GIGASCHOOL: как ИИ-агент сэкономил 47 600 рублей в месяц и выявил проблему в продукте

Ручной сбор статистики с рекламных площадок, не имеющих API, — это часы монотонной работы, которые съедают бюджет и замедляют принятие решений. GIGASCHOOL, образовательная платформа, столкнулась с этой проблемой при продвижении услуг через b17.ru. Внедрив ИИ-агента, компания сократила время маркетолога на анализ рекламных кампаний с 11 часов до 1 в неделю и выявила критическую проблему в продукте, что позволило сэкономить 47 600 рублей в месяц на потенциально неэффективных кампаниях.

В современном маркетинге время — деньги, а ручная обработка данных — это двойные потери: сначала на зарплату специалисту, который копирует цифры, а потом на упущенные возможности из-за медленных решений. Особенно остро это ощущается, когда рекламная площадка не предоставляет API, заставляя маркетологов тратить часы на рутину вместо стратегического анализа. Но даже такую боль можно и нужно автоматизировать, чтобы выявить истинные проблемы бизнеса.

Реальность проблемы: рутина, которая убивает эффективность

Максим Тодоров, учредитель компании, продвигающей услуги через b17.ru, столкнулся с классической дилеммой: канал привлекал качественные и недорогие лиды, но масштабирование было невозможно из-за отсутствия API. Площадка b17.ru, ориентированная на психологов, не была приспособлена для автоматизированной выгрузки данных и активно препятствовала работе ботов. Это означало, что каждая операция, от сбора статистики до управления объявлениями, требовала ручного вмешательства.

Маркетолог тратил около 11 часов в неделю на рутинные задачи: сбор статистики по показам, кликам и расходам, атрибуцию лидов к конкретным объявлениям, расчёт показателей и базовый анализ. Эти часы уходили на переключение между сайтом, таблицами и внутренними системами, оставляя мало времени на стратегию. Полноценный пересмотр рекламной кампании происходил не чаще раза в месяц, когда часть данных уже устаревала, что снижало адаптивность и эффективность.

Путь к ИИ-агенту: когда обычная автоматизация бессильна

Классические инструменты автоматизации не могли решить проблему с b17.ru из-за отсутствия API и антибот-защиты. Нужно было не просто автоматизировать отдельные шаги, а создать интеллектуальную систему, способную имитировать действия человека на сайте, собирать данные, анализировать их и предлагать решения. Компания осознала, что необходим ИИ-агент, который сможет не только обрабатывать информацию, но и интерпретировать её, освобождая маркетолога от роли оператора.

Целью было не полное исключение человека из процесса, а перенос его на более высокий уровень, где он занимается стратегией и принятием решений, а не ручным сбором и сведением данных. ИИ-агент должен был взять на себя ручную выгрузку, сведение в таблицы, расчёт показателей, первичный поиск аномалий и подготовку черновиков рекомендаций.

Как проектировали ИИ-агента: оркестрация данных и интеллекта

ИИ-агент был спроектирован как комплексная система, включающая несколько компонентов, работающих в связке. Это не просто языковая модель, а целый «пайплайн» на базе n8n, браузерное расширение, Google Таблицы, Telegram-бот и DataLens. Благодаря такой архитектуре, агент мог не только собирать данные, но и обрабатывать их, анализировать и представлять в удобном формате.

Составные части системы:

• Браузерное расширение. Отвечало за извлечение данных с b17.ru, имитируя действия пользователя и обходя антибот-защиту.
• n8n. Выступал в роли оркестратора, управляя всем процессом: от сбора данных до отправки результатов.
• Google Таблицы. Использовались для промежуточного хранения, очистки и стандартизации данных.
• Языковая модель. Отвечала за анализ подготовленных метрик, поиск закономерностей, аномалий и формирование рекомендаций.
• Telegram-бот. Служил интерфейсом для запуска процесса и получения отчётов.
• DataLens. Использовался для мониторинга технических и экономических показателей работы системы.

Сценарий работы агента был устроен так, что пользователь инициировал сбор данных через браузерное расширение, а затем весь процесс продолжался автоматически. Агент собирал более 20 параметров по каждому объявлению, очищал и стандартизировал их. Важно, что сбор, очистка и расчёт метрик выполнялись обычным кодом, что обеспечивало предсказуемость и воспроизводимость результатов. Языковая модель подключалась на этапе интерпретации данных и формирования гипотез, а не на расчётах.

Внедрение: от пилота к стратегическому инструменту

Разработка и внедрение системы заняли около 80 часов. Максим Тодоров начал с ручной сборки первых узлов, затем использовал Perplexity для генерации кода внутри нод, а на финальном этапе подключил Claude Code. Такой подход позволил контролировать процесс и обеспечить корректность логики.

Агент был успешно интегрирован в рабочий процесс. Маркетолог запускал сбор данных через браузерное расширение, а затем получал готовый отчёт в Telegram и HTML-формате с метриками и рекомендациями. Система также включала в себя таблицу с фильтрами для удобной сортировки объявлений. Среднее время одного прогона составляло около 124 секунд, а расчётная стоимость обработки одного объявления — 52 копейки.

В n8n был предусмотрен отдельный контур обработки ошибок, что позволяло отслеживать сбои и оперативно их устранять. Корректность схемы ответа модели составляла 88% даже при проведении тестов с инъекциями, что демонстрировало высокую стабильность системы.

Результаты: экономия, эффективность и главное — выявление проблем

Хотя кампания была остановлена раньше, чем удалось проверить снижение CPL и годовой ROI, агент показал значительную экономию на рутинных операциях. Расчётный срок окупаемости системы составил бы 3-6 месяцев.

Однако главным результатом стало не это. Агент помог быстро собрать необходимые данные и подтвердить, что рекламный канал b17.ru работает и генерирует лиды. Но затем стало ясно, что проблема лежит глубже: продукт оказался недостаточно адаптирован к аудитории, которую приводила реклама. ИИ-агент быстро выявил это узкое место, показав, что масштабировать пока нечего, и позволил компании принять стратегическое решение о сворачивании проекта, сэкономив тем самым значительные средства и время на дальнейшие неэффективные рекламные кампании.

Как это внедрить у вас

Кейс GIGASCHOOL демонстрирует, что даже при отсутствии API и активной защите от ботов можно автоматизировать сбор и анализ данных, если подойти к задаче комплексно. Вот с чего стоит начать, если у вас есть похожая проблема:

• Используйте браузерные расширения. Если нет API, это эффективный способ извлечения данных, имитирующий действия пользователя.
• Оркестрируйте процесс. ИИ-агент — это не только языковая модель, но и целый пайплайн из различных инструментов, которые работают в связке. Используйте платформы вроде n8n для управления потоками данных.
• Разделяйте задачи для ИИ и кода. Код лучше справляется со сбором, очисткой, валидацией и расчётами, обеспечивая предсказуемость. Языковая модель эффективна для интерпретации данных, поиска закономерностей и формирования гипотез.
• Начните с малого. Автоматизируйте самый болезненный и рутинный участок работы, где выгода будет очевидна и риск минимален. Это поможет быстро получить первые результаты и убедить команду в ценности решения.
• Следите за метриками. Используйте дашборды (например, DataLens) для мониторинга работы системы, её стоимости и корректности ответов.

Если этот кейс похож на то, что происходит у вас, наш менеджер поможет разобраться: бесплатно проанализирует ваш бизнес и нишу и подскажет, где ИИ-агент даст реальный результат именно в вашем случае. Написать менеджеру