Кейсы использования ИИ в девелопменте

Обычная медийная реклама перестала работать. Баннеры сливались с инфошумом, конверсия падала. Нужно было срочно «выстрелить» креативом.

Создали креативы, обыграв громкий инфоповод — конфликт Илона Маска с Трампом. Использовали нейросети не только для генерации визуала, но и для глубокой сегментации аудитории. Собрали 4 кластера целевой аудитории:

1. Семьи — интересуются инфраструктурой, школами, садами.
2. Локальные переезжающие — хотят из комфорт-класса перейти в бизнес-класс в том же районе.
3. Инвесторы — смотрят на доходность.
4. Аудитория «зеленое пространство» — ищут экологию.

Под каждый сегмент нейросеть сгенерировала уникальный баннер с уникальным посылом.

CTR увеличился на 447%, конверсия выросла в 4 раза, количество лидов удвоилось.

Ключевой фактор успеха: интеграция креатива и аналитики, быстрый цикл тестов, отказ от универсальных баннеро в в пользу персонализированных.

Менеджеры выполняли функцию консультантов, избегая предложения бронирования на этапе первичного контакта, чтобы минимизировать количество отказов и не услышать «нет». Уровень конверсии даже у лучшего сотрудника не превышал 8%. Смена руководства не приводила к изменению устоявшихся моделей поведения менеджеров.

Реализованные меры

1. Внедрение аналитического чек-листа на базе ИИ-решения «Имотио». Система автоматически обрабатывает записи встреч менеджеров отдела продаж и ежедневно формирует для руководителей и сотрудников отчёты с оценкой каждой встречи и маркировкой критических нарушений (например, отсутствие предложения о бронировании объекта).
2. Автоматизация контроля качества в контакт-центре. На базе телефонии UIS развёрнута система речевой аналитики, обеспечивающая 100%-ную запись, последующий анализ и оценку всех входящих и исходящих звонков.
3. Руководители проводят коуч-сессии только по неуспешным с точки зрения ИИ звонкам и встречам. Не нужно прослушивать 100% звонков или записей встреч.

В отделе продаж уровень соблюдения технологии продаж (compliance с утверждённым чек-листом) повысился с 33% до 75%, что обеспечило рост конверсии «встреча — сделка» с 8% до 25%.

В контакт-центре стопроцентное соблюдение скриптов и стандартов обслуживания позволяет удерживать конверсию «звонок — встреча» на стабильно высоком уровне 35–40%.

Успех определили три фактора: валидированный чек-лист, тотальная прозрачность оценки и системная работа над улучшениями.

Потребовалось запустить магазин мерча для жителей и сотрудников.

У команды не было качественных исходных материалов — только домашние фотографии с плохим светом. Кроме продуктовых карточек на белом фоне хотелось сделать и фото на моделях и в живом контексте.

Классический путь: фотостудия, фотограф, помощник, стилист, сценарист, постпродакшн и т.д. Минимальная смета от студий продакшна составляла 5–7 млн рублей. Сроки — месяц.

Полный отказ от классического продакшна. Команда использовала 20+ нейросетей для полного цикла производства контента:

1. Создание принтов. ChatGPT придумал лайн и помог сформулировать промпт для Recraft с векторной иллюстрацией. 2 из 50 товаров были созданы через ИИ.
2. Продуктовые фотографии. Находили в интернет-магазинах товары, максимально похожие на реальные, создавали на их основе референс для ИИ, меняли принты и детали. Артефакты подчищали в Figma и Photoshop, выбеляли фон, добавляли тени.
3. Фото «на модели». Формировали креативную концепцию, собирали референсы, создавали изображения с бланковыми товарами, а затем заменяли бланк на реальный продукт.
4. Создание роликов. Проходили тот же путь: креативная концепция, сториборд, мудборд, референсы, анимация в ИИ, монтаж.
5. Дополнительные материалы. Фотозону, отсылающую к мему и одному из принтов, также создали с помощью нейросетей.

Огромный объём готового контента: 200 фотографий, 3 ролика, трёхзначное число заказов, восторг от жителей и сотрудников. А главное — на 5–7 миллионов рублей дешевле, чем те сметы, которые нам готовили студии продакшена. 20 минут на фото, 15–25 часов на генерацию и 5 часов на ролик. И все это может делать 1 человек, а не команда из 10. Никаких технических заданий, пула подрядчиков, поисков студий, локаций и прочего.

«Наш кейс "Born‑in‑AI: как мы создавали магазин мерча" занял бронзу в номинации "Использование ИИ в цифровом дизайне". Среди участников были проекты «Москва 2030», МИФ, агентство Chulakov (№ 1 в дизайн‑рейтингах) и бутиковое Marketing Emotions с "Симулятором проекта"»

Ключевой фактор успеха: смелость отказаться от традиционных подрядчиков и высокий уровень компетенции команды в работе с ИИ-инструментами.

С 2026 года замечания при приёмке квартир вносятся клиентами самостоятельно. Это даёт клиенту право фиксировать любые замечания.

