5 задач, которые я научился автоматизировать AI-агентами (и почему вам не стоит повторять все мои ошибки)

КДПВ: Можно использовать мем с горящим офисом "This is fine" или комикс про автоматизацию, которая пошла не так. Альтернатива: схема AI-агента с перечёркнутыми элементами и галочкой на рабочем варианте. Читатели Хабра знают меня по статьям о MCP Protocol и AI-агентах. Но мало кто знает, что к этой теме я пришёл через собственную боль — два года назад я чуть не угробил стартап, пытаясь автоматизировать всё подряд. История началась банально. Наш небольшой SaaS получал 30-40 заявок в день, и два менеджера физически не успевали их обрабатывать. Я, как технический директор и большой энтузиаст AI, решил: "Сейчас напишу бота, который всё сделает!" Через месяц у нас был AI-агент, который терял каждую третью заявку, присылал клиентам галлюцинации вместо ответов и однажды назначил встречу с несуществующим менеджером. Я потратил 200 тысяч рублей и кучу нервов, прежде чем понял простую вещь: не все задачи стоит автоматизировать с AI. С тех пор прошло два года. Я помог автоматизировать процессы в семи компаниях, набил все возможные шишки и научился отличать задачи, где AI действительно помогает, от тех, где он только мешает. В этой статье: 5 задач, которые AI автоматизирует за неделю (с ROI 250-400%) Реальные истории провалов и успехов Конкретные цифры: время, деньги, окупаемость Почему "эксперты" часто ошибаются насчёт AI Содержание Когда AI действительно помогает (а когда — только вредит) После первого провала я составил для себя чек-лист. AI подходит, только если задача: Повторяется много раз (10+ раз в день) — иначе дешевле делать руками Имеет четкий критерий успеха — можно проверить, правильно ли сработал агент Не требует творческого мышления — AI плох в креативе, отлично справляется с рутиной Допускает ошибку — или есть возможность проверки человеком Звучит банально, но именно это правило я нарушил в первый раз. Я пытался автоматизировать общение с клиентами — задачу, где ошибка стоит потерянного клиента, а критерий успеха размыт ("клиент доволен"). Разумеется, провалился. Зато потом я нашёл пять задач, где AI работает безотказно. Давайте разберём их по порядку — с реальными цифрами, кодом и главное — с объяснением, почему именно эти задачи хороши для автоматизации. Задача 1: Обработка заявок с сайта (или история о том, как я перестал терять клиентов) Помню, как директор по продажам пришёл ко мне и сказал: "Алан, у нас проблема. Каждый день приходит 40 заявок, а я вижу в CRM только 25. Куда деваются остальные?" Оказалось, менеджеры просто не успевали. Каждая заявка — это мини-расследование: Имя: Иван Петров Email: ivan@company.ru Телефон: +7 999 123-45-67 Сообщение: Интересует автоматизация склада Менеджер должен погуглить компанию, найти информацию о ней в различных источниках*(для российского рынка — Spark, Контур.Фокус, ЕГРЮЛ; для международных клиентов — LinkedIn через API)*, понять размер бизнеса, определить приоритет, создать карточку в CRM, назначить ответственного. На это уходит 5-7 минут. При 40 заявках — это 3-4.5 часа чистого времени. А менеджер ещё и звонить должен, и встречи проводить. Результат предсказуемый: приоритетные лиды теряются, клиенты ждут ответа по 6 часов, половина вообще уходит к конкурентам. Я попробовал нанять третьего менеджера. Не помогло — через месяц он тоже захлебнулся в рутине. Как AI решил проблему (после трёх неудачных попыток) Первые два AI-агента, которых я написал, были катастрофой. Один путал приоритеты и отправлял крупных клиентов в "холодные". Второй создавал дубли в CRM, потому что я не научил его