Ваши клиенты спрашивают ChatGPT, какого мастера выбрать. Вас называют
Я — Denis Shokhirev, Agentic AI Systems Architect из Freiburg im Breisgau, Germany; в DennisCraft AI Studio я строю production AI-системы на Claude, Supabase, n8n, Doppler и self-hosted Postgres. Если в пятницу вечером у клиента прорвало трубу или в понедельник утром сломались ворота склада, он все чаще не открывает каталог и не листает Google Maps — он спрашивает ChatGPT, кого вызвать рядом и кому можно доверять. В этот момент вопрос уже не в сайте как таковом, а в том, понимает ли модель, что
Я — Denis Shokhirev, Agentic AI Systems Architect из Freiburg im Breisgau, Germany; в DennisCraft AI Studio я строю production AI-системы на Claude, Supabase, n8n, Doppler и self-hosted Postgres. Если в пятницу вечером у клиента прорвало трубу или в понедельник утром сломались ворота склада, он все чаще не открывает каталог и не листает Google Maps — он спрашивает ChatGPT, кого вызвать рядом и кому можно доверять. В этот момент вопрос уже не в сайте как таковом, а в том, понимает ли модель, что ваш бизнес вообще существует и почему его стоит назвать.
Проблема не в трафике, а в том, как вас пересказывают машины
Владелец сервиса привык мерить маркетинг звонками, заявками и стоимостью лида. Но у вас появляется еще один слой: модель читает открытый веб, агрегаторы, отзывы, профиль компании и пытается собрать краткий ответ за пользователя. Если она не находит устойчивых сигналов, она не выбирает вас. Она выбирает того, у кого профиль чище, описание понятнее, отзывы конкретнее, а география указана без двусмысленности.
Важно понять: LLM не “ищет лучший бизнес” в человеческом смысле. Она ищет согласованный набор фактов. Название компании, категория услуг, район обслуживания, часы работы, тип задач, подтверждающие отзывы, цены или хотя бы диапазоны, страницы кейсов — все это должно совпадать между сайтом, Google Business Profile, отраслевыми каталогами и социальными профилями.
Как это выглядит на практике
Запрос клиента редко звучит как название вашей фирмы. Он пишет: “Нужен электрик в Freiburg для срочного выезда сегодня” или “кто ставит Wärmepumpe в Offenburg и нормально отвечает”. Если у вас на сайте только общая фраза “качественные услуги”, модель почти нечего не извлекает. Если же есть отдельные страницы “Notdienst”, “Wärmepumpe”, “Sanierung Altbau”, “районы обслуживания”, таблица услуг и реальные отзывы с типом работ, вас намного легче назвать.
Что именно читает ChatGPT и похожие модели
Снаружи это выглядит как магия, но внутри все прозаичнее. Модель опирается на общедоступные данные и формулировки, которые можно сверить. В 2024 OpenAI в Cookbook показывал паттерны работы с retrieval и структурированными источниками: чем чище документы и метаданные, тем стабильнее ответы модели. Источник: OpenAI Cookbook, 2024, https://cookbook.openai.com/. Это не “секрет ранжирования”, а практическая реальность: неструктурированный шум извлекается хуже, чем ясные факты.
| Сигнал | Что видит модель | Что делает владелец бизнеса |
|---|---|---|
| Категория | Чем вы реально занимаетесь | Пишет “аварийный сантехник”, “монтаж тепловых насосов”, а не “полный спектр услуг” |
| География | Где вы работаете | Указывает города, районы, радиус выезда |
| Доверие | Почему вас можно рекомендовать | Добавляет отзывы с деталями, фото работ, сроки реакции |
| Доступность | Можно ли связаться сейчас | Показывает часы работы, emergency line, форму заявки |
Есть и неудобная часть. Если у вас нет ясных публичных данных, модель может назвать конкурента, у которого маркетинг проще и дисциплинированнее. Не лучше по качеству работ — лучше по представлению фактов.
Минимум, который стоит сделать за 14 дней
Если вы владелец компании на 20–200 сотрудников, вам не нужен “AI-проект” ради этой задачи. Вам нужен пакет базовой цифровой гигиены. Реально достижимый срок для первого прохода — 14 дней, если у вас есть доступ к сайту, профилю компании и отзывам.
1. Привести услуги к человеческому языку
Не “индивидуальные решения под ключ”, а “ремонт котлов Viessmann”, “срочный выезд электрика”, “обслуживание ворот для складов”. Клиент задает модели задачу, а не читает ваш брендбук.
2. Разнести услуги и регионы по отдельным страницам
Одна страница “Все обо всем” проигрывает странице “Notdienst Rohrbruch Freiburg”. Это полезно и для SEO, и для LLM-ответов, потому что намерение пользователя и содержание страницы совпадают.
3. Убрать противоречия
Телефон, часы работы, территория, типы услуг должны совпадать везде. Разнобой — одна из главных причин, почему модель не уверена в ответе.
