n8n + llama.cpp (Docker Compose, 30 мин). Настройте вебхук-источник (например, Яндекс.Директ → вебхук → n8n). Добавьте ноду LLM с промптом-классификатором/экстрактором. Протестируйте на golden set — цель: ≥90% точность извлечения полей.
4. День 6–7: Добавьте HITL-шуз: если confidence < 0.85 или нет маппинга → задача в Битрикс24/Telegram ответственному с контекстом. Реализуйте «одной кнопкой» подтверждение/исправление.
5. День 8–9: Подключите целевые системы (CRM, 1С, Telegram) через их API. Прокиньте end-to-end: вебхук → LLM → API-создание сделки/документа → уведомление.
6. День 10: Настройте логирование (request_id, latency, tokens, input, output, human_correction) в БД. Поднимите простой дашборд Grafana.
7. День 11–14: Мягкий запуск на 10% трафика (shadow mode: AI работает параллельно, человек делает как обычно, логи сравниваете). Ежедневно 15 мин: разбор ошибок, дообучение few-shot примеров, правка промпта. К дню 14 — решение: масштабировать / сузить scope / переобучить.

Метрики успеха пилота (не vanity)

Метрика	Формула	Цель на пилоте
Automation rate	Авто-обработанных / Всего задач	≥ 70%
Escalation rate	Эскалаций к человеку / Всего	< 20%
Correction rate	Исправлений оператором / Эскалаций	< 30%
Latency p95	Время от вебхука до результата	< 3 сек (CPU) / < 1 сек (GPU)
Cost per task	(GPU/CPU час + инфраструктура) / задач	< стоимости 1 мин оператора

Частые ошибки и как их избежать

• Пытаются автоматизировать всё сразу. Начинайте с одного процесса. 3R начинали с лидов, потом добавляли по одному.
• Покупают SaaS AI-агентов без DPA и data residency. Для РФ — только self-hosted или РФ-вендоры с сертификатом ФСТЭК/ФСБ при необходимости.
• Нет golden set и eval-пиплайна. Промпты меняют «на глаз», качество плывёт. Авто-тесты каждую ночь — must have.
• Игнорируют UX операторов. Если эскалация требует переключения окон и копипаста — саботаж. Встраивайте в их рабочий интерфейс (Битрикс24, Telegram, 1С).
• Нет плана отката. Всегда готовьте kill-switch: один флаг в n8n отключает AI, процесс идет по старому регламенту.

Сколько это стоит (ориентировочно, РФ, 2026)

Статья	Вариант «CPU only»	Вариант «GPU (1×RTX 4090/A100)»
VPS / сервер (месяц)	8–12 тыс. руб (4–8 vCPU, 16–32 ГБ RAM, 200 ГБ NVMe)	25–40 тыс. руб (GPU instance в Yandex Cloud / Selectel / própriе)
n8n (self-hosted)	0 руб	0 руб
LLM (llama.cpp / vLLM)	0 руб (open weights)	0 руб (open weights)
Векторная БД / логи	0 руб (в составе VPS)	0–5 тыс. руб
Инженер-настройка (разово)	50–100 тыс. руб (внутренний / аутсорс)	50–100 тыс. руб
Итого запуск	~60–110 тыс. руб	~75–140 тыс. руб
Владение (мес.)	8–12 тыс. руб	25–40 тыс. руб

Для сравнения: один ML-инженер (junior/middle) — 150–250 тыс. руб/мес на руки + налоги. Пилот за 2 недели заFRACTION этой стоимости.

Связанные материалы по практике Unlim Group

• AI-агент для малого B2B-бизнеса: как собрать минимальный рабочий стек без хаоса интеграций
• AI by Zapier вместо отдельных агентов: как B2B-компании РФ и СНГ переносят автономные шаги внутрь оркестрации

Резюме: начните маленько, измеряйте, масштабируйте

Кейс 3R Plumbing доказывает: компания из гаража с 15 людьми построила 36 AI-агентов без штата дата-сайентистов. Ключ — оркестрация (Zapier/n8n) + чёткие границы автономии + HITL на рисках.

Для B2B в РФ и СНГ рецепт тот же, только стек локальный: n8n + открытые модели (Qwen/Llama) или РФ-API (GigaChat/YandexGPT) в вашей подсети. Пилот за 2 недели, 60–140 тыс. руб старт, метрики automation rate / escalation rate / cost per task. Не ждите «идеального момента» — выберите один процесс на этой неделе.

