От запросов до историй. Как онлайн-университет внедрил ИИ-экосистему для автоматизации отделов

Когда онлайн-университет «Зерокодер» начал ежемесячно выпускать по 2–3 новых курса, нагрузка на линейный персонал стала критической. Сотрудники клиентского сервиса, маркетинга и продаж тратили до 80% времени на рутинные задачи, а проверка гипотез занимала до 5 дней. Это замедляло реакцию на изменения рынка и создавало угрозу выгорания команды. Компания внедрила экосистему узкоспециализированных ИИ-агентов, каждый из которых отвечает за свою зону (маркетинг, клиентский сервис, техподдержку и аналитику) и работает с профильным контекстом.

Об опыте перехода от реактивных ботов к проактивной агентной архитектуре, а также о результатах и уроках проекта рассказывает сооснователь онлайн-университета «Зерокодер» Кирилл Пшинник.

Проблема

Нагрузка на сотрудников онлайн-университета увеличивается:

команда запускает по 2–3 новых продуктов ежемесячно, клиентская база растёт. Бэклог из повторяющихся задач привёл к следующим негативным эффектам:

• снизилась операционная эффективность. Сотрудники отделов клиентского сервиса, маркетинга и продаж тратили до 80% рабочего времени на решение типовых запросов, обработку статистических данных и ручную валидацию гипотез;
• выросли кадровые риски. Возникла угроза выгорания команды на фоне высокой рутинной нагрузки;
• замедлились циклы принятия решений. Проверка маркетинговых гипотез занимала от 3 до 5 рабочих дней, что критично снижало скорость реакции на изменения рынка.

Решение

Расширять штат было экономически нецелесообразно, решили прибегнуть к современным технологиям. Изначально компания протестировала модель универсального чат-бота для всех задач. Она показала свою неэффективность: при расширении контекста (продуктовой линейки, расписания, политики, нюансов курсов) точность ответов снижалась. Бот использовал устаревшие данные, поэтому путал курсы и давал формально верные, но бесполезные ответы.

Поэтому вместо одного универсального бота решили внедрить экосистему из узкоспециализированных ИИ-агентов.

Вместо универсального чат-бота появились отдельные агенты, каждый из которых отвечает за свой процесс и работает со своим контекстом. Архитектура построена на принципе «один агент — одна зона ответственности»: маркетинг, продажи, клиентский сервис, аналитика. Каждый агент оперирует глубоким контекстом и имеет доступ к профильным данным.

Какие технологии использовались

• Среда разработки Cursor (использовали ИИ-ассистента для автогенерации шаблонов кода и ускорения рефакторинга).
• Ядро агентной логики — Claude Code (обеспечивал работу с длинным контекстом и написание модулей).
• Стратегический анализ — GigaChat Бизнес (применялся для формализации бизнес-требований и сценариев).

Проект реализован силами внутренней команды без привлечения внешних подрядчиков.

Сложности

В ходе проекта возникли следующие операционные риски:

• Дефицит выделенных ресурсов. Часть команды занималась поддержкой текущих операционных проектов, поэтому сроки реализации сместились.
• Размытость исходных требований. Трансформация креативных бизнес-идей в чёткие технические задания с бизнес-метриками потребовала дополнительных итераций.
• Безопасность и точность. Наиболее трудоёмким этапом оказалось обеспечение бесшовности и защиты данных в ИИ-решениях в процессе эксплуатации.

Этапы работы

• Весна — середина лета 2025 года. Тестовый период: создание пилотных ИИ-агентов для клиентского отдела и технической службы поддержки.
• Конец лета — середина осени 2025 года. Внедрение ИИ-агентов в маркетинг и отдел продаж.
• Середина осени 2025 года — 2026 год (настоящее время). Синхронизация ИИ-процессов агентами через создание глобальной мультиагентной ИИ-инфраструктуры.

Параллельно шло постепенное внедрение агентов во все отделы компании и внутреннее обучение сотрудников — от рядовых до топ-руководителей — для расширения матрицы компетенций.

Результаты

• 60% экономия времени каждого отдела за счёт автоматизации рутины и быстрой проверки гипотез.
• Экономия времени сотрудников до 4–5 часов в день на рутинных задачах, в масштабе недели — до 25 часов.
• ~1 млн рублей экономии в месяц на найме сотрудников и фонде оплаты труда (ФОТ).
• Высокий индекс лояльности к агентным системам — от 80 до 95%.

Следующие шаги

• Расширение функционала чат-бота для обработки более сложных запросов (например, юридических консультаций) и генерации видеоконтента.
• Интеграция с системой CRM (customer relationship management — управление взаимоотношениями с клиентами) для автоматического учёта обращений, доноров.
• Создание лаборатории прототипирования проектов, в которой каждый сотрудник, прошедший курс по генеративному программированию, может создать собственного ИИ-помощника.
• Выстраивание глобальной системы мультиагентной ИИ-инфраструктуры университета.

• Чтобы быть в курсе важных трендов и мнений ведущих экспертов, следите за нами в канале в Max. О развитии навыков управления, личностном росте пишем в «Дзене». Про технологии и развитие в IT — в блоге на VC.