Тендеры и лиды
Информация
95% пилотных проектов с ИИ-аналитикой таблиц проваливаются на одном и том же этапе. Сценарий стандартный: загрузили Excel в нейросеть, получили связный и убедительный ответ, а при сверке обнаружили придуманные цифры. Вывод «ИИ пока не готов» блокирует развитие проектов. Но проблема не в модели, а в способе её использования.
Почему LLM не умеет считать
Языковая модель не производит арифметических операций над ячейками. Она предсказывает токены, наиболее вероятные в данном контексте. При работе с большими таблицами внимание модели распределяется неравномерно: начало и конец документа обрабатываются, середина деградирует. Модель не может ответить «данные утеряны», она заполняет пробелы правдоподобной фикцией. Заявляемое контекстное окно в 200 тыс. токенов на практике даёт сбои уже на первой трети объёма. И главное: ответ всегда выглядит уверенно.
Почему промпт-инжиниринг — это плацебо
Распространённая реакция: усложнить инструкции. «Перепроверяй вычисления», «Опирайся строго на данные». Это даёт минимальное снижение частоты ошибок, но не меняет их природу. Модель всё ещё пытается «считать», а значит, галлюцинации сохраняются. Более того, красиво сформулированный ложный ответ опаснее откровенного бреда: бизнес начинает принимать решения на его основе. Проблема архитектурная, и решаться должна на уровне архитектуры.
Рабочая архитектура: разделение вычислений и коммуникации
Принцип: цифры считает строгий серверный код, нейросеть получает только готовые результаты и превращает их в текст. Роль ИИ меняется: из «аналитика» он становится интерфейсом.
Инструкция по внедрению (фреймворк из 4 шагов):
Изолируйте данные. Таблица загружается в память сервера и остаётся внутри контура. Нейросеть не видит сырые строки.
Создайте детерминированные функции. Для каждой аналитической задачи (расчёт остатков, сумма, среднее) пишется жёсткий алгоритм с фиксированными параметрами.
Опишите инструменты для модели. Нейросеть получает список доступных функций и их параметры — не данные.
Настройте пайплайн «запрос → вызов → ответ». Пользователь задаёт вопрос → модель выбирает нужный инструмент → сервер выполняет расчёт → модель формулирует ответ на естественном языке.
Галлюцинации в цифрах исключены: модель не выполняет расчёты, следовательно, не ошибается в них.
Кейс АЙТИФОКС: Рестофотоаналитика
Заказчик — сеть корпоративного питания в отелях. Задача: заменить ручного аналитика, тратившего часы на сведение отчётов по списаниям и остаткам.
Первая итерация (прямая загрузка таблицы в LLM): модель придумывала блюда, путала столбцы, давала ложные цифры. Масштабирование такой ошибки привело бы к убыткам.
Наша система сама подберет вам исполнителей на услуги, связанные с разработкой сайта или приложения, поисковой оптимизацией, контекстной рекламой, маркетингом, SMM и PR.
Заполнить заявку
13691 тендер
проведено за восемь лет работы нашего сайта.
Вторая итерация (описанная архитектура):
Ошибки в цифрах — 0%.
Стоимость одного запроса снижена с 30–100 тыс. токенов до 1,5–3 тыс. (экономия в 3–20 раз).
Прототип создан за 3 недели командой из 2 разработчиков.
Время подготовки отчётов сокращено на 95%.
Дополнительный вывод: для задач табличной аналитики старшая версия модели не даёт преимуществ перед облегчённой. Проведён A/B-тест — выбрана оптимальная по стоимости.
Универсальность подхода
Та же архитектура применима в ритейле (ежедневные отчёты о продажах), логистике (данные маршрутов), финансах (банковские выписки), производстве (учёт сырья). Везде, где критична точность цифр, работает правило: изолируйте данные от модели, считайте на сервере, используйте нейросеть как интерфейс.
Основные правила для руководителя:
Никакой схемы «загрузил и спросил».
Вычисления и нарратив — разделены.
Версия модели выбирается под задачу, а не по маркетинговым материалам.
Человек — финальное звено контроля, а не слабое место.
Если ваши нейросети всё ещё галлюцинируют в отчётах — запросите разбор архитектуры. Мы покажем, как это исправить. → https://itfox-web.ru/ru/cases#consultation