• 36 Next-Gen Zaps на базе Claude (AI by Zapier) — это не классические IF-TT-запахи, а агенты, которые сами решают, какой инструмент вызвать, парсят неструктурированный текст и пишут в CRM.
• Пять командных порталов в ServiceTitan (CRM для полевого сервиса): диспетчеризация, продажи, закупки, финансы, HR/найм.
• Ключевые потоки (цитирую источник):
  • Лид из Google Ads / Yelp / входящий звонок → мгновенная квалификация AI → создание джоба в ServiceTitan → уведомление диспетчера.
  • Сметы и согласования → автогенерация PDF → отправка клиенту → отслеживание подписи.
  • Диспетчеризация техников → AI распределяет заказы по зоне/навыкам → пушит в мобильный апп.
  • Закупки из поля → техник кидает фото чека в Google Chat → AI парсит, матчит с картой расходов, привязывает к джобу в ServiceTitan.
  • Финансы → авто-сверка QuickBooks и ServiceTitan, напоминания о просрочке, еженедельный кассовый срез.
  • HR → заявки из Indeed → операционный портал → DocuSign для оформления.
  • Пост-продажи → запросы отзывов, ретаргетинг пропущенных звонков, продление членства в сервис-клубе.

Цитата основателя: «Большинство малого бизнеса не знает, что может Zapier. Думают — дорого, долго, сломается. Неправда. Если сантехник смог построить это, любой владелец торговли может».

Переводим архитектуру на РФ/СНГ: что меняется

Элемент 3R Plumbing (США)	Адаптация для РФ/СНГ	Почему
Zapier Next-Gen Zaps (Claude в облаке)	n8n / самописный раннер + локальная LLM (llama.cpp, vLLM) или РФ-вендоры (GigaChat, YandexGPT) через приватный API	152-ФЗ: ПДн не должны уходить за границу без согласий и DPA. Локальный inference = контроль + скорость + предсказуемая стоимость.
ServiceTitan (вертикальная CRM)	1С:CRM / Битрикс24 / amoCRM / собственная ERP + вебхуки	Стандарт де-факто в РФ для полевого сервиса, строительства, HVAC. Есть REST API, вебхуки, маркетплейс интеграций.
QuickBooks	1С:Бухгалтерия / МойСклад / Контур / СБИС	Обязательная интеграция с ФНС (Честный знак, ЕГАИС, ФФД-1.2). API есть у всех крупных игроков.
Google Chat / Slack	Telegram Bot API / VK Teams / МойОфис / Mattermost (on-prem)	Где сидят ваши техники и офис. Telegram — де-факто стандарт для полевых команд в РФ.
Google Ads / Yelp	Яндекс.Директ / Авито / 2ГИС / Колл-трекинг (Calltouch, Roistat)	Источники лидов в РФ. У всех есть вебхуки/API для реального времени.
DocuSign	Диадок / СБИС / Контур.Сигнатура / ПростоДокументы	КЭП и СЭП — правовой стандарт РФ. Интеграция через API/SOAP.

Паттерны AI-агентов, которые работают в B2B (из кейса + практика Unlim Group)

1. Lead-to-Cash агент (сквозная автоматизация воронки)

Агент принимает лид из любого источника (форма, звонок, чат, мессенджер) → обогащает данными (Дадата, СБИС,DaData) → квалифицирует по скрипту (BANT/MEDDIC light) → создаёт сделку в CRM → назначает ответственного → шлёт коммерческое предложение из шаблона → трекает открытие/подписание → при оплате запускает исполнение.

В 3R это 3–4 запаха, склеенные AI: «Lead Capture», «Estimate Gen», «Job Dispatch». В РФ — один оркестратор (n8n) с последовательными нодами LLM + API.

2. Field Ops агент (диспетчеризация и поддержка техников)

Техник в Telegram-боте: «Приехал, фото приборов, нужен запасной». Агент: распознаёт речь/фото → ищет в складской 1С/МойСклад → резервирует → строит маршрут до следующего объекта → пушит в навигатор. Экономит 15–20 мин на заездке.

3. Finance Reconciliation агент (авто-сверка)

Ежедневно: выгрузка банка (СБП, эквайринг) + выгрузка 1С/МойСклад → LLM матчит по сумме/дата/контрагенту → помечает несовпадения → шлёт буху отчёт в Telegram. В 3R — еженедельный кассовый срез автоматически.

