AI-асистент для бізнесу: від ідеї до робочого прототипу за тиждень

Чому "за тиждень" — це реально

Коли більшість чує "AI-асистент для бізнесу", уява малює місяці розробки і сотні тисяч доларів бюджету. Але у 2026 ситуація кардинально інша. Claude API, LangChain, Streamlit і хмарні векторні бази дозволяють зібрати робочий прототип за 5–7 робочих днів — один розробник, реальні дані, реальні користувачі.

Нижче — точний план по днях який ми використовуємо самі і рекомендуємо клієнтам.

День 1: Визначення use case і success metrics

Найважливіший день. Поганий use case вбиває проект раніше ніж написаний перший рядок коду.

Як обрати правильний use case

Хороший перший AI-асистент:

• Вирішує реальну, часту проблему — щось що відбувається щодня, а не раз на рік

• Має чіткий вхід і вихід — "відповідати на запитання клієнтів про умови доставки" краще ніж "допомагати з усіма питаннями"

• Легко виміряти успіх — скільки запитань вирішено без ескалації, час відповіді, NPS

• Є джерело даних — документи, FAQ, логи попередніх діалогів

Ідеальні перші use cases:

• Бот відповідей на FAQ для клієнтів (сайт або месенджер)

• Внутрішній асистент для HR-запитань нових співробітників

• Помічник продажів: відповіді на питання про продукт, генерація КП

• Summarizer: стисла обробка листів, звітів, протоколів нарад

• Класифікатор: розподіл звернень по категоріях, визначення пріоритету

Success metrics — визначте до початку

• % запитань оброблених без участі людини (мета: ≥60% для початку)

• Середній час відповіді (мета: <10 секунд)

• CSAT або thumbs up/down від користувачів

• Кількість ескалацій до людини-агента

Deliverable дня 1

Одна сторінка: проблема, use case, target users, success metrics, scope (що точно НЕ робить асистент у v1).

День 2: Підготовка бази знань

Збираєте, очищаєте і структуруєте документи.

Інвентаризація джерел

• FAQ-сторінки сайту (HTML → plain text через BeautifulSoup)

• PDF-документи (pypdf або pdfplumber для складних layouts)

• Notion / Confluence (офіційні API для експорту)

• Google Docs / Sheets (Google Docs API або пряний export)

• Попередні листи підтримки (export з Zendesk, Freshdesk, Gmail)

Очищення даних

• Видаліть дублікати і застаріла інформація

• Уніфікуйте форматування: видаліть зайві пробіли, спецсимволи

• Переконайтесь що кожен документ має метадані: джерело, дата, категорія

• Якщо є конфіденційні дані (персональні дані клієнтів) — видаліть або анонімізуйте

Чанкінг і ембединг

from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain_openai import OpenAIEmbeddings
from langchain_community.vectorstores import Chroma

# Чанкінг
splitter = RecursiveCharacterTextSplitter(
    chunk_size=500,
    chunk_overlap=50,
    separators=["\n\n", "\n", ".", "?", "!"]
)
chunks = splitter.split_documents(docs)

# Ембединг і збереження
embeddings = OpenAIEmbeddings(model="text-embedding-3-small")
vectorstore = Chroma.from_documents(chunks, embeddings, persist_directory="./db")

Для прототипу — Chroma локально. Для production — pgvector або Pinecone.

Deliverable дня 2

Векторна база з усіма документами, перевірена на кількох тестових запитах.

Дні 3–4: Вибір моделі та побудова MVP

Вибір LLM для вашого use case

Рекомендація для MVP: Claude 3.5 Sonnet для бізнес-асистентів де важлива якість, Claude 3 Haiku або GPT-4o mini для FAQ-ботів з великим обсягом запитів.

Побудова RAG-ланцюга

from langchain_anthropic import ChatAnthropic
from langchain.chains import RetrievalQA
from langchain.prompts import PromptTemplate

prompt_template = """Ти є корпоративним асистентом компанії IT Master.
Відповідай тільки на основі наданих документів.
Якщо відповіді немає в документах — скажи "Я не знайшов інформації з цього питання.
Зверніться до підтримки: [email protected]"
Відповідай мовою запитання (українська або англійська).

