Иван Лушников

Задача

Продукт был в проде, но каждый звонок стоил дороже, чем приносил. Нужно было вывести юнит-экономику звонка из минуса — не потеряв качество скрининга и не ломая пользовательский путь.

Что сделал

• CustDev с командой и первыми клиентами: где именно утекают деньги — ASR, LLM-вызовы, post-processing, синтез речи.
• Разобрал саммаризацию звонка: что уходит в LLM и какая модель нужна на каждом шаге.
• Перевёл простые участки разговора на дешёвые модели, дорогие оставил там, где важен смысл.
• Добавил кеширование типовых приветствий и подтверждений — они больше не идут через LLM.

Что выучил

Экономика голосовых AI-продуктов — не про «какая модель дешевле». Это про архитектуру диалога: сколько ходов нужно человеку, какие можно кешировать, где LLM заменяется детерминированной логикой. Маржу спасло сокращение числа вызовов, а не смена модели.

Задача

«Эконом-эксперт» уже работал справочной системой по законодательству для закупочных комиссий. Нужно было превратить поиск по справочнику в ответ на вопрос — со ссылкой на пункт НПА, за 45 секунд и с точностью выше 90%, чтобы AI стал основным интерфейсом, а не второстепенной фичей.

Что сделал

• AI-эксперт по 44-ФЗ и 223-ФЗ: RAG поверх нормативной базы, в ответе — конкретные пункты со ссылками.
• AI-классификация КТРУ: автоподбор кода товара или услуги вместо ручной разметки оператором.
• Внутренний агент для гипотез: проверял продуктовые гипотезы и оспаривал те, что не решали заявленную проблему.
• Перестроил demo-flow под ЭТП — внешние торговые площадки стали брать эксперта в свой стек.

Что выучил

В LegalTech и G2G доверие к AI важнее скорости. Пользователь-юрист не поверит ответу, пока не увидит конкретный пункт закона. Без источника это уверенный галлюцинатор; с источником — рабочий инструмент.

Задача

Запустить антифрод в мессенджерах и вырастить органические подключения без рекламного бюджета. Задача на две трети была не продуктовой: фичу надо было провести через безопасность, маркетинг, юристов и операторов связи.

Что сделал

• Discovery и CustDev: где живут абоненты, какие угрозы реальны, что блокировать, а что пропускать.
• Гибридная модель антифрода: ML ловит паттерны спама, LLM разбирает контекст сложных мошеннических схем.
• Поставил редизайн точки входа в приложении — именно он дал основной рост подключений.
• Собрал и повёл 5 команд, 20+ человек, кросс-функционально.

Что выучил

B2C в большой корпорации — это про согласования, а не про скорость. Самая большая победа была не «построить ML-антифрод», а протащить фичу до релиза. Для B2C в энтерпрайзе примерно 70% работы — политика и процессы, 30% — сам продукт.