4. Procurement-from-Field агент (закупки без бумажки)

Техник сфотографировал накладную/чек в Telegram → AI (vision или OCR + LLM) извлёк: поставщик, сумму, позиции, НДС → нашёл/создал карточку в CRM → привязал к заказу/объекту → отправил на согласование финансовому. Никаких бумажек в офис.

5. Post-Sale Retention агент (LTV и отзывы)

После закрытия заказа: через N дней → запрос отзыва (Яндекс/2ГИС/Авито) → при негативе — эскалация руководителю. Перед окончанием гарантии/ТО — авто-напоминание клиенту и создание задачи технику. В 3R — ретаргетинг пропущенных звонков и продление членства в клубе.

Технический стек для пилота в РФ (без зарубежных зависимостей)

• Оркестратор: n8n (self-hosted, Docker, 1 VPS от 4 ГБ RAM) — бесплатно, 400+ нод, вебхуки, очередь, ретраи.
• LLM inference: llama.cpp (CPU) или vLLM (GPU) с моделями: Qwen2.5-7B/14B-Instruct, Llama-3.1-8B-Russian, GigaChat API (приватный контур), YandexGPT (VPC). Для vision — Qwen2-VL-7B.
• Векторный поиск (RAG): Qdrant / Milvus Lite / ChromaDB на том же VPS. База знаний: прайсы, регламенты, шаблоны договоров, каталог товаров.
• Интеграции: REST API / вебхуки 1С (OData), Битрикс24, amoCRM, МойСклад, Telegram Bot API, Яндекс.Директ API, Диадок API.
• Наблюдаемость: Langfuse (self-hosted) или простые логи в ClickHouse / PostgreSQL + Grafana дашборд: latency, token usage, error rate, escalation rate.

Всё разворачивается в вашей подсети. Никаких исходящих запросов к OpenAI/Anthropic.

Пошаговый чек-лист запуска пилота (14 дней)

1. День 1: Выберите один высокочастотный рутинный процесс. Примеры: «Квалификация лида из Яндекс.Директ + создание сделки в Битрикс24», «Авто-сверка банка и 1С», «Обработка фото чека от техника в Telegram». Критерий: процесс повторяется ≥10 раз/день, чёткие входы/выходы, допускает ошибку ≤2% (есть HITL).
2. День 2–3: Соберите 50–100 реальных примеров (история чатов, письма, логи CRM). Разметьте: вход → эталонный выход. Это ваш golden set для evals.
3. День 4–5: Поднимите n8n + llama.cpp (Docker Compose, 30 мин). Настройте вебхук-источник (например, Яндекс.Директ → вебхук → n8n). Добавьте ноду LLM с промптом-классификатором/экстрактором. Протестируйте на golden set — цель: ≥90% точность извлечения полей.
4. День 6–7: Добавьте HITL-шуз: если confidence < 0.85 или нет маппинга → задача в Битрикс24/Telegram ответственному с контекстом. Реализуйте «одной кнопкой» подтверждение/исправление.
5. День 8–9: Подключите целевые системы (CRM, 1С, Telegram) через их API. Прокиньте end-to-end: вебхук → LLM → API-создание сделки/документа → уведомление.
6. День 10: Настройте логирование (request_id, latency, tokens, input, output, human_correction) в БД. Поднимите простой дашборд Grafana.
7. День 11–14: Мягкий запуск на 10% трафика (shadow mode: AI работает параллельно, человек делает как обычно, логи сравниваете). Ежедневно 15 мин: разбор ошибок, дообучение few-shot примеров, правка промпта. К дню 14 — решение: масштабировать / сузить scope / переобучить.

Метрики успеха пилота (не vanity)

Метрика	Формула	Цель на пилоте
Automation rate	Авто-обработанных / Всего задач	≥ 70%
Escalation rate	Эскалаций к человеку / Всего	< 20%
Correction rate	Исправлений оператором / Эскалаций	< 30%
Latency p95	Время от вебхука до результата	< 3 сек (CPU) / < 1 сек (GPU)
Cost per task	(GPU/CPU час + инфраструктура) / задач	< стоимости 1 мин оператора

Частые ошибки и как их избежать

• Пытаются автоматизировать всё сразу. Начинайте с одного процесса. 3R начинали с лидов, потом добавляли по одному.
• Покупают SaaS AI-агентов без DPA и data residency. Для РФ — только self-hosted или РФ-вендоры с сертификатом ФСТЭК/ФСБ при необходимости.
• Нет golden set и eval-пиплайна. Промпты меняют «на глаз», качество плывёт. Авто-тесты каждую ночь — must have.
• Игнорируют UX операторов. Если эскалация требует переключения окон и копипаста — саботаж. Встраивайте в их рабочий интерфейс (Битрикс24, Telegram, 1С).
• Нет плана отката. Всегда готовьте kill-switch: один флаг в n8n отключает AI, процесс идет по старому регламенту.

