О себе Портфолио Кейсы Услуги Блог Контакт 🎙 Поговорить с AI
EN DE RU
🎙 Поговорить с AI
November 19, 2026 · 4 min read

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

Denis Shokhirev
Denis Shokhirev
Agentic AI Systems Architect
Telegram LinkedIn

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.

СигналЧто видит модельЧто делает владелец бизнеса
КатегорияЧем вы реально занимаетесьПишет “аварийный сантехник”, “монтаж тепловых насосов”, а не “полный спектр услуг”
ГеографияГде вы работаетеУказывает города, районы, радиус выезда
ДовериеПочему вас можно рекомендоватьДобавляет отзывы с деталями, фото работ, сроки реакции
ДоступностьМожно ли связаться сейчасПоказывает 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_confirmation

Такой 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
done

FAQ

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.

Для вашего бизнеса

Такие агенты я делаю для бизнеса в Германии и ЕС.

Опишите в двух предложениях, что отнимает у команды время, — отвечу в течение суток.

Разработка ИИ-агентов (страница на немецком) →
Читать дальше
Как не утонуть в хаосе MCP: 50+ remote MCP servers уже есть, но без отбора агент в проде становится дырой в безопасности
AI-агент ломается на мобильном UI: как подключить iOS и Android к MCP и гонять реальные сценарии вместо скриншотных демо
Один украденный ключ — и 5000 разработчиков под риском: что инцидент с Cursor и trojanized Claude Code extension меняет в безопасности AI IDE
Практика врача в понедельник утром: что берёт на себя ИИ-ассистент на телефоне, а что нет
Все статьи →
Где это применяется
Услуги — что мы делаем
Поговорить с голосовым агентом
Кейсы
Готовы к следующему шагу?

Превратить процесс в систему, которая работает

Продакшн-качество, а не демо.

Обсудить проект → ← Все статьи