AI‑assisted development в малом бизнесе: как я собрала систему обработки отзывов для ресторанной сети

Вот важная новость с фронта ИИ: katriniromanova 5 минут назад AI‑assisted development в малом бизнесе: как я собрала систему обработки отзывов для ресторанной сети Средний 15 мин 120 Облачные сервисы * Ненормальное программирование * Контент и копирайтинг * Медийная реклама * Кейс Из песочницы 16 500 отзывов в одном рабочем контуре, 9 500 записей в собственном хранилище, четыре XML‑фида, 4 000 строк кода и 130+ страниц документации. Все это работает за 8 500 в месяц. Вместо введения: что здесь вообще произошлоЗадача была очень простая: сделать так, чтобы отзывы гостей ресторанной сети перестали жить в десятке вкладок, кабинетов, выгрузок и ручных таблиц.

На первый взгляд — обычная автоматизация. Забрать данные, сложить в одно место, показать человеку. Но мы не ищем легких путей)Для общепита отзывы — это поток данных о продукте, доставке, работе смен, коммуникации и проблемах, которые начинают повторяться задолго до того, как становятся заметны в финансовых отчетах.

Технические детали

Пока этот поток собирается вручную, весь процесс держится на памяти и внимательности одного человека. До первой пропущенной вкладки, неверного филиала или сломанной строки. Я маркетолог, хоть и с сильным техническим уклоном, но код до этого проекта не писала.

Зато хорошо понимала сам процесс: кто работает с отзывами, зачем они нужны бизнесу, где люди ошибаются и какие данные потом приходится вытаскивать из отчета. В Review Warehouse я прошла полный цикл AI‑assisted development: от постановки задачи и выбора архитектуры до serverless‑контура, D1-хранилища, XML‑фидов, мониторинга, автоответов и документации для эксплуатации. Код помогал писать ChatGPT.

Решения о том, что этот код вообще должен делать, как хранить данные и что считать ошибкой, оставались на мне. В общем, код здесь был только одним из материалов. Основная работа — разложить живой бизнес‑процесс по полкам и не дать автоматизации бодро делать неправильные вещи.

Отраслевые последствия

Как процесс выглядел до проектаДано: локальная сеть ресторанов с тремя филиалами и позже еще довесок — кофейня. Отзывы приходили из CRM (сайт и приложение), Яндекс Карт, Google Maps, 2ГИС, VK, Нельзяграм, email и отдельных офлайн‑обращений. Часть жила в кабинетах карт, часть — в CRM, часть — в соцсетях и переписках.

Каждый день менеджер открывал всё это по очереди, искал новые отзывы и сообщения, переносил их в таблицу, указывал филиал, источник, оценку, дату, текст и статус обработки. Потом та же таблица превращалась в ежемесячную аналитику: рейтинги, доля негатива, компенсации, динамика и повторяющиеся косяки. Старая таблица ручной агрегации отзывов.

Проблема была не столько в объеме, сколько в самой механике.

Этот прогресс даёт важные сигналы о будущем отрасли, и технологический мир внимательно наблюдает.