Сколько это стоит (ориентировочно, РФ, 2026)

Статья	Вариант «CPU only»	Вариант «GPU (1×RTX 4090/A100)»
VPS / сервер (месяц)	8–12 тыс. руб (4–8 vCPU, 16–32 ГБ RAM, 200 ГБ NVMe)	25–40 тыс. руб (GPU instance в Yandex Cloud / Selectel / própriе)
n8n (self-hosted)	0 руб	0 руб
LLM (llama.cpp / vLLM)	0 руб (open weights)	0 руб (open weights)
Векторная БД / логи	0 руб (в составе VPS)	0–5 тыс. руб
Инженер-настройка (разово)	50–100 тыс. руб (внутренний / аутсорс)	50–100 тыс. руб
Итого запуск	~60–110 тыс. руб	~75–140 тыс. руб
Владение (мес.)	8–12 тыс. руб	25–40 тыс. руб

Для сравнения: один ML-инженер (junior/middle) — 150–250 тыс. руб/мес на руки + налоги. Пилот за 2 недели заFRACTION этой стоимости.

Связанные материалы по практике Unlim Group

• AI-агент для малого B2B-бизнеса: как собрать минимальный рабочий стек без хаоса интеграций
• AI by Zapier вместо отдельных агентов: как B2B-компании РФ и СНГ переносят автономные шаги внутрь оркестрации

Резюме: начните маленько, измеряйте, масштабируйте

Кейс 3R Plumbing доказывает: компания из гаража с 15 людьми построила 36 AI-агентов без штата дата-сайентистов. Ключ — оркестрация (Zapier/n8n) + чёткие границы автономии + HITL на рисках.

Для B2B в РФ и СНГ рецепт тот же, только стек локальный: n8n + открытые модели (Qwen/Llama) или РФ-API (GigaChat/YandexGPT) в вашей подсети. Пилот за 2 недели, 60–140 тыс. руб старт, метрики automation rate / escalation rate / cost per task. Не ждите «идеального момента» — выберите один процесс на этой неделе.

Короткий ответ: Малые и средние B2B-компании могут запускать AI-агентов без штата ML-инженеров — достаточно оркестратора вроде Zapier (Next-Gen Zaps) или n8n с локальными LLM. Американская 3R Plumbing (HVAC/сантехника, $3.8M выручки) на 36 AI-запах закрыла полный цикл: от лида в Google Ads до счета в QuickBooks и порталов для техников в ServiceTitan.

Короткий ответ: Для РФ/СНГ схема та же, но с жёсткими требованиями: данные не уходят за рубеж (152-ФЗ), модели разворачиваются локально (llama.cpp, vLLM, GigaChat, YandexGPT), а оркестрация — через n8n или самописный раннер на своих серверах. По практике Unlim Group, пилот на 1–2 процессах занимает 2 недели и стоит в 5–10 раз дешевле найма ML-команды.

Короткий ответ: Ниже — разбор архитектуры 3R Plumbing, перевод паттернов на российские реалии и пошаговый чек-лист запуска первого AI-агента в вашем B2B-бизнесе.

Кейс 3R Plumbing: что сделали и зачем это важно для нас

3R Plumbing & Mechanical — ветеранская компания из Массачусетса (США). Основатель Росс Хант запустил бизнес в гараже с одним пикапом в 2022 году. К 2026 году — 15 сотрудников, магазин в Норвелл, ~21 город южных пригородов Бостона, плановая выручка $3.8 млн.

Их стек автоматизации (по материалам Zapier, октябрь 2026):

Статья	Вариант «CPU only»	Вариант «GPU (1×RTX 4090/A100)»
VPS / сервер (месяц)	8–12 тыс. руб (4–8 vCPU, 16–32 ГБ RAM, 200 ГБ NVMe)	25–40 тыс. руб (GPU instance в Yandex Cloud / Selectel / própriе)
n8n (self-hosted)	0 руб	0 руб
LLM (llama.cpp / vLLM)	0 руб (open weights)	0 руб (open weights)
Векторная БД / логи	0 руб (в составе VPS)	0–5 тыс. руб
Инженер-настройка (разово)	50–100 тыс. руб (внутренний / аутсорс)	50–100 тыс. руб
Итого запуск	~60–110 тыс. руб	~75–140 тыс. руб
Владение (мес.)	8–12 тыс. руб	25–40 тыс. руб

Для сравнения: один ML-инженер (junior/middle) — 150–250 тыс. руб/мес на руки + налоги. Пилот за 2 недели заFRACTION этой стоимости.

