Николай Галкин, «Кофемания»: Использование ИИ для решения прикладных задач в ресторанном бизнесе

В этой статье я бы хотел поделиться нашим опытом внедрения искусственного интеллекта в «Кофемании» и рассказать о том, как мы прошли этот непростой путь, каких результатов добились и какие проекты сейчас пилотируем.

Предпосылки

Рынок HoReCa сложный, динамичный и высококонкурентный, кроме того, он очень зависим от внешних факторов. Цены растут, клиенты становятся более требовательными, средний чек снижается, но при этом растёт доля онлайн-продаж – сегодня она достигает 20%. Чтобы удержать наших постоянных гостей и привлекать новых – нужна персонализация сервиса.

Также остро стоит потребность в аналитике: нужно эффективнее управлять остатками, логистикой, продажами. И конечно, нельзя забывать про оптимизацию процессов – там, где можно сократить трудозатраты, это нужно делать.

Мы поняли: без использования инструментов на базе ИИ – не выжить. ИИ умеет прекрасно автоматизировать множество рутинных задач и снижать человеческий фактор. Но только если подходить к нему как к инструменту, а не как к модному тренду.

Первые пробы и первые ошибки

Первым делом собрали команду, пригласили экспертов, устроили интенсив. Всё было круто, весело, вдохновляюще, но в итоге – ноль практических идей. Коллеги просто сказали: «Прикольно, но нам работать надо». Тогда мы осознали главное: ИИ должен решать конкретные задачи бизнеса, а не быть самоцелью. Внедрение ИИ без учета стратегии развития бизнеса и IT-стратегии – это просто дорогой эксперимент.

Покупать или делать?

Мы не IT-вендор и наши внутренние компетенции не могут закрыть все потребности в разработке. Поэтому мы честно разделили зоны ответственности. Где есть готовые качественные решения – берем их. Например, видеоаналитика, генерация текстов для маркетинга, анализ отзывов. Зачем изобретать велосипед?

Но где речь идёт о наших уникальных данных, например о предпочтениях гостей – мы делаем сами. Это наше конкурентное преимущество, и здесь ИИ работает на аналитику и персонализацию.

Старт через боль: первый MVP

После неудачного интенсива мы изменили подход. Начали искать точки боли и предлагать быстрые MVP, решающие конкретные задачи и с явно выраженным эффектом. Первым таким кейсом стала сверка данных из двух HR-систем. Сотрудники тратили сотни часов на ручное сравнение должностей перед расчётом зарплаты. Мы собрали MVP на базе Яндекс GPT – система сверяла данные за 5 минут и выдавала отчёт. HR была в восторге: «А можно ещё вот это?» – и мы поняли, что это работает.

Главное – не просто дать инструмент, а вернуться за обратной связью. Люди творческие, и они находят неочевидные способы использовать ИИ. Это стало нашим движущим принципом.

Четыре направления, которые реально дают результат

1. Нормализация данных

Сверка таблиц, приведение к единому формату, исправление сокращений – то, на что раньше уходили тысячи часов. При внедрении новой ERP мы заложили 10 000 часов на нормализацию. С ИИ сократили до сотен. Система сама анализирует, чистит и подготавливает данные – по персоналу, номенклатуре, контрагентам.

2. Обучение сотрудников

Обучение поваров и официантов – дорого и долго. Мы встроили ИИ в систему адаптации: на основе технологических карт и специфики ресторана ИИ генерирует вопросы, проверяет знания, распознаёт ответы на разных языках. Повара не отрываются от кухни – всё происходит на рабочем месте. Это сняло нагрузку с мастеров и ускорило ввод новых сотрудников.

3. Аналитика без Excel

Люди боятся нового и держатся за привычные инструменты. Мы сделали MVP: система понимает запросы на простом, человеческом языке и сама пишет SQL-запросы к БД. Сотрудник просит: «Покажи динамику цен на картофель за последние полгода» – и через 30 секунд получает ответ в виде таблицы или графика. Решение, как говорится, «зашло», многие стали обмениваться друг с другом ссылкой на ИИ и фразой «Смотри, что я могу!». Потом оказалось, что отдел аналитики не справляется с потоком запросов от пользователей. И снова ИИ пришёл на помощь – теперь он помогает быстро прототипировать дашборды и проверять гипотезы за часы, а не недели.

4. Персонализация для гостей

Мы создали бота, который помогает выбрать блюдо по параметрам: калории, бюджет, диета. Но самым активным пользователем оказался официант. Он спрашивал: «Какое вино подойдёт к этому блюду?» – и получал ответ за секунду. Так мы поняли: ИИ – это не просто «игрушка для гостя», а реальный помощник персонала. Теперь официанты используют его в режиме реального времени, с учётом всех изменений в меню.

Что мы вынесли из этого опыта

Во-первых, перестали разбрасываться. Попытки объять необъятное заканчиваются пустой тратой ресурсов. Мы научились фокусироваться на нескольких направлениях, где ИИ приносит измеримую пользу.

Во-вторых, любой проект по внедрению ИИ должен быть вписан в стратегию компании и IT. Без этого даже самый продвинутый инструмент превращается в дорогую игрушку.

В-третьих, мы научились балансировать между покупкой и разработкой. Готовые решения берём там, где это безопасно и эффективно. А в вопросах, которые касаются наших уникальных данных и конкурентных преимуществ – полагаемся только на собственные разработки.

И главный вывод: ИИ доказывает свою пользу, лишь решая конкретные бизнес-задачи. Его цель – не эффектность, а эффективность: экономия времени, сокращение издержек и рост выручки.

Если вы думаете, «нужен ли нам ИИ», – не думайте. Думайте, где он у вас начнёт приносить деньги. И начните с маленького. Только не забывайте возвращаться за обратной связью – она ценнее любого алгоритма.

Николай Галкин, директор департамента информационных технологий в компании «Кофемания»