Как ИИ помог сети корпоративного питания перестать терять деньги на списаниях и ускорить отчётность до минут

1. Вводная задача от заказчика, проблематика, цели

Заказчик: «РЕСТФОТОАНАЛИТИКА» — подразделение London Restaurant Group. 25 лет на рынке общепита, десятки точек корпоративного питания по всей стране.

Ситуация. Каждый день точки отчитываются: что приготовили, что выдали сотрудникам, что списали. Тонны цифр, которые вручную сводил отдельный аналитик. Он искал закономерности и готовил рекомендации: «Это блюдо не доедают — убираем. Это популярно — готовим больше». Ручной труд — медленно, субъективно, дорого и плохо масштабируется.

Цель. Собственник поставил задачу прямо: «Сделайте так, чтобы анализ делали нейросети». ИИ-помощник должен ежедневно обрабатывать отчёты точек и выдавать рекомендации: что убрать из меню, а что масштабировать.

Проблематика. На старте задача выглядела простой: берём таблицу, загружаем в модель, спрашиваем — получаем ответ. Выбрали российскую модель ГигаЧат, облегчённую версию — разницы со старшей не нашли, не стали переплачивать. Но модель не умела работать с таблицами напрямую. Данные приходилось передавать огромными текстами. Хуже того: нейросеть путала столбцы, придумывала цифры и блюда, которых нет в меню. На запрос «какие блюда пора убрать» отвечала уверенно и гладко — но полностью мимо реальных данных. Ошибка в одной цифре, помноженная на десятки точек сети, превращалась в системные убытки. Мы пытались уйти от человеческого фактора, а получили его с новой стороны — теперь уже от нейросети.

2. Описание реализации кейса и творческого пути по поиску оптимального решения

Переломный момент. Когда стало понятно, что прямой подход не работает, руководитель команды поставил диагноз: «Нейросеть — не база данных и не калькулятор. Данные должен обрабатывать код. Модель получает только готовые цифры». С этого момента задача перестала быть «давайте спросим у ИИ» и превратилась в «давайте построим архитектуру».

Главный принцип решения. Нейросеть не видит сырые данные. Вместо этого она получает набор «кнопок» — строгих серверных функций: «посчитать остатки», «найти самые списываемые позиции», «сравнить выдачу и потребление». Модель решает, на какую кнопку нажать и с какими параметрами, а весь расчёт выполняет код. Галлюцинациям негде взяться: цифры считает сервер, ИИ лишь упаковывает результат в понятный текст. По сути, мы превратили нейросеть из «думающего элемента» в интерфейс — как голосовой помощник, который понимает речь и нажимает кнопки вместо вас.

Творческий путь — четыре этапа.

Этап 1. Изоляция данных. Таблица загружается в оперативную память сервера заказчика. Все расчёты идут через строгие алгоритмы. Нейросеть не «читает» таблицу, не держит её в уме, не пытается запомнить. Никаких текстовых портянок на десятки тысяч токенов. Модель оперирует короткими запросами и получает короткие точные ответы. Данные не покидают контур заказчика.

Этап 2. Инструменты вызова. Ключевая механика — серверные функции с чётким описанием. Пользователь спрашивает: «Какие блюда убрать из меню за неделю?» Модель понимает: нужны данные по списаниям. Выбирает инструмент, вызывает его с параметрами. Сервер выполняет запрос к таблице и возвращает точные цифры. Модель получает готовый результат и облекает его в ответ: «За неделю чаще всего списывались суп харчо и рыбные котлеты. Рекомендую исключить». Цифры посчитал код, ИИ выступил только интерфейсом.

Этап 3. Двойная система инструкций. Мы создали два слоя правил. Системная инструкция объясняет глобальную роль: «Ты — аналитик данных, работаешь строго с цифрами, не додумываешь. Если данных недостаточно — скажи прямо». Инструкция-напоминание уходит с каждым запросом: «Отвечай кратко, только по данным».

Нестандартный ход: инструкции для нейросети писала другая нейросеть. Сначала разработчик делал это вручную — получалось длинно и с двусмысленностями. Когда задачу передали ИИ, результат оказался структурнее, точнее и без воды. Машина объяснила машине задачу эффективнее, чем человек. Этот приём мы теперь тиражируем в других проектах.

Этап 4. Страховка: финальное решение за человеком. Стопроцентной точности не обещает никто. Поэтому мы встроили ручную проверку прямо в интерфейс. Пользователь видит запрос, ответ модели и может точечно поправить результат: название блюда, цифру, формулировку. Машина убирает рутину и исключает ошибки на этапе обработки цифр, но ответственность остаётся на операторе.

3. Результаты сотрудничества

Сроки. Работающий прототип создан за 2–3 недели силами двух разработчиков. Заказчик получил готовый инструмент, а не слайды.

Скорость работы. Заказчик загружает отчёт, задаёт вопрос на русском языке и получает рекомендацию за минуты. Раньше на это уходили часы ручного труда.

Экономическая эффективность. Стоимость запроса к ИИ сокращена в 3–20 раз. До внедрения каждый запрос требовал 30–100 тысяч токенов — модель перегружалась и ошибалась. После перехода на новую архитектуру типовой запрос занимает 1,5–3 тысячи токенов, максимальный зафиксированный — 15 тысяч.

Надёжность. Машина не устаёт, не фантазирует и не ошибается в цифрах. Данные не покидают контур заказчика. Финальное решение остаётся за человеком.