Проекты
15 практических проектов — от работающих систем на n8n с локальными языковыми моделями до анализа процессов, управления данными и соответствия праву ЕС. Анонимизированные кейсы уровня реальных сценариев среднего бизнеса Германии и ЕС.
Брони, вопросы о меню и аллергиях — автоматически, локально и по DSGVO
Отрасль: ресторан, Берлин
n8nМультиагентная системаЛокальные LLMГолосDSGVO
- Задача
- Администраторы тратят часы в день на брони, вопросы о меню и аллергенах, подтверждения. Сведения об аллергиях — данные о здоровье, особая категория персональных данных по ст. 9(1) DSGVO.
- Решение
- 7 воркфлоу n8n: диалог текстом и голосом, правила брони в коде, напоминание за 2 часа, ночная оценка качества, мониторинг.
- Собственный роутер, дообученный локально (Qwen3-4B + LoRA). Агенты работают на локальной модели, персональные данные маскируются до каждого вызова модели, спорные случаи уходят человеку.
- Результат
- Точность роутера 86,8 % (46 из 53 диалогов, замер)
- Маршрутизация 0,25 с вместо 3,89 с (замер)
- Эксплуатация ≈ 550 €/год (расчёт)
- Локально примерно на 50 €/мес дороже облака — сознательно, чтобы данные особой категории по ст. 9 DSGVO не покидали собственную инфраструктуру.
Архитектура коротко
- Гость · мессенджер
- Уведомление ст. 13 DSGVO · ст. 50 AI Act
- Маскирование персональных данных
- Роутер · Qwen3-4B + LoRA
- Агенты: брони · меню · консьерж
- Валидатор · 1 повтор
- Человек при неясности
Ответы клиентам на голосовые сообщения — полностью локально
Отрасль: торговая компания
n8nГолосовой ИИwhisper.cppRAGЛокально
- Задача
- Много однотипных вопросов о наличии и доставке. Клиент спрашивает голосом, получает голосовой ответ по реальным данным склада и может оформить заказ.
- Решение
- Распознавание (whisper.cpp), модель (Gemma), векторный поиск (Qdrant, bge-m3) и синтез речи (Piper) работают локально, n8n управляет процессом.
- Цены и остатки выдаёт код, а не модель.
- Уведомление «вы говорите с ИИ» по ст. 50 Регламента об ИИ, фильтр персональных данных перед озвучкой, сторож каждые 10 минут.
- Результат
- Заказ в 8 шагов.
- Голос и персональные данные не покидают собственную инфраструктуру, передачи ИИ-провайдерам в третьи страны нет (ст. 44 и далее DSGVO).
- Пять проверок качества в коде.
Архитектура коротко
- Клиент · голосовое сообщение
- Распознавание whisper.cpp (локально)
- Guardrails
- Классификатор · Gemma (структурированный вывод)
- Остатки: Postgres · FAQ: Qdrant
- Ответ из фактов (код)
- Фильтр персональных данных
- Синтез речи Piper (локально)
- Сотрудник при неясности
400 обращений пациентов в день — типовые автоматически, рискованные человеку
Отрасль: сеть клиник, Берлин
n8nМультиагентная системаLLM-as-a-JudgeHuman-in-the-loopПсевдонимизация
- Задача
- 9 сотрудников обрабатывают 400 обращений в день (запись, цены, статус анализов, жалобы). Типовые обращения — автоматически, рискованные — человеку, каждый ответ проверяется независимо.
- Решение
- Псевдонимизация (имя, телефон, e-mail, номер страховки, дата рождения) до каждого вызова модели.
- Роутер и 4 агента; 6 чётких условий передачи сотруднику (подтвердить / изменить / заменить).
- Проверка каждого ответа моделью другого производителя.
- Содержание анализов (данные о здоровье, ст. 9(1) DSGVO) в облачную модель не попадает.
- Результат
- Тестовый прогон на 16 обращениях (замер): 16 из 16 направлены верно
- 0 пропущенных эскалаций
- 0 нарушений защиты данных
- 69 % обращений закрыто без сотрудника (цель 45 %)
Архитектура коротко
- Обращение · форма
- Псевдонимизация
- Проверка: данные удалены?
- Роутер
- Агенты: запись · цены · статус анализов · жалоба
- 6 условий передачи
- Сотрудник: подтвердить · изменить · заменить
- Проверка второй моделью
RAG-агент с базой знаний
Отрасль: ИТ-подрядчик
RAGn8nHuman-in-the-loopВекторная база
- Задача
- Сделать знания компании доступными через ИИ-агента — на актуальной и чистой базе.
- Решение
- Два связанных воркфлоу n8n: RAG-агент с согласованием человеком и автоматическое обновление базы знаний с дедупликацией.
- Результат
- Агентская система с тремя исходами — ответ, согласование юридическим отделом, эскалация; ответы юристов автоматически пополняют базу знаний. Все 6 тестовых сценариев пройдены в рабочем режиме.