Связанные материалы по практике Unlim Group

• AI-агент для малого B2B-бизнеса: как собрать минимальный рабочий стек без хаоса интеграций
• AI by Zapier вместо отдельных агентов: как B2B-компании РФ и СНГ переносят автономные шаги внутрь оркестрации

Резюме: начните маленько, измеряйте, масштабируйте

Кейс 3R Plumbing доказывает: компания из гаража с 15 людьми построила 36 AI-агентов без штата дата-сайентистов. Ключ — оркестрация (Zapier/n8n) + чёткие границы автономии + HITL на рисках.

Для B2B в РФ и СНГ рецепт тот же, только стек локальный: n8n + открытые модели (Qwen/Llama) или РФ-API (GigaChat/YandexGPT) в вашей подсети. Пилот за 2 недели, 60–140 тыс. руб старт, метрики automation rate / escalation rate / cost per task. Не ждите «идеального момента» — выберите один процесс на этой неделе.

1. День 1: Выберите один высокочастотный рутинный процесс. Примеры: «Квалификация лида из Яндекс.Директ + создание сделки в Битрикс24», «Авто-сверка банка и 1С», «Обработка фото чека от техника в Telegram». Критерий: процесс повторяется ≥10 раз/день, чёткие входы/выходы, допускает ошибку ≤2% (есть HITL).
2. День 2–3: Соберите 50–100 реальных примеров (история чатов, письма, логи CRM). Разметьте: вход → эталонный выход. Это ваш golden set для evals.
3. День 4–5: Поднимите n8n + llama.cpp (Docker Compose, 30 мин). Настройте вебхук-источник (например, Яндекс.Директ → вебхук → n8n). Добавьте ноду LLM с промптом-классификатором/экстрактором. Протестируйте на golden set — цель: ≥90% точность извлечения полей.
4. День 6–7: Добавьте HITL-шуз: если confidence < 0.85 или нет маппинга → задача в Битрикс24/Telegram ответственному с контекстом. Реализуйте «одной кнопкой» подтверждение/исправление.
5. День 8–9: Подключите целевые системы (CRM, 1С, Telegram) через их API. Прокиньте end-to-end: вебхук → LLM → API-создание сделки/документа → уведомление.
6. День 10: Настройте логирование (request_id, latency, tokens, input, output, human_correction) в БД. Поднимите простой дашборд Grafana.
7. День 11–14: Мягкий запуск на 10% трафика (shadow mode: AI работает параллельно, человек делает как обычно, логи сравниваете). Ежедневно 15 мин: разбор ошибок, дообучение few-shot примеров, правка промпта. К дню 14 — решение: масштабировать / сузить scope / переобучить.

Метрики успеха пилота (не vanity)

Метрика	Формула	Цель на пилоте
Automation rate	Авто-обработанных / Всего задач	≥ 70%
Escalation rate	Эскалаций к человеку / Всего	< 20%
Correction rate	Исправлений оператором / Эскалаций	< 30%
Latency p95	Время от вебхука до результата	< 3 сек (CPU) / < 1 сек (GPU)
Cost per task	(GPU/CPU час + инфраструктура) / задач	< стоимости 1 мин оператора

Частые ошибки и как их избежать

• Пытаются автоматизировать всё сразу. Начинайте с одного процесса. 3R начинали с лидов, потом добавляли по одному.
• Покупают SaaS AI-агентов без DPA и data residency. Для РФ — только self-hosted или РФ-вендоры с сертификатом ФСТЭК/ФСБ при необходимости.
• Нет golden set и eval-пиплайна. Промпты меняют «на глаз», качество плывёт. Авто-тесты каждую ночь — must have.
• Игнорируют UX операторов. Если эскалация требует переключения окон и копипаста — саботаж. Встраивайте в их рабочий интерфейс (Битрикс24, Telegram, 1С).
• Нет плана отката. Всегда готовьте kill-switch: один флаг в n8n отключает AI, процесс идет по старому регламенту.