4. Добавить структурированные данные
Да, это техническая работа, но выгода сугубо бизнесовая: модели и поисковые системы легче понять факты о компании.
<script type="application/ld+json">
{
"@context": "https://schema.org",
"@type": "LocalBusiness",
"name": "Beispiel Heiztechnik GmbH",
"telephone": "+49-761-123456",
"areaServed": ["Freiburg im Breisgau", "Emmendingen"],
"openingHours": "Mo-Fr 08:00-18:00",
"address": {
"@type": "PostalAddress",
"addressLocality": "Freiburg im Breisgau",
"addressCountry": "DE"
}
}
</script>Где AI помогает, а где лучше стандартный продукт
Не каждую задачу надо решать через агентную систему. Если вам просто нужно, чтобы на звонки отвечали по расписанию, часто достаточно обычной телефонии или call-routing от существующего провайдера. Если задача — запись пациентов, подтверждение встреч или FAQ по прайсу, иногда стандартный чат-виджет или booking-система выгоднее и безопаснее кастомной AI-сборки.
AI имеет смысл там, где у вас теряются заявки между каналами, менеджеры вручную собирают данные из писем и PDF, или нужно классифицировать обращения и доводить их до следующего шага без задержки. То есть не “поставить AI”, а сократить потерю выручки и время реакции.
Простой производственный контур
workflow:
- incoming_form
- classify_request
- check_service_area
- store_in_postgres
- notify_dispatcher
- ask_human_if_uncertain
- send_confirmationТакой процесс не заменяет мастера. Он просто не дает заявке пропасть в субботу ночью или лежать в почте до понедельника.
Риск, о котором редко говорят честно
Если ваш бизнес зависит от рекомендаций “кого выбрать”, вы теперь частично зависите от того, как машина суммирует вашу репутацию. Это уже вопрос не только маркетинга, но и контроля качества данных. Для DACH-рынка сюда добавляется DSGVO: если вы подключаете AI к обращениям клиентов, надо заранее понимать, какие персональные данные обрабатываются, где они хранятся и кто отвечает при ошибке.
Поэтому первый аудит должен быть скучным: какие страницы есть, где противоречия, что видно без логина, как оформлены отзывы, кто отвечает на формы, сколько заявок в месяц теряется. Если у вас 30–50 входящих обращений в месяц и почти все приходят по знакомству, крупный AI-проект может не окупиться. Тогда лучше исправить сайт, карточку компании и операционный процесс.
#!/usr/bin/env bash
set -euo pipefail
urls=(
"https://example.de/"
"https://example.de/notdienst"
"https://example.de/kontakt"
)
for url in "${urls[@]}"; do
echo "Checking $url"
curl -s "$url" | grep -E "Freiburg|Telefon|Öffnungszeiten" || true
doneFAQ
Сколько это стоит?
Базовая работа по структуре сайта, профилю компании и контенту обычно дешевле, чем кастомная AI-разработка. Если брать публичный рынок, обычные SEO/local SEO пакеты в Германии в 2026 часто начинаются примерно от нескольких сотен евро в месяц, а кастомная автоматизация процессов — заметно дороже. Сначала имеет смысл исправить основу, а не покупать сложный слой сверху.
Сколько времени нужно?
Первичный аудит и исправление ключевых публичных сигналов реально сделать за 14 дней. Если у вас несколько филиалов, старый сайт и хаос в каталогах, закладывайте 4–6 недель на нормализацию.
Что будет, если система ошибется?
Если речь о внутренней маршрутизации заявок, система должна эскалировать сомнительные случаи человеку. Если речь о публичных рекомендациях ChatGPT, вы не контролируете финальный ответ модели напрямую, поэтому работаете только с качеством и согласованностью исходных данных.
Уходят ли данные клиентов наружу?
Это зависит от архитектуры. Для многих сценариев можно хранить обращения в Postgres или Supabase и минимизировать передачу персональных данных; но если вы отправляете текст обращения во внешний AI-сервис, это уже вопрос договоров обработки данных и DSGVO.
Кто отвечает за последствия?
Юридическая ответственность не исчезает из-за AI. Владелец процесса отвечает за то, как устроен прием обращений, кто видит данные и как проверяются спорные случаи. Именно поэтому я всегда советую заранее описать границы автоматизации.
Если сегодня 10 ваших потенциальных клиентов спросят ChatGPT, кого вызвать в вашем городе, назовет ли он вас, и если нет — на каком именно публичном сигнале вы проигрываете: услуги, география, отзывы или доступность? Я правда хотел бы это знать.
Я провожу бесплатный 30-минутный stack audit для DACH founders, которые строят AI в regulated markets. Напишите мне в LinkedIn или в @ger_dennis_ai.
Такие агенты я делаю для бизнеса в Германии и ЕС.
Опишите в двух предложениях, что отнимает у команды время, — отвечу в течение суток.
Превратить процесс в систему, которая работает
Продакшн-качество, а не демо.