Архитектура коротко
- Вопрос · мессенджер
- Поиск по руководству (Qdrant)
- Агент со структурированным выводом
- А: ответ с источником
- Б: согласование юристами
- В: эскалация
- Юрист
- Пополнение базы знаний
Система структурированного вывода ИИ (n8n)
Ключевой технический проект
n8nСтруктурированный выводСамокорректирующийся парсерОбработка ошибок
- Задача
- Сделать ответы ИИ надёжными и машиночитаемыми — даже когда модель ошибается.
- Решение
- Воркфлоу n8n с самокорректирующимся парсером, управляемым рассуждением, map-reduce для длинных текстов и глобальной обработкой ошибок (Error Trigger).
- Результат
- Одна форма для скриншотов, PDF и аудио; баг-репорты с оценкой критичности, резюме даже длинных документов (map-reduce). 4 теста пройдены в рабочем режиме, неизвестные форматы не роняют систему.
Архитектура коротко
- Загрузка · форма
- Развилка по типу файла
- Скриншот · PDF · аудио
- Структурированный вывод с самокоррекцией
- Map-reduce для длинных текстов
- Таблица · обработка ошибок
Подходящие кандидаты по одному вопросу в чате — вместо чтения резюме по одному
Отрасль: HR-отдел
n8nRAGPineconeСтруктурированный выводAI Act
- Задача
- Рекрутёры читают каждое резюме отдельно и почти не могут найти подходящих людей в архиве.
- Решение
- Новые резюме разбираются автоматически: 8 ключевых данных попадают в таблицу и поисковую базу.
- Дальше достаточно одного вопроса в чате, например «Кто знает SAP и говорит по-немецки?».
- Работа велась только на тестовых данных: ИИ в отборе кандидатов — зона высокого риска по Приложению III Регламента об ИИ.
- Результат
- Архив превращается в базу талантов с поиском. Вместо стопок резюме команда смотрит готовую подборку, а решение остаётся за человеком.
Архитектура коротко
- Резюме · форма
- Извлечение текста
- Агент: 8 ключевых данных
- Таблица
- Векторная база (Pinecone)
- Вопрос в чате
- Поиск по смыслу
- Решает рекрутёр
Почта на автопилоте: сортировка писем, проверка встреч, черновики ответов
Отрасль: сервисная компания с записью на встречи по e-mail
n8nGmailGoogle CalendarКлассификация LLM
- Задача
- Компания ежедневно получает много писем – запросы, просьбы о встрече, приглашения – и вручную читает, сортирует и отвечает на них.
- Решение
- Воркфлоу n8n из 54 узлов.
- ИИ-классификация и черновик ответа на языке письма.
- Проверка календаря с конкретным альтернативным временем.
- Раскладка вложений по клиентам, журнал.
- Уведомления только в рабочее время, защита от зацикливания ответов.
- Результат
- Прототип с видеодемонстрацией. Рутинная почта рассортирована и подготовлена — человек проверяет и отправляет.
Архитектура коротко
- Новое письмо
- ИИ-классификация
- Календарь: время свободно?
- Черновик ответа в ветке
- Вложения по клиентам · журнал
- Человек проверяет и отправляет
Данные из удостоверения личности без перепечатывания — с подтверждением сотрудником
Отрасль: агентство недвижимости
n8nVision-LLMHuman-in-the-loop
- Задача
- Данные клиента из скана документа должны попасть в таблицу без перепечатывания, окончательно их подтверждает человек.
- Решение
- Модель со зрением читает 8 полей с оценкой уверенности.
- Нечитаемое остаётся пустым — угадывание исключено.
- Сотрудник получает скан и предзаполненную форму.
- Результат
- Прототип. Никакого перепечатывания и выдуманных значений — подтверждает человек.
Архитектура коротко
- Скан · мессенджер
- Модель со зрением: 8 полей с уверенностью
- Черновик в таблице
- Проверка сотрудником
- Подтверждённые данные
FinOps-модель и ИИ-Roadmap для сети клиник
Отрасль: сеть клиник, Берлин
TCOROIСценарииRoadmapРеестр рисков
- Задача
- Совету директоров нужно решить, во что вкладываться, сколько это стоит, когда окупится и что будет при плохом сценарии.
- Решение
- Excel-модель на 18 листов: стоимость токенов с раздельной ценой входа и выхода, TCO со скрытыми расходами, 3 сценария, чувствительность, реестр рисков, Roadmap на 12 месяцев; питч-дек для совета. Данные о здоровье (ст. 9 DSGVO) — только локально, хотя облако дешевле; доплата показана открыто.
- Результат
- Расчёт базового сценария: инвестиции 129 315 €, эффект 522 460 €/год, ROI за 3 года 229 %, окупаемость на 13-м месяце; консервативный сценарий (−14 %) показан открыто. Инициатива 1 затем построена как проект «Поддержка пациентов».
