Черновик поля с пунктиром — заглушки, ждут реальных данных
Имя Фамилия · Head of AI
Резюме · август 2026

Имя Фамилия

Руководитель ИИ-направления

Считаю, сколько стоит одна обработанная единица, снижаю эту цифру и строю на ней тариф. ИИ без юнит-экономики — статья расходов, а не продукт.

Город
Город
Формат
удалёнка / гибрид
Занятость
полная
В ИИ с
2024 года
Ожидания
сумма ₽

Кратко

Веду ИИ-продукт целиком: от карты процесса заказчика до себестоимости обработки и тарифной сетки. Автоматизировал сквозной процесс подготовки съёмок — шесть этапов от разбивки сценария до вызывного листа и сверки расходов, разбор занимает 2 минуты при 97,7 % совпадения с работой человека.

Посчитал себестоимость одного разбора — 700 ₽ — и снизил её до 100 ₽ четырьмя рычагами без потери качества; предельная стоимость повторной версии около 10 ₽ против плоской у конкурентов. Выбрал единицу оплаты под бюджетный цикл отрасли и отменил собственный тариф, когда проверка показала неплатёжеспособность его аудитории.

Отдельно построил среду, где ИИ-агенты работают по правилам компании и не жгут бюджет: 123 рабочие сессии, 64,6 % служебного вывода отсечено от моделей, девять сотрудников подключены через браузер. В компании предстоит ровно эта работа. Ищу место, где ИИ нужен внутри реальных процессов и где с него спрашивают деньгами.

Цифры

сверено 04.08.2026
×7 снижение себестоимости обработки единицы: 700 ₽ → 100 ₽ за разбор, без потери качества
≈10 ₽ предельная стоимость повторной версии против плоской у конкурентов — преимущество из архитектуры
6 этапов процесса заказчика автоматизированы в одной системе: от разбивки сценария до вызывного листа и сверки расходов
97,7 % совпадения с работой человека при разборе за 2 минуты; находит позиции, которые человек пропустил
64,6 % служебного вывода отсечено от моделей в рабочей среде — 2,6 млн токенов на 2 342 командах
2 рыночные гипотезы закрыты вердиктом до вложений в разработку

За каждой цифрой стоит работающая система или замер на реальных данных. Где значение получено на одном сценарии или остаётся расчётной оценкой — это сказано прямо, здесь и во внутренних документах.

Что автоматизировано

процессы, а не репозитории
выберите процесс —
справа подробности

Планирование съёмочного периода

работает

Сквозная автоматизация подготовки съёмок: от сценария до вызывного листа и сверки расходов. Шесть этапов процесса, которые до этого велись вручную в таблицах, собраны в одну систему.

Процесс, который автоматизирован

  • Разбивка сценария — что нужно снять: реквизит, персонажи, локации, транспорт, животные. Каждая позиция прослеживается до точного места в тексте.
  • Календарно-постановочный план — раскладка сцен по сменам с учётом нормы смены и занятости актёров.
  • Расписание внутри смены — грим, свет, съёмка, обед.
  • Вызывной лист — время вызова считается, а не проставляется руками: группа к началу смены, актёр к своей первой сцене.
  • Оповещение группы — по закрытому списку событий, с тихими часами.
  • Сверка расходов — строка чека сводится с позицией разбивки: за что заплатили и было ли это в плане.

Кому это нужно и за что платят

Продюсерские центры и съёмочные группы: директор картины, второй режиссёр, реквизитор. Зарубежные аналоги — 29,99–49 $ в месяц за рабочее место (Movie Magic, Filmustage), российского решения этого класса нет. Себестоимость разбора доведена до ≈100 ₽, повторной версии — до ≈10 ₽, единица оплаты выбрана под бюджетный цикл отрасли. Подробно — в разделе «Юнит-экономика».

Результат в цифрах

  • Сценарий из 47 сцен разбирается за 2 минуты вместо ручной работы (сколько занимала ручная разбивка).
  • Служба находит 303 позиции против 44, внесённых человеком — в семь раз полнее выборочного списка.
  • 97,7 % совпадения с разбивкой, сделанной человеком, на реальном сценарии.
  • Точечно найден реквизит, который человек пропустил: фортепиано, деньги, посуда. Пропущенный реквизит — это сорванная смена, а смена стоит дороже всей подготовки.