проверять, есть ли уже такой контакт. Третья попытка сработала. AI-агент получает заявку и за 10 секунд делает то, на что у человека уходит 5-7 минут: Анализирует текст: О чем запрос? (автоматизация склада) Насколько срочно? (слова "как можно скорее" = высокий приоритет) Есть бюджет? (упомянул "до 500K" = qualified) Обогащает данные: Ищет компанию в Google Проверяет LinkedIn (размер, отрасль) Находит сайт компании Квалифицирует: Размер компании: 150 человек → приоритет A Отрасль: Логистика → целевая! Бюджет упомянут → qualified lead Итог: Приоритет A (горячий лид) Создает задачу в CRM: Контакт создан автоматически Добавлена вся информация Назначен ответственный (по отрасли) Создана задача: "Позвонить сегодня до 18:00" Менеджер утром открывает CRM и видит готовые карточки с приоритетами. Вместо того чтобы разбирать 40 сырых заявок, он просто звонит по списку: сначала "горячим", потом остальным. Главный урок, который я усвоил AI не должен принимать решения за человека. Он должен готовить информацию для принятия решений. Моя первая версия пыталась сама отвечать клиентам — и регулярно косячила. Третья версия просто обогащает данные и готовит карточку. Менеджер за 5 секунд проверяет и звонит. Это ключевое отличие рабочей автоматизации от красивой, но бесполезной. Код (упрощенно, для понимания логики): @mcp_server.tool() async def process_lead(lead_data: dict) -> dict: """Обрабатывает заявку с сайта""" # Анализируем запрос через Claude analysis = await claude.analyze( f"Проанализируй заявку: {lead_data['message']}" ) # Обогащаем данными company_info = await enrich_company(lead_data['email']) # Квалифицируем (A/B/C) priority = classify_priority( company_size=company_info['employees'], industry=company_info['industry'], budget_mentioned=analysis['has_budget'] ) # Создаем в CRM crm_contact = await crm.create_contact({ **lead_data, **company_info, "priority": priority }) return crm_contact Что получилось в итоге Через две недели после запуска директор по продажам снова пришёл ко мне. Я уже приготовился к очередной жалобе, но он сказал: "Не знаю, что ты там сделал, но теперь мы обрабатываем ВСЕ заявки. И конверсия выросла на 30%." Цифры были такие: Время обработки одной заявки: 5 мин → 10 сек (в 30 раз быстрее) Потерянных лидов: было 20%, стало 0% Время до первого ответа: было 4-6 часов, стало 30-60 минут Менеджеры высвободили 3-4 часа в день на звонки Стоимость разработки: 80,000-120,000₽ Окупилось за: 3 недели (один закрытый лид, который раньше бы потеряли) Самое приятное — менеджеры перестали жаловаться на рутину и сосредоточились на продажах. А это бесценно. Задача 2: Ответы на типовые вопросы в поддержке (и как я чуть не уволил всю команду саппорта) Это мой любимый кейс, потому что здесь я совершил самую большую ошибку. У нас был SaaS-продукт. Клиенты писали в поддержку по 200 вопросов в день. Два саппорта разрывались, но физически не успевали — среднее время ответа достигло 4 часов. Клиенты бесились. Я посмотрел статистику и ах**л: 70% вопросов повторяются. "Как сбросить пароль?", "Почему не работает экспорт?", "Где найти отчёт?" — одно и то же изо дня в день. "Это же идеальная задача для AI!" — подумал я и за выходные написал бота. В понедельник с гордостью показал команде: "Смотрите, бот отвечает на вопросы мгновенно! Теперь вы можете заниматься только сложными задачами!" Саппорты посмотрели на меня как на идиота. Один из них сказал: "Алан, ты понимаешь, что только что попытался нас уволить?" Я, конечно, начал оправдываться: "Нет-нет, это не замена, это помощник!" Но доверие было подорвано. Следующие две недели команда саботировала внедрение бота, находя