Маркетинг-стратег, IT-предприниматель, ментор по вайбкодингу
10+ лет в маркетинге, 300+ клиентских проектов: сайты, реклама, боты. Создатель GoBanana (228K+ пользователей, 11.6 млн ₽ выручки) и VibeCoderz. Делаю AI-продукты сам через Claude Code, Cursor, Windsurf и консультирую тех, кто хочет так же.
🎯 О чём этот конспект: Разбор реального кейса автоматизации b2b-бизнеса (производство выставочных стендов с оборотом 177 млн руб.) при помощи файловой системы AI-агентов в среде Claude Code / ChatGPT. Пошаговый алгоритм устранения главного узкого горлышка компании: перевод рутинных 3-часовых расчётов смет и КП с собственника на автономный конвейер цифровых сотрудников с жёсткими стоп-правилами.
👤 Кому будет полезно: Вайбкодерам, AI-интеграторам, системным предпринимателям и b2b-разработчикам, создающим кастомные агентные воронки и автоматизирующим расчёты, продажи и работу с документами.
✨ Что получите: Готовую архитектуру агентного пайплайна (паспорта ролей, структура файлов контекста, файл оркестрации CLAUDE.md, логика стоп-правил) для генерации просчитанных КП и PDF-документов за 15–30 минут вместо 4 дней.
1. Поиск скрытого узкого горлышка: почему залив трафика сжигает деньги
Контекст: В большинстве бизнесов при желании масштабироваться первое интуитивное решение — увеличить рекламный бюджет. В разобранном кейсе маркетинг отработал образцово: стоимость заявки снизилась почти в 2 раза, лид стоил около 3 000 рублей. Однако анализ воронки показал, что 49 входящих запросов в год (каждый пятый) вообще не доходили до расчёта сметы, что привело к прямой потере ~800 000 рублей на рекламе и десятков миллионов недополученной прибыли. Проблема крылась не в трафике, а в операционном цикле: подготовка коммерческого предложения занимала от 3.9 до 5 дней, так как единственным звеном расчёта выступал сам собственник.
Тайминг:[00:52], [01:14], [01:47], [02:06]
Выгода: Устранение потерь 49 крупных b2b-сделок в год без вложений в рекламу. Возврат 467 000 – 514 000 руб. ежемесячно за счёт освобождения 84 часов рабочего времени собственника компании (при ставке 5 560 руб./час).
Как применить:
Шаг 1: Аудит узких мест воронки (Bottleneck Analysis) — Любой spreadsheet-инструмент (Excel / Google Таблицы / Notion) — Сопоставьте количество входящих квалифицированных лидов с количеством фактически выставленных коммерческих предложений. Выделите процент запросов, «умерших» до этапа КП из-за долгого расчёта.
Шаг 2: Расчёт скрытых потерь часа эксперта — Калькулятор unit-экономики — Рассчитайте стоимость часа ключевого специалиста или собственника: Доход в месяц / Количество рабочих часов. Умножьте полученную ставку на количество часов, уходящих на составление расчётов вручную.
Шаг 3: Картирование точек сбоя — Miro / Mermaid диаграммы — Оцифруйте шаги подготовки КП: фиксация заявки (1–2 дня ожидания) -> сбор ТЗ менеджером -> расчёт себестоимости -> проверка мощностей цеха. Зафиксируйте этапы, где чаще всего теряются данные.
graph TD A[Входящая заявка] -->|Лежит 1-2 дня| B(Сбор ТЗ менеджером) B -->|Не хватает данных| C{Собственник / Сметчик} C -->|3 часа ручного счета| D[Согласование сроков с цехом] D -->|Цикл: 4 дня| E[Отправка КП клиенту] style C fill:#f96,stroke:#333,stroke-width:2px
Результат: Выявлено точное место потери прибыли в операционном процессе, обоснована экономическая целесообразность внедрения AI-агентов вместо найма дополнительного штата или слива бюджета в рекламу.
2. Архитектура папки цифровых сотрудников и разделение по ролям
Контекст: Попытка поручить ИИ сложный многоэтапный бизнес-процесс в рамках одного общего промпта или одного чат-бота всегда ведёт к галлюцинациям, ошибкам в математике и размытию ответственности. Эффективная команда AI-агентов строится по принципу модульного конвейера с разделением зон ответственности: у каждого агента есть свой «паспорт», регламент и единственный Конечный Ценный Продукт (КЦП). Вся инфраструктура представляет собой локальную директорию проекта, с которой нейросеть взаимодействует через контекстные файлы.
Тайминг:[03:06], [03:53], [04:23], [05:31]
Выгода: Исключение ошибок в расчётах за счёт изоляции задач; возможность запускать сложные расчёты силами линейных ассистентов с сохранением экспертного качества собственника.