Продуктовое решение, которое я принял

Замеры показали: полностью автоматической разбивке пользователь не доверяет — качества не хватает, а разным специалистам нужны разные категории. Я развернул продукт: основной режим — работа человека с ИИ-подсказкой, а не автоматический разбор. Это было решение отказаться от эффектной демонстрации в пользу того, чем реально будут пользоваться.

Продуктовая проработка

Восемь отчётов: карта процесса кинопроизводства, разрыв между процессом и продуктом, видение, пользователи и сценарии работы, ценовая политика, маркетинг, план, бэклог функций. В шапке пакета прямо указано, какие цифры подтверждены источниками, а какие остаются допущениями — чтобы на них не строили решения о деньгах.

Конвейер извлечения · эмбеддинги и поиск похожего · сменные поставщики моделей · режимы «облако / гибрид / локально» для работы с закрытыми сценариями

Юнит-экономика

себестоимость единицы · рычаги · цена

У ИИ-продукта, в отличие от обычного софта, себестоимость растёт вместе с использованием: каждый разбор — это счёт за обращения к модели. Пока не посчитана стоимость одной обработанной единицы, любая тарифная сетка — это гадание. Я начинаю с неё.

Шаг 1. Сколько стоит одна единица

Полнометражный сценарий — около 600 обращений к модели: 1,2 млн входных и 280 тыс. выходных токенов на извлечение и разметку. При ценах поставщика это даёт вилку себестоимости, которая целиком определяет продукт.

Модель Вход, $/млн Выход, $/млн Себестоимость разбора
Старшая5,0025,00≈ 1 170 ₽
Средняя3,0015,00≈ 700 ₽
Младшая1,005,00≈ 235 ₽

Курс 90 ₽/$. Следствие, которое всё решает: при себестоимости 700 ₽ подписка «безлимит за 1 900 ₽ в месяц» уходит в минус на третьем сценарии. Значит — либо лимиты, либо снижение себестоимости, либо другая единица оплаты. Я выбрал второе и третье.

Шаг 2. Четыре рычага — себестоимость вниз в семь раз

Ни один из них не ухудшает качество результата. Три из четырёх продукт уже поддерживает архитектурно — их нужно было включить, а не строить.

Рычаг Что даёт Условие
Кэширование постоянной части запроса −55 % входной части стабильный префикс запроса
Пакетный режим вместо реального времени −50 % на всём прогоне пользователь и так не ждёт ответа онлайн
Разные модели на разные стадии −40…60 % замер качества по каждой стадии
Разбор только изменившегося в новой версии −95 % на каждой повторной версии факты привязаны к позициям в тексте
700 ₽ было: разбор на средней модели без оптимизаций
≈100 ₽ стало: тот же разбор со всеми четырьмя рычагами
≈10 ₽ каждая следующая версия сценария — разбирается только изменившееся

Четвёртый рычаг — это не экономия, а преимущество в себестоимости

Конкуренты не привязывают найденные факты к позициям в тексте, поэтому на каждой ревизии сценария вынуждены разбирать его целиком: их стоимость повторной обработки плоская. У продукта, который умеет сравнивать версии, она стремится к нулю. На проекте с десятью версиями разница в затратах десятикратная — это выбор между высокой маржой и возможностью демпинговать, и он появляется из архитектуры, а не из переговоров с поставщиком.

Главный вопрос цены — не «сколько», а «за какую единицу»

Плата за пользователя в месяц здесь не работает: съёмочная группа — это 30–80 человек на три месяца, платить помесячно за каждого никто не станет, цеха уйдут обратно в таблицы. Плата за операцию заставляет пользователя считать деньги вместо работы и бояться лишний раз нажать «разобрать» — то есть убивает главный сценарий, ради которого продукт и строился. Основная единица — проект: совпадает с тем, как в отрасли устроены бюджеты, и себестоимость это выдерживает именно за счёт четвёртого рычага.

Свой же тариф отменил после проверки платёжеспособности

Дешёвый тариф для цехового специалиста выглядел разумно, пока я не проверил, как устроен доход этих людей: работа проектная, с неоплачиваемым простоем между постановками. Для такого покупателя 1 900 ₽ в месяц — заметная трата, а не мелочь. Перевёл тариф в статус расширенной пробной версии и перестал считать его выручкой. Модель может не сойтись не по марже, а по платёжеспособности того, кому продаёшь, — и это надо ловить до запуска, а не после.