Сколько это стоит (ориентировочно, РФ, 2026)

Статья	Вариант «CPU only»	Вариант «GPU (1×RTX 4090/A100)»
VPS / сервер (месяц)	8–12 тыс. руб (4–8 vCPU, 16–32 ГБ RAM, 200 ГБ NVMe)	25–40 тыс. руб (GPU instance в Yandex Cloud / Selectel / própriе)
n8n (self-hosted)	0 руб	0 руб
LLM (llama.cpp / vLLM)	0 руб (open weights)	0 руб (open weights)
Векторная БД / логи	0 руб (в составе VPS)	0–5 тыс. руб
Инженер-настройка (разово)	50–100 тыс. руб (внутренний / аутсорс)	50–100 тыс. руб
Итого запуск	~60–110 тыс. руб	~75–140 тыс. руб
Владение (мес.)	8–12 тыс. руб	25–40 тыс. руб

Для сравнения: один ML-инженер (junior/middle) — 150–250 тыс. руб/мес на руки + налоги. Пилот за 2 недели заFRACTION этой стоимости.

Связанные материалы по практике Unlim Group

• AI-агент для малого B2B-бизнеса: как собрать минимальный рабочий стек без хаоса интеграций
• AI by Zapier вместо отдельных агентов: как B2B-компании РФ и СНГ переносят автономные шаги внутрь оркестрации

Резюме: начните маленько, измеряйте, масштабируйте

Кейс 3R Plumbing доказывает: компания из гаража с 15 людьми построила 36 AI-агентов без штата дата-сайентистов. Ключ — оркестрация (Zapier/n8n) + чёткие границы автономии + HITL на рисках.

Для B2B в РФ и СНГ рецепт тот же, только стек локальный: n8n + открытые модели (Qwen/Llama) или РФ-API (GigaChat/YandexGPT) в вашей подсети. Пилот за 2 недели, 60–140 тыс. руб старт, метрики automation rate / escalation rate / cost per task. Не ждите «идеального момента» — выберите один процесс на этой неделе.

• 36 Next-Gen Zaps на базе Claude (AI by Zapier) — это не классические IF-TT-запахи, а агенты, которые сами решают, какой инструмент вызвать, парсят неструктурированный текст и пишут в CRM.
• Пять командных порталов в ServiceTitan (CRM для полевого сервиса): диспетчеризация, продажи, закупки, финансы, HR/найм.
• Ключевые потоки (цитирую источник):
  • Лид из Google Ads / Yelp / входящий звонок → мгновенная квалификация AI → создание джоба в ServiceTitan → уведомление диспетчера.
  • Сметы и согласования → автогенерация PDF → отправка клиенту → отслеживание подписи.
  • Диспетчеризация техников → AI распределяет заказы по зоне/навыкам → пушит в мобильный апп.
  • Закупки из поля → техник кидает фото чека в Google Chat → AI парсит, матчит с картой расходов, привязывает к джобу в ServiceTitan.
  • Финансы → авто-сверка QuickBooks и ServiceTitan, напоминания о просрочке, еженедельный кассовый срез.
  • HR → заявки из Indeed → операционный портал → DocuSign для оформления.
  • Пост-продажи → запросы отзывов, ретаргетинг пропущенных звонков, продление членства в сервис-клубе.

Цитата основателя: «Большинство малого бизнеса не знает, что может Zapier. Думают — дорого, долго, сломается. Неправда. Если сантехник смог построить это, любой владелец торговли может».

Переводим архитектуру на РФ/СНГ: что меняется

Элемент 3R Plumbing (США)	Адаптация для РФ/СНГ	Почему
Zapier Next-Gen Zaps (Claude в облаке)	n8n / самописный раннер + локальная LLM (llama.cpp, vLLM) или РФ-вендоры (GigaChat, YandexGPT) через приватный API	152-ФЗ: ПДн не должны уходить за границу без согласий и DPA. Локальный inference = контроль + скорость + предсказуемая стоимость.
ServiceTitan (вертикальная CRM)	1С:CRM / Битрикс24 / amoCRM / собственная ERP + вебхуки	Стандарт де-факто в РФ для полевого сервиса, строительства, HVAC. Есть REST API, вебхуки, маркетплейс интеграций.
QuickBooks	1С:Бухгалтерия / МойСклад / Контур / СБИС	Обязательная интеграция с ФНС (Честный знак, ЕГАИС, ФФД-1.2). API есть у всех крупных игроков.
Google Chat / Slack	Telegram Bot API / VK Teams / МойОфис / Mattermost (on-prem)	Где сидят ваши техники и офис. Telegram — де-факто стандарт для полевых команд в РФ.
Google Ads / Yelp	Яндекс.Директ / Авито / 2ГИС / Колл-трекинг (Calltouch, Roistat)	Источники лидов в РФ. У всех есть вебхуки/API для реального времени.
DocuSign	Диадок / СБИС / Контур.Сигнатура / ПростоДокументы	КЭП и СЭП — правовой стандарт РФ. Интеграция через API/SOAP.

