Введение: Когда автоматизация встречает контроль качества
В проектировании цифровых систем продаж для бизнеса мы, Top Experts, постоянно ищем способы убрать рутинную работу. Одна из таких задач — создание контента для поддержки продаж: статьи, описания, аналитические материалы. Очевидным решением казалось поручить это искусственному интеллекту. Однако недавний реальный случай показал, что генерация текста AI — лишь первый шаг, за которым должен стоять жёсткий, детерминированный контроль. Мы столкнулись с ситуацией, когда модель сгенерировала черновик, формально корректный, но наш quality gate его заблокировал. Эта история — не про недостатки AI, а про необходимость архитектуры, которая гарантирует результат, а не просто надеется на него.
Исходная бизнес-задача: автоматизировать контент для цифрового контура продаж
Наш клиент — компания, работающая на маркетплейсах, включая Wildberries. Ему требовалось оперативно создавать качественные текстовые материалы (например, статьи для блога или новостные поводы), которые вовлекают аудиторию и поддерживают продажи. Ручное написание отнимало время команды, которое можно было направить на стратегию. Задача была чёткой: внедрить автоматизированную систему генерации контента, интегрированную в общий цифровой контур продаж (сайт, CRM, аналитика), чтобы сократить издержки и ускорить процессы.
Почему очевидного решения — просто запустить AI — оказалось недостаточно
Первым шагом мы настроили pipeline с использованием AI-модели через OpenRouter. Модель получала запрос (например, на инфоповод Wildberries) и возвращала черновик статьи. Формально всё работало: модель выдавала связный текст в правильном формате JSON. Но в одном из реальных прогонов мы получили материал объёмом 607 слов. Согласно нашим внутренним стандартам для контент-системы EDITOR, минимальный порог для публикации основной статьи — 900 слов, а целевой диапазон — 1100–1600 слов. Это не прихоть: наш опыт показывает, что в этом диапазоне обычно раскрываются необходимые для бизнеса смыслы — проблема, решение, ограничения, результат. Черновик в 607 слов был поверхностным, но с первого взгляда мог показаться нормальным. Без автоматической проверки он рисковал уйти в публикацию, снизив качество коммуникации с клиентами.
Какие варианты контроля мы рассматривали
Перед нами стоял выбор: как обеспечить качество на выходе AI. Мы оценили несколько подходов:
- Ручной ревью каждым материалом: Это возвращало нас к исходной проблеме — потере времени и субъективности оценок.
- Довериться только оценке самой AI-модели: Но модели склонны к «галлюцинациям» и могут пропускать слабый контент, если он формально корректен.
- Внедрить deterministic quality gate: Набор машинно проверяемых правил, которые блокируют материал до публикации, если он не соответствует заранее заданным критериям.
Ручной контроль был неприемлем для автоматизации, а полное доверие AI — рискованно. Поэтому мы сосредоточились на создании автоматического стража качества.
Почему выбрали подход с deterministic quality gate
Мы выбрали quality gate, потому что он даёт проверяемый, объективный результат. В отличие от субъективной оценки «нравится/не нравится», такой гейт работает по чётким правилам: объём текста, наличие обязательных смысловых блоков, структура. Это соответствует нашему принципу: технологии должны решать бизнес-проблемы с измеримым outcome. Quality gate превратил качество из абстрактного понятия в набор бинарных проверок — прошёл/не прошёл. Для цифровых систем продаж, где важна скорость и точность, это был единственный способ масштабировать генерацию без потери стандартов.
Как мы внедряли quality gate в контентный pipeline
Внедрение стало частью нашей инфраструктуры. Мы использовали связку инструментов: OpenRouter для генерации, кастомный quality gate для проверки, Telegram review для уведомлений команды и систему MediaMashin для управления контентом. Процесс выглядел так: AI генерирует черновик, он автоматически отправляется в quality gate, который проверяет несколько критериев. Критерии включали не только минимальный объём (900 слов), но и наличие ключевых смысловых блоков, которые мы определили на основе бизнес-логики. Например, для статей о продажах обязательны блоки, объясняющие матрицу решения проблемы (store_solve_matrix) и аудиторию, для которой решение не подходит (store_not_for_everyone). Эти блоки помогают создавать честный, полезный контент, а не просто рекламный текст.