Отделяю посчитанное от предположенного

В шапке расчёта прямо указано: подтверждены источниками только цены моделей и цены конкурентов. Объём токенов — оценка порядка величины, её нужно замерить на десяти реальных сценариях до запуска тарифов. Сами цифры тарифов — гипотеза для переговоров, а не прайс. Решения о деньгах, принятые на непомеченных допущениях, — самый дорогой вид ошибок.

Шаг 3. Что проверено замером, а не рассуждением

Четыре схемы удешевления и повышения качества прогнаны на реальном сценарии. Внедрена одна: экономия остальных не окупала цену.

Что проверял Что дало Чего стоило Решение
Разбор в несколько шагов вместо одного запроса полнота с 90,9 % до 93,2 % — внедрено
Дополнительный проход ради полноты полнота не выросла запросов в 1,7 раза больше отклонено
Дешёвые модели голосуют, дорогая решает спорное дорогих запросов меньше на 2 % время с 2 до 55 минут отклонено
Разбор по предложениям с эскалацией спорного токенов в дорогую модель меньше на 7 % полнота с 77 % до 66 % отклонено

Замеры на реальном сценарии из 47 сцен. Цифра 93,2 % получена на одном сценарии — так она и помечена во внутренних документах, чтобы на ней не строили решений о деньгах. Стоимость каждого прогона пишется в самом продукте: модель, которой нет в прайсе, показывает прочерк, а не выдуманное число.

Как ИИ внедрён в работу

то же придётся делать в компании

Раздать сотрудникам доступ к нейросети — не внедрение. Внедрение начинается там, где у ИИ появляются правила компании, границы того, что он может трогать, и счёт за потраченное. Всё это я построил на своём сервере и держу в ежедневной работе — задача в компании будет ровно такой же.

64,6 % служебного вывода не доходит до модели: 2,6 млн токенов сэкономлено на 2 342 командах
123 рабочие сессии агентов за период — это ежедневный инструмент, а не эксперимент
9 сотрудников подключены к ИИ через браузер: без личных подписок и без доступа к серверу
4 автоматических правила следят за агентом на каждом шаге — независимо от того, помнит ли он инструкцию

Правила вместо надежды на память

Инструкция, которую нужно помнить, рано или поздно забывается — и это верно и для человека, и для модели. Поэтому знание разложено по слоям, и у каждого слоя свой способ доставки. Эту схему я и принесу в компанию: она не про конкретный инструмент, а про то, как организация вообще хранит правила работы с ИИ.

Что за знание Как доставляется Пример из практики
Должно соблюдаться всегда, даже если агент забыл автоматическое правило или запрет в правах чтение файлов с паролями запрещено на уровне прав — секреты агенту недоступны
Нужно в каждой задаче общий документ правил что нельзя останавливать, где лежат проекты, как вести работу
Нужно только при работе с типом файлов правило с привязкой к путям три набора: контейнеры, обратный прокси, база данных — подгружаются, когда агент открывает такой файл, и не занимают место в остальное время
Последовательность шагов методичка-инструкция развёртывание, разбор бага, разработка через тесты, проверка перед словом «готово»
Выяснилось опытом, а не было задумано автоматическая память 13 записей: ловушки, которые иначе пришлось бы разгадывать заново

Предохранители внедряю ступенями

Два правила следят за необратимым: остановкой чужих сервисов и правкой схемы базы без свежей копии. Сейчас они в режиме наблюдения — пишут в журнал, но не запрещают. Это сознательно: сначала собрать реальные срабатывания и убедиться, что правило не ловит лишнего, и только потом дать ему право отказывать. Обратный порядок — «сразу запретить» — даёт ложные блокировки, после которых защиту отключают целиком.

Нашёл дыру в доставке правил

Проверил прямым опросом, а не по документации: вспомогательные агенты не получали правил компании вовсе — работали, не зная ограничений. Закрыл автоматической подстановкой раздела про необратимые действия при каждом их запуске. Такие вещи вскрываются только тогда, когда кто-то целенаправленно их проверяет.