Паттерны AI-агентов, которые работают в B2B (из кейса + практика Unlim Group)

1. Lead-to-Cash агент (сквозная автоматизация воронки)

Агент принимает лид из любого источника (форма, звонок, чат, мессенджер) → обогащает данными (Дадата, СБИС,DaData) → квалифицирует по скрипту (BANT/MEDDIC light) → создаёт сделку в CRM → назначает ответственного → шлёт коммерческое предложение из шаблона → трекает открытие/подписание → при оплате запускает исполнение.

В 3R это 3–4 запаха, склеенные AI: «Lead Capture», «Estimate Gen», «Job Dispatch». В РФ — один оркестратор (n8n) с последовательными нодами LLM + API.

2. Field Ops агент (диспетчеризация и поддержка техников)

Техник в Telegram-боте: «Приехал, фото приборов, нужен запасной». Агент: распознаёт речь/фото → ищет в складской 1С/МойСклад → резервирует → строит маршрут до следующего объекта → пушит в навигатор. Экономит 15–20 мин на заездке.

3. Finance Reconciliation агент (авто-сверка)

Ежедневно: выгрузка банка (СБП, эквайринг) + выгрузка 1С/МойСклад → LLM матчит по сумме/дата/контрагенту → помечает несовпадения → шлёт буху отчёт в Telegram. В 3R — еженедельный кассовый срез автоматически.

4. Procurement-from-Field агент (закупки без бумажки)

Техник сфотографировал накладную/чек в Telegram → AI (vision или OCR + LLM) извлёк: поставщик, сумму, позиции, НДС → нашёл/создал карточку в CRM → привязал к заказу/объекту → отправил на согласование финансовому. Никаких бумажек в офис.

5. Post-Sale Retention агент (LTV и отзывы)

После закрытия заказа: через N дней → запрос отзыва (Яндекс/2ГИС/Авито) → при негативе — эскалация руководителю. Перед окончанием гарантии/ТО — авто-напоминание клиенту и создание задачи технику. В 3R — ретаргетинг пропущенных звонков и продление членства в клубе.

Технический стек для пилота в РФ (без зарубежных зависимостей)

• Оркестратор: n8n (self-hosted, Docker, 1 VPS от 4 ГБ RAM) — бесплатно, 400+ нод, вебхуки, очередь, ретраи.
• LLM inference: llama.cpp (CPU) или vLLM (GPU) с моделями: Qwen2.5-7B/14B-Instruct, Llama-3.1-8B-Russian, GigaChat API (приватный контур), YandexGPT (VPC). Для vision — Qwen2-VL-7B.
• Векторный поиск (RAG): Qdrant / Milvus Lite / ChromaDB на том же VPS. База знаний: прайсы, регламенты, шаблоны договоров, каталог товаров.
• Интеграции: REST API / вебхуки 1С (OData), Битрикс24, amoCRM, МойСклад, Telegram Bot API, Яндекс.Директ API, Диадок API.
• Наблюдаемость: Langfuse (self-hosted) или простые логи в ClickHouse / PostgreSQL + Grafana дашборд: latency, token usage, error rate, escalation rate.

Всё разворачивается в вашей подсети. Никаких исходящих запросов к OpenAI/Anthropic.