Даже при наличии надёжного заданного заранее классификатора клиенты формулировали их не в том виде, чтобы можно было сразу передавать в работу по устранению. На конец месяца накопилось порядка 10 000 таких замечаний, и их количество увеличивалось каждый день.

Единственным решением стало обучить ИИ-модель классифицировать каждое замечание.

Значительное ускорение обработки и классификации замечаний. В классическом варианте на такой объём понадобилось бы 5 человек и 2 месяца работы.

Менеджер по продажам общается с клиентом. Клиент озвучивает запрос («однушка 35–40 м², этаж 5–10»). Раньше менеджер тратил 15–20 минут на поиск планировок на сайте, создание скриншотов и отправку. Клиент остывал, конверсия падала.

Самописный бот на базе GPT, интегрированный с базой планировок. Менеджер надиктовывает или печатает запрос, бот за секунды формирует PDF-презентацию с подходящими лотами в фирменном стиле и отправляет клиенту в мессенджер.

Сокращение времени подготовки коммерческого предложения с 15–20 минут до 30 секунд.

Ключевой фактор успеха: решение конкретной внутренней боли, низкое сопротивление (инструмент помогает, а не контролирует).

Компания активно ищет инструменты для повышения точности ценообразования и оценки инвестиционной привлекательности новых площадок. В рамках этой стратегии они рассматривали возможность использования ML-моделей для автоматизации расчётов.

Крупный вендор предлагает геоаналитическую ML-модель для оценки стоимости новых площадок. Обещает: «загрузите 500 параметров, модель сама скажет, сколько стоит земля и какие квартиры строить». Модель позиционируется как «искусственный интеллект» для предиктивной аналитики. Модель — «чёрный ящик», логика необъяснима. Отсутствует прозрачность и возможность кастомизации под конкретную бизнес-логику.

Отказ от внедрения. ML-модели без прозрачной логики неприменимы в премиум-сегменте или применимы с осторожностью, где каждый лот уникален, а цена ошибки крайне высока.

«Мы в Донстрой считаем, что внедрение ИИ — это важный и нужный инструмент для любого девелопера, так как ИИ становится весомой частью бизнес процессов и повседневной жизни человека в целом, но внедрение должно быть обдуманным и взвешенным, а не шаблонным».

Специалисты тратили часы и дни на сбор контент-планов, поиск и нфоповодов, написание постов для соцсетей и рассылок. Результат часто не попадал в реальные боли клиентов, был оторван от реальности.

Развернули собственную систему на базе Cursor. Построили «контент-завод»:

1. Транскрибация всех входящих звонков.
2. ИИ-анализ актуальных возражений, страхов, желаний клиентов («боли»).
3. Автоматическая генерация контент-плана на неделю с учетом тональности и выявленных болей.
4. Анализ региональных различий в болях (Москва, Питер, регионы).

На генерацию тратятся минуты, вместо 6 часов специалистов. Контент перестал быть «фантазией», стал точным попаданием в запросы аудитории.

Ключевой фактор успеха: глубокая кастомизация, использование собственных данных (звонков) для обучения модели.

Конкуренция в сегменте высокая. Все застройщики рассказывают одно и то же. Целевая аудитория проекта «Свет» — молодая, прогрессивная (зумеры), которая устала от «серьёзных» премиальных креативов. Нужно было выделиться, создать дерзкий и запоминающийся образ.

Полный отказ от классических фотосессий. Использование нейросетей для:

• анализа конкурентов и поиска незанятых интонаций;
• генерации идей и позиционирования (в том числе для сложных новых территорий);
• генерации креативов, в том числе для наружной рекламы (заборы, билборды) — ИИ-персонажи, ожившие, яркие, динамичные.

Бренд стал узнаваемым, дерзким, непохожим на конкурентов.

Ключевой фактор успеха: смелый эксперимент, попадание в ЦА, интеграция ИИ во все аспекты коммуникации проекта.

Коллеги из Санкт-Петербурга успешно запустили сервис речевой аналитики для оценки качества обработки трафика менеджерами на проектах комфорт-класса. Инструмент был признан удачным решением, так как позволял в короткие сроки проанализировать звонки и определить точки роста. Было принято решение масштабировать сервис на московские проекты бизнес-класса с ожиданием аналогичных результатов.

• Установочная встреча с командой сервиса и презентация технологии оценки.
• Подготовка стандартных скриптов и ситуаций для обучения ИИ, их систематизация совместно с РОПом.
• Техническая настройка интеграции с CRM, запуск системы, доработка и донастройка после тестового запуска.

Некорректная оценка качества общения, неспособность ИИ соответствовать гибкости менеджеров и давать обратную связь по нетипичным сценариям, которых в бизнес-классе подавляющее большинство.

«Мы столкнулись с тем, что продукт обучается на основе скриптов. В нашем же сегменте от клиентов поступают нестандартные вопросы и задаются сценарии, которые невозможно предугадать. Задача менеджера — сформировать эмоцию и ценность, что невозможно регламентировать, это персонализированный подход. Поэтому в работе с сервисом пришлось, по сути, конструировать искусственные сценарии и формализованные скрипты».

