Комплексная автоматизация рекламного агентства

Клиент — рекламное агентство, специализирующееся на инфлюенс-маркетинге и спецпроектах. Значительная часть процессов велась вручную и в разных сервисах: поиск и аутрич блогеров, сбор статистики, подготовка отчётов и другие операционные задачи. Задача: объединить процессы в единую систему и поэтапно автоматизировать рутину, сформировать векторную базу знаний, внедрить CRM и поэтапно подключить AI-агентов, которые смогут работать на основе накопленных данных и запускать нужные сценарии внутри системы.

В рамках проекта:

• Разработали Telegram-бота с Mini App и ролевой моделью доступа.

• Собрали AI-агентов на LangChain и связали их с внутренними сервисами.

• Сформировали RAG-базу знаний на Qdrant.

• Подключили Google Drive API для обработки и индексации документов.

• Использовали Redis для кеширования и хранения состояния сценариев.

• Подключили LiteLLM для маршрутизации запросов и оптимизации расходов на модели.

• Настроили автоматизации и интеграции через self-hosted n8n.

• Подключили Supabase для хранения операционных данных.

• Интегрировали TGStat, Apify и собственные парсеры для сбора статистики и данных.

• Настроили автоматическую генерацию документов, отчётов и внутренних материалов.

• Объединили CRM, Telegram, базу знаний и AI-агентов в единый контур.

• Развернули self-hosted CRM Twenty и адаптировали её под процессы агентства.

Предварительные результаты проекта:

• автоматизация охватила 18 операционных процессов и работу четырёх отделов;

• более 8 сервисов и источников данных объединены в единый контур;

• количество ручных действий в регулярных процессах сократилось примерно на 55%;

• совокупная загрузка вовлечённых сотрудников снизилась ориентировочно на 120 часов в месяц;

• подготовка клиентского отчёта сократилась в среднем с 3–4 часов до 30–45 минут;

• проверка одного контрагента вместо 15–20 минут занимает около 3–5 минут;

• количество ошибок при переносе и сверке данных снизилось примерно на 60%;

• до 65% регулярных операций теперь выполняются автоматически или требуют только подтверждения сотрудника;

• AI-сценарии расходуют ориентировочно 8–10 млн токенов в месяц;

• расходы на LLM составляют около 20–25 тыс. ₽ в месяц;

• маршрутизация запросов через LiteLLM и кеширование в Redis позволили сократить расходы на модели примерно на 30–35%;

• подключение нового сценария теперь занимает в среднем 3–5 дней вместо нескольких недель.

По предварительной оценке команды, система высвободила около 0,7 ставки сотрудника за счёт автоматизации отчётности, сверок, проверок и переноса данных. Цифры будут уточняться по мере накопления статистики в CRM, LiteLLM и n8n.