Архитектура коротко
- Текущая стоимость рутины
- Токены: вход и выход раздельно
- TCO со скрытыми расходами
- Эффект с коэффициентами 0,25–0,60
- 3 сценария
- Реестр рисков
- Roadmap на 12 месяцев с гейтами
Пакет соответствия EU AI Act
Отрасль: кадровое агентство
EU AI ActКлассификация рисковDPIAПроверка поставщиков
- Задача
- Юридически квалифицировать и обезопасить ИИ-систему скоринга кандидатов.
- Решение
- Классификация рисков по EU AI Act (высокий риск согласно Annex III), полная оценка DPIA из трёх частей и проверка поставщиков ИИ-сервисов.
- Результат
- Пакет документов с обоснованным решением о допуске. Ключевой принцип: риск определяется назначением системы, а не названием функции.
Архитектура коротко
- Назначение системы
- Класс риска по AI Act
- DPIA из трёх частей
- Проверка поставщиков ИИ
- Меры со светофором
- Обоснованное решение о допуске
Карта процесса, оптимизированного с ИИ
Отрасль: молочное производство / пищевая промышленность
Анализ процессовAS-IS → TO-BEАнализ первопричинТочки применения ИИ
- Задача
- Разобрать неэффективный бизнес-процесс и спроектировать заново — с ИИ там, где он действительно даёт выигрыш.
- Решение
- Полный анализ процесса (AS-IS), разбор первопричин («5 почему») и проектирование целевого процесса (TO-BE) с намеренно размеченными точками применения ИИ.
- Результат
- Карта целевого процесса с ИИ, документация, презентация и защита перед аудиторией.
Архитектура коротко
- Текущий процесс (AS-IS)
- Первопричины «5 почему»
- Точки применения ИИ
- Целевой процесс (TO-BE)
- Метрики
Фреймворк управления данными и их качеством
Отрасль: молочное производство / пищевая промышленность
Управление даннымиRACIData ContractКачество данных
- Задача
- Задать понятную ответственность и измеримое качество данных как фундамент для ИИ-проектов.
- Решение
- Фреймворк из 12 компонентов: карта владельцев, матрица RACI, data contract, происхождение данных и измеримые критерии качества.
- Результат
- Развёрнутый документ-фреймворк (многочастная модель в Excel) с презентацией и ролевой моделью.
Архитектура коротко
- Карта владельцев
- Матрица RACI
- Data contract
- Происхождение данных
- Критерии качества с метриками
AI Portfolio Canvas — приоритизация ИИ-инициатив
Отрасль: облачный сервис комплаенса
ИИ-стратегияПриоритизацияОценка ROIРезюме для руководства
- Задача
- Выбрать из множества идей по ИИ те, что стоит делать — так, чтобы решение было понятно руководству.
- Решение
- Канва портфеля со взвешенной формулой приоритизации (ценность / трудозатраты / риск) для всех инициатив.
- Результат
- Приоритизированный портфель ИИ-инициатив и резюме для руководства в формате «полстраницы».
Архитектура коротко
- Сбор идей
- Ценность · затраты · риск
- Взвешенная приоритизация
- Портфель
- Резюме для руководства
ИИ-ассистенты маркетинга с проверкой бренда и права
Учебный кейс на примере бренда Kärcher (без заказа)
Промпт-инжинирингGeminiМультиролевая системаUWG
- Задача
- Тексты для B2C и B2B должны держать тон бренда; неподтверждённые рекламные обещания в Германии — риск по UWG.
- Решение
- 3 ассистента: креативный; оркестратор с 10 ролями (роутер → специалист → страж бренда → юрист → комплаенс); поддержка с FAQ-базой.
- Финальную версию утверждает человек.
- Результат
- 7 версий промпта до сдачи. Собственная проверка показала, что проверка тона не заменяет проверку фактов. Поэтому в следующих проектах есть отдельная сверка с источниками.
Архитектура коротко
- Бриф
- Роутер
- Роль-специалист
- Страж бренда
- Юрист · комплаенс
- Утверждение человеком
Методика консалтинга E0–E8 для ИИ-автоматизации
Собственная методика на основе 15 проектов
Модель процессаГейтыDSGVOAI Act4 языка
- Задача
- Превратить отдельные проекты в повторяемый подход для любой отрасли.
- Решение
- 9 фаз с гейтами согласования, 7 принципов, 12 документов для заказчика, адаптации для 6 сфер (средний бизнес, консалтинг, госсектор, образование, медицина, частные лица); офлайн-генератор на 4 языках — данные заказчика не покидают браузер.
- Результат
- Методика, по которой готовится пилотный проект (стоматологическая практика).
Архитектура коротко
- 9 фаз E0–E8
- Гейт согласования после каждой фазы
- 7 принципов
- 12 документов заказчику
- Генератор на 4 языках (офлайн)