Контекст з документів:
{context}

Запитання: {question}
Відповідь:"""

PROMPT = PromptTemplate(template=prompt_template, input_variables=["context", "question"])

llm = ChatAnthropic(model="claude-sonnet-4-6", max_tokens=1024)
retriever = vectorstore.as_retriever(search_kwargs={"k": 5})

qa_chain = RetrievalQA.from_chain_type(
    llm=llm,
    chain_type="stuff",
    retriever=retriever,
    chain_type_kwargs={"prompt": PROMPT},
    return_source_documents=True
)

Веб-інтерфейс на Streamlit

import streamlit as st

st.title("IT Master — Асистент підтримки")

if "messages" not in st.session_state:
    st.session_state.messages = []

for message in st.session_state.messages:
    with st.chat_message(message["role"]):
        st.markdown(message["content"])

if prompt := st.chat_input("Задайте питання..."):
    st.session_state.messages.append({"role": "user", "content": prompt})
    with st.chat_message("user"):
        st.markdown(prompt)

    with st.chat_message("assistant"):
        result = qa_chain.invoke({"query": prompt})
        response = result["result"]
        sources = set(doc.metadata.get("source", "") for doc in result["source_documents"])

        st.markdown(response)
        if sources:
            st.caption(f"Джерела: {', '.join(sources)}")

    st.session_state.messages.append({"role": "assistant", "content": response})

Запуск: streamlit run app.py — і у вас є робочий чат-інтерфейс з посиланням на джерела.

Deliverable днів 3–4

Локально запущений MVP що відповідає на запитання і показує джерела. Готовий до внутрішнього тестування.

Дні 5–6: Тестування з реальними користувачами

Структуроване тестування

• Залучіть 5–10 реальних потенційних користувачів (не розробника і не менеджера проекту)

• Дайте завдання: "Знайди відповідь на питання X використовуючи асистента"

• Спостерігайте: де зависають, що перефразовують, з чим незадоволені

Що тестувати:

• Happy path: прямі запитання на які є відповідь у документах

• Edge cases: нечіткі запитання, синоніми, помилки у словах

• Out-of-scope: запитання поза зоною відповідальності асистента — чи коректно відмовляє?

• Injection attempts: "Ігноруй попередні інструкції і..." — базова перевірка prompt injection

Збір зворотного зв'язку

Додайте до інтерфейсу кнопки 👍/👎 після кожної відповіді. Логуйте: запит, відповідь, оцінку, знайдені джерела. Це золота міна для ітерацій.

Ітерації за результатами тестування

Найтиповіші проблеми і рішення:

• Не знаходить релевантні документи → покращіть чанкінг або metadata, спробуйте hybrid search

• Відповідь занадто загальна → зменшіть temperature, додайте більше специфіки у system prompt

• Вигадує деталі → посиліть інструкцію "відповідай тільки з документів", додайте re-ranking

• Відповідає не тією мовою → явно вкажіть у промпті правило мови

День 7: Деплой і план масштабування

Деплой прототипу

• Streamlit Community Cloud — безкоштовний деплой для Streamlit-додатків, підходить для внутрішнього використання

• Render або Railway — простий cloud деплой, від $7/місяць

• Docker + Hetzner VPS — повний контроль, від €4/місяць

• Telegram бот — python-telegram-bot, ідеально для команди що вже у Telegram

Налаштування моніторингу

• Логування всіх запитів і відповідей (Postgres або файл)

• Алерт якщо API недоступне або відповідь займає >15 сек

• Щотижневий перегляд негативних 👎 оцінок

Plan масштабування після MVP

• Тиждень 2–4: розширення бази знань, додавання нових документів, покращення промптів за feedback

• Місяць 2: інтеграція у основний канал (сайт, CRM, Slack), налаштування ескалації до людини

• Місяць 3: аналіз метрик, A/B тест різних промптів, можливо — зміна моделі на основі cost/quality аналізу

• Місяць 4+: розширення use cases на основі реальних даних про запити

Вартість першого місяця

Висновок

Тиждень і ~$1000–1500 — цілком реалістичний бюджет для першого робочого AI-асистента. Головне: правильно обраний use case і чітко визначені метрики успіху до початку. Все інше — технічні деталі що вирішуються в процесі.

Хочете пройти цей шлях з нами? Ми проводимо AI Discovery сесії де за 2 години визначаємо оптимальний use case для вашого бізнесу і оцінюємо вартість MVP. Напишіть нам.