Пошаговый чек-лист запуска пилота (14 дней)

1. День 1: Выберите один высокочастотный рутинный процесс. Примеры: «Квалификация лида из Яндекс.Директ + создание сделки в Битрикс24», «Авто-сверка банка и 1С», «Обработка фото чека от техника в Telegram». Критерий: процесс повторяется ≥10 раз/день, чёткие входы/выходы, допускает ошибку ≤2% (есть HITL).
2. День 2–3: Соберите 50–100 реальных примеров (история чатов, письма, логи CRM). Разметьте: вход → эталонный выход. Это ваш golden set для evals.
3. День 4–5: Поднимите n8n + llama.cpp (Docker Compose, 30 мин). Настройте вебхук-источник (например, Яндекс.Директ → вебхук → n8n). Добавьте ноду LLM с промптом-классификатором/экстрактором. Протестируйте на golden set — цель: ≥90% точность извлечения полей.
4. День 6–7: Добавьте HITL-шуз: если confidence < 0.85 или нет маппинга → задача в Битрикс24/Telegram ответственному с контекстом. Реализуйте «одной кнопкой» подтверждение/исправление.
5. День 8–9: Подключите целевые системы (CRM, 1С, Telegram) через их API. Прокиньте end-to-end: вебхук → LLM → API-создание сделки/документа → уведомление.
6. День 10: Настройте логирование (request_id, latency, tokens, input, output, human_correction) в БД. Поднимите простой дашборд Grafana.
7. День 11–14: Мягкий запуск на 10% трафика (shadow mode: AI работает параллельно, человек делает как обычно, логи сравниваете). Ежедневно 15 мин: разбор ошибок, дообучение few-shot примеров, правка промпта. К дню 14 — решение: масштабировать / сузить scope / переобучить.

Метрики успеха пилота (не vanity)

Метрика	Формула	Цель на пилоте
Automation rate	Авто-обработанных / Всего задач	≥ 70%
Escalation rate	Эскалаций к человеку / Всего	< 20%
Correction rate	Исправлений оператором / Эскалаций	< 30%
Latency p95	Время от вебхука до результата	< 3 сек (CPU) / < 1 сек (GPU)
Cost per task	(GPU/CPU час + инфраструктура) / задач	< стоимости 1 мин оператора

Частые ошибки и как их избежать

• Пытаются автоматизировать всё сразу. Начинайте с одного процесса. 3R начинали с лидов, потом добавляли по одному.
• Покупают SaaS AI-агентов без DPA и data residency. Для РФ — только self-hosted или РФ-вендоры с сертификатом ФСТЭК/ФСБ при необходимости.
• Нет golden set и eval-пиплайна. Промпты меняют «на глаз», качество плывёт. Авто-тесты каждую ночь — must have.
• Игнорируют UX операторов. Если эскалация требует переключения окон и копипаста — саботаж. Встраивайте в их рабочий интерфейс (Битрикс24, Telegram, 1С).
• Нет плана отката. Всегда готовьте kill-switch: один флаг в n8n отключает AI, процесс идет по старому регламенту.

Сколько это стоит (ориентировочно, РФ, 2026)

Статья	Вариант «CPU only»	Вариант «GPU (1×RTX 4090/A100)»
VPS / сервер (месяц)	8–12 тыс. руб (4–8 vCPU, 16–32 ГБ RAM, 200 ГБ NVMe)	25–40 тыс. руб (GPU instance в Yandex Cloud / Selectel / própriе)
n8n (self-hosted)	0 руб	0 руб
LLM (llama.cpp / vLLM)	0 руб (open weights)	0 руб (open weights)
Векторная БД / логи	0 руб (в составе VPS)	0–5 тыс. руб
Инженер-настройка (разово)	50–100 тыс. руб (внутренний / аутсорс)	50–100 тыс. руб
Итого запуск	~60–110 тыс. руб	~75–140 тыс. руб
Владение (мес.)	8–12 тыс. руб	25–40 тыс. руб

Для сравнения: один ML-инженер (junior/middle) — 150–250 тыс. руб/мес на руки + налоги. Пилот за 2 недели заFRACTION этой стоимости.

Связанные материалы по практике Unlim Group

• AI-агент для малого B2B-бизнеса: как собрать минимальный рабочий стек без хаоса интеграций
• AI by Zapier вместо отдельных агентов: как B2B-компании РФ и СНГ переносят автономные шаги внутрь оркестрации

Резюме: начните маленько, измеряйте, масштабируйте

Кейс 3R Plumbing доказывает: компания из гаража с 15 людьми построила 36 AI-агентов без штата дата-сайентистов. Ключ — оркестрация (Zapier/n8n) + чёткие границы автономии + HITL на рисках.

Для B2B в РФ и СНГ рецепт тот же, только стек локальный: n8n + открытые модели (Qwen/Llama) или РФ-API (GigaChat/YandexGPT) в вашей подсети. Пилот за 2 недели, 60–140 тыс. руб старт, метрики automation rate / escalation rate / cost per task. Не ждите «идеального момента» — выберите один процесс на этой неделе.