Как применить:
Шаг 1: Формирование файловой структуры проекта — Терминал / VS Code / Cursor — Создайте изолированную директорию команды агентов, разделив контекст компании, роли, входящие данные и результат.
Шаг 2: Наполнение слоя контекста бизнеса — Текстовый редактор Markdown — В папку context/ вынесите регламенты, прайс-листы, матрицы цен, ограничения мощностей производства и стандарты оформления. Всё, что раньше находилось «в голове собственника», должно быть описано детерминированными правилами.
Шаг 3: Разделение конвейера на роли с четким КЦП — Markdown — Создайте спецификации для каждого сотрудника:
Приёмщик (Data Intake Agent): КЦП — валидированная карточка лида с полным набором обязательных параметров.
Подборщик (Reference Matcher): КЦП — подбор релевантных кейсов из архива и определение типа конструкции.
Генератор КП (Proposal Builder): КЦП — финальное коммерческое предложение и макет в PDF.
Результат: Создан переносимый каркас AI-команды, не привязанный к конкретной веб-оболочке и готовый к подключению к LLM через API или локальные AI-инструменты разработки.
3. Механизм жёстких стоп-правил (Stop-Rules) против галлюцинаций
Контекст: Главная опасность использования стандартных чат-ботов в b2b-продажах — их склонность «додумывать» недостающие данные. Если клиент не указал высоту павильона, обычный ChatGPT выдаст случайную цифру и посчитает неверную цену; в результате компания либо проиграет тендер из-за завышенного чека, либо заключит заведомо убыточный контракт. Для предотвращения этого в паспорта агентов зашиваются детерминированные стоп-правила: при отсутствии хотя бы одного критического параметра агент обязан остановить конвейер и сформировать точный список уточняющих вопросов клиенту.
Тайминг:[03:15], [05:52], [06:37], [07:00]
Выгода: 100% защита от заключения минусовых сделок и выставления ошибочных смет клиентам; автоматизация квалификации входящих заявок.
# ПАСПОРТ АГЕНТА: Приёмщик входящих запросов---## Входные данные:- Неструктурированный текст письма/заявки от клиента из pipeline/incoming/---## Конечный Ценный Продукт (КЦП):- Заполненная карточка проекта `card.json` с валидированными параметрами.---## ЖЕСТКИЕ СТОП-ПРАВИЛА (Остановить выполнение и запросить данные):1. Не указана точная высота павильона/стенда (в метрах).2. Площадь застройки названа абстрактными словами (нет точного метража в м²).3. Отсутствует технический план/регламент от организатора выставки.4. Не указан город и площадка проведения.5. Не указана дата монтажа.---## Регламент при срабатывании стоп-правила:1. Заблокировать передачу задачи следующему агенту (Подборщику).2. Создать файл `pipeline/processing/questions_to_client.txt`.3. Сформулировать вежливые, однозначные вопросы по недостающим пунктам.
Шаг 2: Тестирование работы барьера — Загрузите неполный запрос от клиента во входящую папку и скомандуйте агенту обработать ввод по регламенту.
Ты — Приёмщик входящих писем. Твоя задача — строго следовать паспорту `agents/intake_agent.md`. Обработай файл `pipeline/incoming/request_001.txt`. При обнаружении любого стоп-фактора немедленно останови процесс, зафиксируй причину и сформируй текст уточняющего письма.
Результат: AI-агент не пытается выдумать параметры, а останавливает пайплайн при нехватке ключевых вводных, избавляя менеджеров от рутинного сопоставления чек-листов.
4. Конфигурация оркестратора в Claude Code через CLAUDE.md
Контекст: Чтобы AI-модель понимала структуру папки, правила передачи эстафеты между агентами и формат выполнения задач, в корне проекта создаётся мастер-инструкция (для экосистемы Anthropic Claude это файл CLAUDE.md). В нём описывается общий порядок выполнения конвейера, пути к контекстным файлам компании и правила работы с файловой системой. Это позволяет работать с проектом через Claude Code (или аналогичные AI-агенты терминала/IDE), где ИИ самостоятельно считывает инструкции, запускает расчёты и перекладывает файлы между этапами.
Тайминг:[05:68], [06:25], [07:43], [07:54]
Выгода: Полная воспроизводимость пайплайна: любой сотрудник без навыков промпт-инжиниринга может запустить генерацию сметы одной стандартной командой.