Сегментная несовместимость. В бизнес-классе каждый диалог с клиентом уникален и требует адаптивного поведения менеджера. Жёсткие скрипты здесь не помогают, а напротив — разрушают коммуникацию.

Рост трудозатрат. Вместо того чтобы экономить время команды, внедрение потребовало многократных ручных усилий на «обучение» системы тому, чему обучить её невозможно.

Это прямое подтверждение эффекта сегментной поляризации: инструменты, которые безупречно работают в масс-сегменте и комфорт-классе, могут терять эффективность в бизнес и премиум-сегментах. Универсальных решений не существует — подход к клиенту определяет применимость технологии.

Компания тестировала два инструмента речевой аналитики — встроенный модуль ИИ в системе Calltouch и специализированный сервис Phonix. Целью было автоматизировать контроль качества звонков и выявить типичные ошибки менеджеров в общении с клиентами: пропущенные этапы скрипта, слабую презентацию проекта, некорректную работу с возражениями. Дополнительно компания хотела отделить звонки реальных покупателей от звонков брокеров, чтобы анализировать именно клиентские диалоги.

Тестирование началось со встроенного модуля речевой аналитики в Calltouch. Система автоматически формировала краткую сводку по каждому звонку на основе заранее заданного шаблона. Это позволяло быстро просматривать разговоры без прослушивания полной записи. Однако возможности настройки оказались ограниченными. Например, команда не смогла настроить фильтр, который бы исключал из анализа звонки брокеров и партнёров.

«Мы хотели поставить фильтр, чтобы ИИ не анализировал звонки от брокеров. Но система не смогла корректно распознать агентский диалог, даже когда мы задавали критерии. В итоге это оказалось слишком ограниченное решение».

Из-за этого в отчёты п опадало большое количество нерелевантных разговоров, что снижало ценность аналитики. В результате компания отказалась от использования инструмента.

Затем компания протестировала специализированную платформу речевой аналитики Phonix. В отличие от предыдущего инструмента, сервис позволял: строить кастомные отчёты по звонкам, задавать сложные условия анализа, отслеживать конкретные фразы и смысловые паттерны в разговоре. Это позволило провести более глубокий аудит работы отдела продаж. В ходе анализа выявилась системная проблема: менеджеры слабо презентовали маркетинговую концепцию проекта — не объясняли ключевые преимущества и позиционирование жилого комплекса. После выявления проблемы компания провела дополнительное обучение менеджеров, скорректировала скрипты общения с клиентами и усилила блок презентации проекта.

Речевая аналитика помогла быстро выявить слабые места в работе отдела продаж и скорректировать коммуникацию с клиентами. При этом компания пришла к выводу, что такие инструменты не всегда нужны на постоянной основе — чаще они используются как инструмент периодического аудита колл-центра.

«Оба инструмента имеет смысл подключать на ограниченный период, чтобы провести чекап колл-центра, если нет постоянных целей по мониторингу каких‑либо параметров. Phonix — это более кастомизированный инструмент речевой аналитики: можно строить отчёты вокруг любой затрагиваемой темы в диалоге и задавать любые условия».

Компания осознала необходимость системного внедрения ИИ. Руководство понимало, что хаотичные эксперименты не дадут нужного эффекта, а просто покупка курсов недостаточна. Требовалось вовлечь всю команду и создать культуру использования ИИ.

• Базовая подготовка. Год назад команда маркетинга прошла интенсив по ИИ. Для новых сотрудников ввели базовый курс по ИИ как обязательную часть онбординга.
• «Фестиваль искусственного интеллекта». Инициатива собственника: для всей компании организовали масштабное мероприятие с приглашёнными спикерами. Общая двухчасовая сессия для всех, затем точечные встречи — каждому лидеру направления выдали список экспертов для узкоспециализированного обучения.
• Инвестиции в изменение процессов. В компании понимают, что интеграция ИИ — это не только покупка подписок, но и перестройка процессов.

Автоматизация рутины позволила сэкономить 30–40% времени сотрудников.

Ключевой фактор успеха: системный подход, поддержка собственника, сочетание внешнего обучения с внутренними инициативами и готовность к временным трудностям.

При выдаче ключей новосёлам требовалось информировать и напоминать жителям о необходимости прийти на приёмку. Ручные обзвоны силами колл-центра отнимали огромное количество времени (до 250 звонков в день на сотрудника).

Настроили систему автодозвона (робот-менеджер), которая срабатывала по триггеру готовности ключей. Робот обзванивал жителей, напоминал о необходимости прийти. В сложных случаях (клиент не услышал, не понял, просил переключить) звонок переводился на оператора.

• Сокращение нагрузки на колл-центр более чем в 20 раз.
• Освобождение ресурсов для более сложных и требующих человеческого участия задач.

Ключевой фактор успеха: автоматизация массовой рутинной задачи с чёткой логикой, где робот эффективнее человека.