в нём всё новые "критические" проблемы. Я был близок к тому, чтобы всё бросить, но потом сделал умную вещь — позвал команду на пиццу и честно спросил: "Что я делаю не так?" Ответ оказался простым: "Ты внедряешь бота БЕЗ нас. Сделай его вместе С нами — и мы поможем." ~~ Решение с AI (версия 2.0, с участием людей) Мы пересобрали бота вместе с командой поддержки. Вот что получилось: AI-бот в Telegram с доступом к базе знаний, который: Как работает: Клиент пишет: "Как сбросить пароль?" AI-агент: Понимает вопрос (семантически, не по ключевым словам) Ищет ответ в базе знаний (документация, FAQ) Находит инструкцию Отправляет понятный ответ со скриншотами Время ответа: 5-10 секунд. Клиент доволен, саппорт свободен. Если вопрос сложный — бот не пытается умничать. Он честно говорит: "Этот вопрос требует анализа специалиста" — и создаёт тикет, передавая весь контекст разговора. Саппорт видит, что клиент уже обсуждал с ботом, и продолжает оттуда. Ключевой момент: бот не пытается заменить людей. Он фильтрует простые вопросы и освобождает время для сложных. Как это выглядит в деле: Клиент: Почему не работает экспорт в Excel? AI-бот: Проверьте, пожалуйста: 1. Выбран ли период для экспорта? 2. Есть ли данные в этом периоде? 3. Не заблокированы ли popup окна в браузере? Вот инструкция: [ссылка] Клиент: Спасибо, разобрался! AI-бот: Отлично! Если возникнут другие вопросы — пишите. Проблема решена за 30 секунд, саппорт не нужен. Что получилось (и почему команда полюбила бота) Через месяц после запуска я попросил команду оценить бота по десятибалльной шкале. Ожидал 6-7. Получил две девятки. "Почему?" — спросил я. "Потому что теперь мы занимаемся интересным. Раньше 80% времени уходило на ответы 'Пароль сбросить?' Теперь мы решаем реальные проблемы клиентов и видим результат." Цифры были впечатляющие: 65% вопросов бот решает самостоятельно Время ответа: 2-4 часа → 30 секунд (в 240 раз быстрее!) Работает 24/7 (раньше саппорт был с 10 до 19) Оценка клиентов: было 3.8/5, стало 4.7/5 Команде не нужны дополнительные люди, хотя клиентов стало в 1.5 раза больше Стоимость: 160,000-200,000₽ Окупилось: за месяц (не пришлось нанимать третьего саппорта) Главный урок: AI не заменяет людей. AI убирает скучную рутину и освобождает время для важного. Задача 3: Генерация отчётов (или как я спас аналитика от Excel-ада) У нас работал аналитик Дима. Талантливый парень, который умел находить инсайты в данных и предлагать решения, как улучшить продукт. Но каждый понедельник он превращался в Excel-зомби. Его еженедельный ритуал выглядел так: 2 часа: собрать данные из Google Analytics, Яндекс.Метрики, CRM, рекламных кабинетов 1 час: свести всё это в единую таблицу 2 часа: посчитать метрики, построить графики 1 час: найти отклонения и попытаться понять причины 2 часа: написать выводы и оформить презентацию Итого: 8 часов. Целый рабочий день на механическую работу. Однажды в пятницу я зашёл к Диме в 19:00 и увидел его за компьютером. На экране — Excel с формулами. — Дим, ты чего так поздно? — Нашёл ошибку в прошлом отчёте. Неправильно подсчитал конверсию по одному каналу. Теперь пересчитываю все выводы... — Сколько времени потратишь? — Часа два. Может три. Я посмотрел на его экран и понял: это не работа для человека. Это работа для AI. Решение: AI-аналитик, который не ошибается в формулах Через неделю я показал Диме прототип. Он написал в Telegram: "Покажи отчёт за неделю" AI-агент за 15 секунд: Собирает данные из всех источников (параллельно) Считает метрики (трафик, конверсии, revenue) Сравнивает с прошлой неделей (динамика) Находит аномалии ("трафик упал на 15% — проблема в Яндекс.