Счёт за служебный вывод

Основная трата при работе с ИИ — не полезный текст, а служебный вывод команд, который целиком уходит в модель. Через прокси, сжимающий этот вывод, прошло 2 342 команды: 64,6 % отсеяно, 2,6 млн токенов не оплачено и не заняло место в контексте. Освободившееся место идёт под работу, а не под простыни логов.

Непрерывность между сессиями

В каждом проекте файл «где остановились», который обновляется по ходу работы, а решения «почему устроено так» лежат отдельно. Новый человек — или новый агент — входит в контекст за минуту, а не собирает его по переписке. Это то, что превращает работу с ИИ из личного навыка в процесс компании.

Что даю бизнесу

Начинаю с процесса, а не с технологии

Сначала разбираю, как работа устроена сейчас и где она стоит компании денег: карта процесса, разрыв между процессом и продуктом, кто именно пользователь. ИИ появляется там, где он снимает конкретную боль, — и не появляется там, где не окупается.

Отвечаю за экономику решения, а не только за запуск

Считаю себестоимость обработки одной единицы, снижаю её (700 ₽ → 100 ₽) и вывожу из неё тариф. Знаю, где у ИИ-продукта уходит маржа: вывод модели — это себестоимость, растущая вместе с использованием, а не разовые вложения.

Умею сказать «не надо это делать»

Две рыночные гипотезы закрыты вердиктом до вложений: рынок комодитизирован, барьер не в капитале, а в дистрибуции. Вместо запуска предложен способ проверить спрос за две недели без бюджета. Отказ от плохой идеи экономит больше, чем удачный пилот.

Довожу до ежедневной работы, а не до демонстрации

Системы работают неделями без вмешательства: резервные копии по расписанию, автоматическое восстановление, разбор аварий с письменным выводом. Пилот, который нельзя оставить в проде, — это не результат.

Опыт

2026 — н. в.
Собственная разработка и R&D
Руководитель ИИ-направления · самостоятельные проекты

Прикладные ИИ-системы для реальных процессов: от исследования рынка и карты процесса до работающей системы, которой пользуются каждый день.

  • Автоматизировал сквозной процесс подготовки съёмок — шесть этапов от разбивки сценария до вызывного листа и сверки расходов с планом. Разбор сценария из 47 сцен занимает 2 минуты, совпадение с работой человека 97,7 %, при этом система находит позиции, которые человек пропустил.
  • Провёл продуктовое исследование на восемь отчётов: карта процесса, разрыв между процессом и продуктом, пользователи, ценовая политика, маркетинг, бэклог. Отдельно зафиксировал, какие цифры подтверждены источниками, а какие остаются допущениями.
  • Развернул продукт по итогам замеров: качества автоматического разбора не хватало для доверия, поэтому основным режимом стала работа человека с ИИ-подсказкой, а не автоматика.
  • Посчитал юнит-экономику продукта: себестоимость одного разбора 700 ₽, снизил её до ≈100 ₽ четырьмя рычагами без потери качества, предельная стоимость повторной версии ≈10 ₽. На этой себестоимости построил тарифную сетку из четырёх ступеней.
  • Выбрал единицу оплаты под отраслевой бюджетный цикл — проект, а не рабочее место и не операция: плата за место не проходит на группе в 30–80 человек, плата за операцию убивает главный сценарий использования.
  • Отменил собственный тариф после проверки платёжеспособности аудитории: у цеховых специалистов работа проектная с неоплачиваемым простоем, тариф переведён в расширенную пробную версию и исключён из выручки.
  • Проверил замером четыре схемы удешевления запросов к моделям, внедрил одну: рост полноты с 90,9 % до 93,2 %. Три отклонил — экономия 2–7 % не окупала падения качества и роста времени с 2 до 55 минут.
  • Закрыл вердиктом две рыночные гипотезы до вложений в разработку, с обоснованием и дешёвым способом проверить спрос.
  • Перевёл команду на корпоративный доступ к ИИ и корпоративную почту на своей инфраструктуре — без личных подписок и платы за каждого сотрудника, девять сотрудников подключены.
  • Построил рабочую среду для ИИ-агентов: правила компании доставляются автоматически, доступ к паролям закрыт правами, предохранители на необратимые действия вводятся ступенями. Через оптимизирующий прокси прошло 2 342 команды — 64,6 % служебного вывода отсечено, 2,6 млн токенов не оплачено.
  • Проверил прямым опросом, что вспомогательные агенты не получают правил компании, и закрыл дыру автоматической подстановкой ограничений при их запуске.
Anthropic Claude API · OpenRouter · локальные модели · Python 3.12 · FastAPI · Node.js · SQLite · spaCy · Docker · Caddy · Telegram Bot API и MTProto
2025
smilechina
должность — свой бизнес или проект заказчика

Первое применение ИИ к задачам реального бизнеса — от разработки до продвижения и безопасности.

