Проблема, которую нужно было решить
Мы регулярно готовим десятки клиентских отчётов. Разные клиенты, разные источники данных, разные форматы, которые они ожидают увидеть. Годами один из сотрудников тратил от 60 до 90 минут в неделю на каждого клиента: собирал цифры из нескольких систем, компоновал их в шаблон, писал аналитические комментарии и отправлял письмо. Умножьте это на 14 клиентов, и получится почти 17 часов ручного труда в неделю только на производство отчётов. Это практически половина рабочей недели фултайм-специалиста, занятого полностью шаблонной работой.
Я пробовал закрыть задачу готовыми инструментами визуализации и автоматической рассылки сводок. Но все они упирались в одну критическую деталь: наиболее ценная часть нашего отчёта — это раздел «что это значит и что делать дальше», экспертный комментарий, написанный человеческим языком для владельца бизнеса, который не обязан разбираться в дебрях аналитики. Ни один коробочный продукт не генерировал такого комментария, а без него отчёт превращался в бессмысленную таблицу. Поэтому задача была сформулирована чётко: создать систему, которая сама собирает данные, форматирует их и пишет осмысленный, полезный комментарий в нашем стиле — без пластмассового AI-шаблона.
Как я подошел к задаче
Я начал вечером пятницы не с кода, а с подробного технического брифа. Не с размытой идеи, а с документа, где были зафиксированы: источники данных (Google Analytics, Google Sheets с ручным вводом некоторых метрик), структура итогового отчёта, темы и тональность комментариев (деловой, без технического жаргона, ориентированный на действия), а также формат выдачи — PDF и email. У меня за плечами несколько внедрённых систем, поэтому я уже знал правило:
Чем детальнее бриф — тем качественнее результат. Неважно, пишет код живой разработчик или нейросеть.
Я передал этот бриф Claude и попросил сначала предложить архитектуру, не приступая к коду. Этот шаг занял 45 минут и сэкономил мне часы. Claude предложил здравую структуру: Python-скрипт, который читает данные из Google Analytics и Google Sheets, передаёт структурированную информацию в Claude API для генерации комментариев, а затем собирает всё в HTML-шаблон готового отчёта. Никакой избыточной сложности, ровно то, что я описал бы сам, если бы обладал чуть большим техническим бэкграундом. Простота архитектуры была принципиальной — ведь инструмент должен стабильно работать без постоянных правок.
Что построил Claude и что сломалось
К субботнему вечеру у меня был работающий прототип. Данные подтягивались корректно, комментарии генерировались, HTML-отчёт формировался. Но три вещи пошли не по плану.
1. Аутентификация Google Analytics. В локальной среде она работала, но в деплое валилась с ошибкой. Я не разбирался в деталях — просто скопировал текст ошибки и показал Claude. Он исправил конфигурацию, и проблема исчезла.
2. Тон комментариев. Первая версия комментариев была слишком длинной и технической. Она читалась как внутренняя записка аналитика для аналитика, а не как совет владельцу бизнеса. Я дал Claude три примера комментариев, написанных нами вручную в нужной тональности, и после этого качество генерации стало действительно высоким — экспертно, по делу и без лишней воды.
3. Дизайн HTML-отчёта. Функционально всё работало, но выглядело откровенно бедно. Я посвятил утро воскресенья описанию желаемого внешнего вида: палитра, расположение блоков с данными, шрифты, отступы. Claude сгенерировал CSS. Понадобилось лишь несколько мелких правок — и визуал стал устраивать.
Запуск в эксплуатацию
Инструмент работает как отложенная задача на том же VPS, который мы используем для внедрения ИИ-агентов и n8n воркфлоу. Каждое воскресенье в 23:00 скрипт автоматически собирает свежие данные, генерирует отчёты и складывает их в Google Drive — по одной папке на каждого клиента. В понедельник утром команда открывает готовые черновики и выполняет финальную проверку перед отправкой. Там, где раньше уходило 75 минут на отчёт, сейчас тратится около 5 минут — беглый просмотр, точечные правки, кнопка «отправить». Суммарно за неделю работа с отчётами сократилась с 17 часов до полутора. Четырнадцать отчётов, по паре минут на каждый, плюс редкие микро-редактирования.
Что нельзя сделать без технических знаний
Стоит быть откровенным: я не разработчик, но и не абсолютный ноль в технологиях. Я понимаю, как работают API, что такое окружение Python, могу прочитать код и примерно понять, что он делает, даже если не напишу его с нуля. Если у вас нет вообще никакой технической базы, то «выходные» превратились бы в три уикенда напряжённой борьбы. Дело в том, что Claude не может исправить ошибки, которые вы не в состоянии описать. Когда вы не знаете, что такое ошибка аутентификации, вам трудно сформулировать запрос, и простого копирования сообщения может не хватить.
Моя рекомендация: если вы нетехнический специалист и хотите повторить подобное, потратьте несколько часов на основы Python. Не чтобы стать разработчиком, а чтобы понимать природу сообщений об ошибках и уметь точно описать их нейросети. Это резко сократит время итераций. А для архитектуры, объединяющей данные из десятков источников, может пригодиться настройка сквозной аналитики и лидгена, которая избавляет от множества сюрпризов на этапе интеграции.
Честный итог
Мы сэкономили примерно $35 000 годовых затрат на оплату ручного труда, который уходил исключительно на производство отчётов. Инструмент обошёлся в один уикенд и практически в $0 на софт, потому что работает на уже существующей инфраструктуре. Если бы я нанимал разработчика для создания полноценной системы с нуля, счёт составил бы от $3 000 до $8 000 за добротную версию. Вместо этого я получил рабочее решение бесплатно, за 48 часов, которое решает ту же задачу.
Идеально ли оно? Нет. HTML-дизайн приличный, но не премиальный. Время от времени на граничных кейсах выскакивает слегка странный вывод. Я продолжу его дорабатывать. Но инструмент работает. Прямо сейчас, сегодня он выполняет свою функцию — и именно это имеет значение.
Получилось не чудо «ван-клик-бизнеса», а честная инженерная работа: точная постановка задачи, использование AI как усилителя и отказ от иллюзий. Именно так мы в маркетинговом агентстве Dragons Lab подходим к автоматизации боевых процессов — строим системы, которые приносят реальные часы и деньги, а не просто красивые графики.
Оригинал статьи на английском языке: читать на Medium.