# ОРГАНИЗУЮЩАЯ ИНСТРУКЦИЯ (ORCHESTRATOR)Ты управляешь конвейером цифровых сотрудников компании. Твоя цель: преобразовать сырую заявку из `pipeline/incoming/` в готовое КП в `pipeline/output/`.---## Порядок выполнения конвейера:1. **Приёмщик (`agents/intake_agent.md`)**: - Читает заявку, проверяет стоп-правила. - Если стоп-правила сработали: сформировать `questions_to_client.txt` и СТОП. - Если всё корректно: сохранить `pipeline/processing/card.md`.2. **Подборщик (`agents/matcher_agent.md`)**: - Анализирует `card.md`, ищет аналоги в `data/archive/`. - Подбирает 3 подходящих архитектурных референса.3. **Сметчик (`agents/estimator_agent.md`)**: - Сверяет конструктив с `context/price_matrix.md`. - Считает смету (материалы, монтаж, логистика, наценка).4. **Оформитель (`agents/proposal_builder.md`)**: - Генерирует итоговый документ КП в фирменном стиле.---## Базовые правила:- Никогда не додумывай технические параметры стенда.- Все расчеты проводить строго по формулам из матрицы цен.- Вести лог каждого шага в `pipeline/journal.log`.
Шаг 2: Запуск окружения — Запустите Claude Code в терминале директории проекта:
# Инициализация сессии Claude Codeclaude# Либо через указание файла-задачи:# Выберите модель с глубоким рассуждением (Claude 3.5 Sonnet или Claude 3 Opus)
Шаг 3: Подача команды на исполнение конвейера:
Запусти конвейер обработки заявки из pipeline/incoming/client_lead.txt строго по регламенту CLAUDE.md.
Результат: Claude Code берёт под управление всю команду агентов, пошагово исполняет роли, записывает логи в журнал и формирует артефакты на диске без необходимости вручную копировать промпты между чатами.
5. Генерация готового b2b коммерческого предложения и PDF
Контекст: Финальная стадия конвейера — сборка всех результатов расчётов (валидированные требования, референсы из архива, калькуляция себестоимости по матрице цен) в структурированное коммерческое предложение. Агент не просто выводит текст в консоль, а формирует презентационный документ в корпоративной цветовой палитре компании, с визуализацией планировки, выделенными рекламными местами для баннеров заказчика и прозрачной спецификацией.
Тайминг:[08:05], [08:23], [08:42]
Выгода: Сокращение общего времени формирования коммерческого предложения с 3.9 дней до 0.6 дня (фактическое участие человека — до 15–30 минут на валидацию вместо 3 часов ручного счёта).
Как применить:
Шаг 1: Настройка матрицы цен в context/price_matrix.md — Создайте таблицу базовых ставок, наценок и ограничений цеха:
# МАТРИЦА ЦЕН И ПРОИЗВОДСТВЕННЫХ НОРМАТИВОВ| Категория застройки | Стоимость за м² (каркас) | Покраска/отделка | Срок производства ||:--------------------|:-------------------------|:-----------------|:------------------|| Стандарт (ДСП/МДФ) | 25 000 руб. | 8 000 руб./м² | 14 дней || Премиум (Металл/Стекло)| 55 000 руб. | 15 000 руб./м² | 25 дней || Двухэтажные стенды | 90 000 руб. | По запросу | 40 дней |- Коэффициент срочности (< 15 дней до монтажа): x1.35- Стандартная маржинальность: 32%
Шаг 2: Инструкция агента Proposal Builder по компиляции PDF — Создайте роль оформителя, собирающего Markdown в HTML/PDF с помощью CLI-утилит (например, marp, weasyprint или pandoc):
# ПАСПОРТ АГЕНТА: Оформитель КП (Proposal Builder)Собери данные из:1. `pipeline/processing/card.md`2. `pipeline/processing/estimate.md`3. `pipeline/processing/references.md`Сформируй итоговый файл `pipeline/output/KP_[Client_Name].html` по корпоративному шаблону:- Основной цвет: #1A365D, акцентный: #E53E3E.- Включи таблицу спецификации, схематичный план стенда, распределение зон под баннеры.- Скомпилируй готовый PDF через системную команду:`weasyprint pipeline/output/KP_[Client_Name].html pipeline/output/KP_[Client_Name].pdf`
Результат: Готовое выверенное коммерческое предложение в формате PDF сохраняется в папку output/ менее чем за минуту после получения всех вводных, готовое к мгновенной отправке клиенту менеджером по продажам.
6. Экономика AI-трансформации: расчёт ROI и масштабирование
Контекст: Собственники малого и среднего бизнеса часто воспринимают время, потраченное на рутину (составление смет, ручную проверку чертежей), как «бесплатное». Расчёт реальной стоимости рабочего часа руководителя и сопоставление её с затратами на автоматизацию демонстрирует мгновенную окупаемость агентных систем. В приведённом кейсе перевод расчётов на цифровых сотрудников дал прямой экономический эффект в 6.2 миллиона рублей за счёт высвобождения ресурса фаундера, плюс рост выручки на 11 миллионов рублей из-за резкого сокращения цикла ответа клиенту.