  • Обнаружил и снял запрет на индексацию: сайт клиники был целиком невидим для поисковых систем, органического канала не существовало.
  • Создал 15 посадочных страниц под услуги, восстановил перелинковку мёртвого меню, добавил разметку медицинской организации.
  • Разобрал жалобу на постороннюю рекламу на сайте: вредоносного кода нет, реклама подмешивалась по дороге из-за отдачи страниц по незащищённому протоколу. Закрыл принудительным HTTPS и политикой контента.
  • Перевёл выкладку на автоматическую: изменение в репозитории само уходит на хостинг, ручные операции исключены.
  • Подготовил ИИ-агента управления контекстной рекламой с жёсткими лимитами на изменение ставок и бюджетов.
Нужны результаты за период после работ: позиции, органический трафик, обращения с сайта. Без них самый сильный кейс в резюме остаётся без итога.
дополнить стеком · автодеплой · SEO · Яндекс Директ · аудит безопасности
2024
Начало работы с ИИ
знакомство с большими языковыми моделями
Дополнить: какие задачи решали, какими инструментами, какой получился результат. Хватит двух-трёх строк — важно показать, что 2024-й был не регистрацией в ChatGPT, а первыми рабочими применениями.
до 2024
Компания
должность
Заглушка: предыдущий опыт работы. Управленческий, продуктовый и отраслевой опыт здесь особенно ценен — на роль руководителя направления он работает не хуже технического. Если было руководство людьми или бюджетом, это поднимем выше по странице.

Стек

ИИ и агенты
Anthropic Claude API · OpenRouter · локальные модели · мультиагентная оркестрация · промпт-инжиниринг · eval-харнесы и оценка моделью-судьёй · ансамбли и уточняющие проходы
Данные и поиск
эмбеддинги · косинусная близость · векторный поиск · SQLite (схема спроектирована под перенос на PostgreSQL + pgvector) · spaCy · pymorphy3
Разработка
Python 3.12 · FastAPI · Pydantic v2 · pytest · uv · Node.js · Express · потоковая выдача через SSE · JavaScript
Инфраструктура
Docker и Compose · Caddy с автоматическим TLS · Linux VPS · systemd · tmux · cron · git worktree · деплой через bare-репозиторий и хуки
Интеграции
Telegram Bot API и MTProto · SMTP / IMAP · Яндекс Директ API · конвертация документов
Практики
архитектурные решения письменно · разработка через тесты · обязательная проверка перед словом «готово» · разборы аварий · файлы непрерывности проекта

Как я работаю

что принесу в команду

Решение без объяснения не считается принятым

Каждый неочевидный выбор — короткий документ: что рассматривали, что выбрали, чем за это заплатили. Через полгода команда не переделывает по кругу то, что уже обсуждали, а новый человек входит в курс за час, а не за месяц.

«Готово» произносится только после проверки

Не «должно работать», а результат проверки рядом с утверждением. Отчёт о готовности без проверки — источник неприятных сюрпризов на стороне заказчика; у меня это правило поддержано автоматикой, а не личной дисциплиной.

Необратимое защищается механикой, а не памятью

Доступ к паролям закрыт правами — не «договорились не читать», а технически невозможно. Остановка чужих сервисов и правка схемы базы без копии под наблюдением автоматики: сначала журнал срабатываний, потом право запрещать. Контроль, введённый рывком, отключают целиком.

Образование и связь

год
Учебное заведение
специальность
Заглушка: образование, а также курсы и сертификаты по ИИ и машинному обучению, если есть.
Телефон
+7 ХХХ ХХХ-ХХ-ХХ
Telegram
@username
Языки
рус. — родной · англ. — уровень
Имя Фамилия Руководитель ИИ-направления Август 2026