Что оказалось сложнее ожиданий: тонкая настройка критериев
Самым нетривиальным этапом стало определение и настройка этих смысловых критериев. Изначально мы думали, что достаточно проверять объём и грамматику. Но в том самом случае с черновиком на 607 слов quality gate зафиксировал не только недостаточный объём, но и отсутствие блоков store_solve_matrix и store_not_for_everyone. Это означало, что материал был поверхностным — он не раскрывал, как именно продукт или подход решает проблему клиента, и не обозначал ограничения, что критично для доверия. Настройка алгоритмов для выявления таких смысловых лакун потребовала глубокого погружения в предметную область и итеративных тестов. Мы не могли полагаться на простой поиск ключевых слов; нужно было анализировать структуру и контекст.
Проверяемый результат: слабый черновик не попал на сайт, и мы знаем почему
Результат был наглядным и проверяемым. Черновик объёмом 607 слов получил статус EDITOR_BLOCKED и не был отправлен в публикацию. Quality gate не просто сказал «плохо» — он предоставил машинно проверяемые причины блокировки: недостаточный объём и missing_store_solve_matrix, missing_store_not_for_everyone. Это позволило нам не гадать, а точно понять, что пошло не так, и либо доработать материал, либо перенастроить запрос к AI. Таким образом, мы предотвратили публикацию слабого контента, который мог подорвать эффективность цифрового контура продаж, и сохранили контроль над качеством на автоматизированном этапе.
Что мы сделали бы иначе: более гибкая калибровка порогов
Оглядываясь назад, мы бы добавили больше гибкости в калибровку порогов для разных типов контента. Не для каждой статьи нужен объём в 1100 слов — например, короткие анонсы или сообщения в соцсетях имеют другие стандарты. Мы бы создали матрицу критериев в зависимости от типа материала и канала публикации, чтобы избежать излишних блокировок там, где они не нужны. Также, мы бы раньше вовлекли бизнес-аналитиков в определение смысловых блоков, чтобы критерии quality gate точнее отражали реальные потребности продаж, а не только технические параметры.
Общий вывод: автоматизация требует архитектуры контроля, а не слепого доверия
Этот кейс показал, что внедрение AI-инструментов в цифровые системы продаж — это не про «настроил и забыл». Это про проектирование инфраструктуры, где генерация сопровождается deterministic checks. Quality gate стал тем архитектурным элементом, который гарантирует, что автоматизация не превратится в фабрику мусорного контента. Для другого бизнеса вывод прост: если вы автоматизируете контент или любые другие процессы, сразу закладывайте механизмы объективного контроля качества. Не надейтесь, что AI всегда выдаст идеальный результат — вместо этого создайте правила, которые отсекают неприемлемые варианты до того, как они попадут к клиенту.
Как это применимо к вашей бизнес-задаче
Если вы сталкиваетесь с рутиной в продажах — будь то генерация контента, обработка заявок в CRM или аналитика — автоматизация может дать огромный выигрыш в скорости. Но без продуманного контроля вы рискуете получить формально работающую, но фактически слабую систему. Наш опыт с quality gate демонстрирует, что цифровой контур продаж должен быть целостным: от генерации до проверки и интеграции. Мы, как архитекторы таких систем, начинаем с вашей бизнес-проблемы и проектируем решение с измеримым результатом и встроенными гарантиями качества. Посмотреть интерактивное демо интернет-магазина: https://imr.top-experts.pro/go/a-demo/.
Обсудить разработку собственного цифрового контура продаж: https://imr.top-experts.pro/go/a-site/