Тайминг:[00:00], [02:23], [08:42], [08:88]
Выгода: Прямой возврат инвестиций (ROI > 1000% в первый год), устранение человеческого фактора как главного лимитирующего барьера роста выручки компании.
Как применить:
Шаг 1: Сбор базовых метрик до внедрения:
Месячное количество запросов на расчёт ($N$): 28 шт.
Среднее время эксперта на 1 расчёт ($T$): 3 часа.
Стоимость часа собственника ($C$): 5 560 руб.
Прямые затраты времени в месяц: $28 \times 3 \times 5560 = 467,040$ руб.
Длительность цикла сделки до отправки КП: 3.9 дня.
Шаг 2: Расчёт метрик после внедрения команды агентов:
Время ручной проверки готового проекта человеком: 30 минут (0.5 часа).
Затраты времени: $28 \times 0.5 \times 5560 = 77,840$ руб.
Чистая ежемесячная экономия фонда времени: $467,040 - 77,840 = 389,200$ руб. (с учётом смежных операций — до 514 000 руб.).
Скорость цикла подготовки КП: 0.6 дня (сокращение в 6.5 раз).
Шаг 3: Перенаправление освобождённого ресурса — Освободившиеся 70 часов рабочего времени руководителя ежемесячно направляются в стратегический маркетинг, переговоры с крупными заказчиками и оптимизацию цепочек поставок.
Результат: Бизнес получает кратный запас масштабирования: пропускная способность отдела продаж вырастает в разы без раздувания фонда оплаты труда и без риска кассовых разрывов из-за ошибок в сметах.
FAQ
В: Почему нельзя просто закинуть ТЗ в ChatGPT или веб-версию Claude и попросить посчитать смету? О: В стандартном окне чата у модели нет доступа к вашей закрытой матрице цен, архиву реализованных проектов и производственным мощностям. Кроме того, единый чат не имеет жёстких стоп-правил: если клиент забудет указать высоту павильона или толщину материала, нейросеть выдумает параметры сама («галлюцинация»), что приведёт к выставлению некорректной цены и прямым финансовым убыткам.
В: Что такое стоп-правило (Stop-Rule) в агентной системе? О: Это программный или текстовый барьер в паспорте агента, который безусловно останавливает дальнейшее движение задачи по конвейеру, если на входе отсутствуют обязательные данные (например, точные габариты стенда, дата монтажа или план выставки). Вместо галлюцинаций агент генерирует точный список вопросов для клиента.
В: Какая модель Claude использовалась в данном бизнес-процессе? О: Для работы конвейера используются флагманские рассуждающие модели семейства Claude 3.5 Sonnet / Claude Opus с возможностью настройки уровня усилий (reasoning effort). Для работы со сложными вычислениями и строгим следованием файловым инструкциям критически важна высокая точность логики рассуждений.
В: Требуются ли навыки программирования для создания такой команды сотрудников? О: Нет, базовый каркас строится на обычных Markdown-файлах (.md), которые пишутся понятным языком с чётким распределением ролей и условий. Запуск через Claude Code или подобные инструменты требует лишь базового умения работать с терминалом и файловой структурой операционной системы.
В: Как подключать матрицу цен, если цены на материалы постоянно меняются? О: Вся ценовая информация изолирована в отдельном файле context/price_matrix.md. При изменении цен на сырьё или тарифов подрядчиков достаточно обновить цифры в этом одном файле, и все агенты-сметчики мгновенно начнут использовать актуальные данные без необходимости переписывать промпты.
В: Может ли AI-агент сразу отдавать готовое КП клиенту в автоматическом режиме? О: Технически может, но в b2b-сегменте с чеками от нескольких миллионов рублей на этапе выхода всегда рекомендуется оставлять человека-верификатора («Human-in-the-loop»). Менеджер тратит всего 5–10 минут на беглую проверку готового PDF-файла перед отправкой клиенту.
Ресурсы и ссылки
Claude Code — агентный инструмент командной строки от Anthropic для автономной работы с локальными файлами и репозиториями — упомянут в видео.
ChatGPT — большая языковая модель от OpenAI, альтернативная среда для запуска агентных промптов — упомянут в видео.
Antigravity — среда/платформа для интеграции AI-моделей в рабочие процессы — упомянута в видео.
Telegram-канал Дмитрия Попова — авторский канал со ссылками на скачивание готовой папки с шаблонами агентов и методологией — упомянут в видео (https://t.me/...).
Конспект создан на основе видео «Как ИИ экономит 500.000 рублей в месяц реальному бизнесу» канала Дмитрия Попова. Все права на оригинальный материал принадлежат авторам.Источник: https://www.youtube.com/watch?v=lQdN9RUX6J0