Директ") Генерирует визуализации Пишет выводы и рекомендации Результат: Готовый PDF-отчет с графиками и инсайтами. Пример отчета: WEEKLY REPORT: 1-7 ноября 2025 ТРАФИК ━━━━━━━━━━━━━━━━━━━━━━━ Визиты: 12,450 (+8% vs прошлая неделя) Источники: • Органика: 4,200 (+15%) ⬆️ Растет! • Директ: 3,800 (-12%) ⬇️ Проблема • Реферал: 2,450 (+5%) КОНВЕРСИИ ━━━━━━━━━━━━━━━━━━━━━━━ Лиды: 245 (+3%) Сделки: 12 (+20%) ⬆️ Средний чек: 180,000₽ (+12%) АНОМАЛИИ ━━━━━━━━━━━━━━━━━━━━━━━ ⚠️ Трафик из Яндекс.Директ упал на 12% Причина: Кампания "AI-агенты" на паузе с 5 ноября Рекомендация: Возобновить кампанию ✅ Конверсия выросла на 20% Причина: Новые кейсы на сайте резонируют Рекомендация: Создать больше похожего контента ПРОГНОЗ ━━━━━━━━━━━━━━━━━━━━━━━ При текущих трендах к концу месяца: • Лиды: ~1,000 (цель 950) ✅ • Сделки: ~50 (цель 45) ✅ • Выручка: ~9M₽ (цель 8M₽) ✅ Что сказал Дима, когда увидел результат — Блин, это же то, на что у меня уходит весь понедельник... А тут 15 секунд. Потом он прочитал выводы, которые сгенерировал AI, и спросил: — Погоди, а как он понял, что трафик из Директа упал из-за паузы в кампании? Я обычно трачу на это час — лезу в кабинет, смотрю историю изменений... — Он имеет доступ к API Директа и проверяет статус кампаний автоматически. — ...Мать честная. Цифры: Время на отчёт: 8 часов → 15 секунд (в 1920 раз быстрее) Инсайтов: в 3 раза больше (AI видит корреляции, которые человек пропускает) Ошибок в расчётах: 0 (было 2-3 в месяц) Дима освободил 32 часа в месяц и начал заниматься тем, что действительно важно — стратегией Стоимость: 180,000-250,000₽ Окупилось: за 2 месяца (Дима предложил улучшения, которые принесли +15% к конверсии) Главное: теперь Дима не застревает в Excel и может думать головой. А это дорогого стоит. Задача 4: Обогащение лидов (и почему гуглить клиентов — плохая стратегия) Один из моих клиентов — агентство по автоматизации бизнеса. Они покупали лиды из рекламы по 500₽ за штуку. Приходили анкеты: Имя: Алексей Смирнов Email: a.smirnov@techcompany.ru Телефон: +7 999 123-45-67 И всё. Менеджер понятия не имел: это владелец компании или стажёр? Компания на 10 человек или на 500? Есть бюджет или "просто посмотреть"? Поэтому менеджеры тратили 10-15 минут на каждый лид: гуглили компанию, искали в LinkedIn, лезли на сайт, читали новости. При 30 лидах в день — это 5-7 часов чистого времени. Директор по продажам жаловался: "Мы тратим кучу денег на рекламу, но половина времени менеджеров уходит на исследование, а не на продажи." Я предложил простое решение: автоматизировать исследование. Решение: AI делает за 20 секунд то, на что человек тратит 15 минут AI-агент получает лид и автоматически: Входные данные: Имя: Алексей Смирнов Email: a.smirnov@techcompany.ru Телефон: +7 999 123-45-67 AI делает (параллельно): Анализирует email: Домен: techcompany.ru Ищет сайт компании Ищет в LinkedIn: Находит профиль "Алексей Смирнов" Должность: IT Director Компания: TechCompany LLC, 150 сотрудников Ищет компанию: Сайт: techcompany.ru Отрасль: E-commerce Недавние новости: "Привлекли $2M инвестиций" Обогащает CRM: Выходные данные в CRM: Контакт: Алексей Смирнов Email: a.smirnov@techcompany.ru Телефон: +7 999 123-45-67 Компания: TechCompany LLC Отрасль: E-commerce Размер: 150 сотрудников Сайт: techcompany.ru Должность: IT Director LinkedIn: [ссылка] Бюджет: Вероятно есть (инвестиции $2M) Приоритет: A (целевой клиент!) Рекомендация: "Компания в росте, есть бюджет. IT Director — ЛПР. Предложить автоматизацию складского учета." Время AI: 20-30 секунд Время менеджера: 1 минута (проверить и позвонить) Результат: конверсия выросла на 35% Через месяц директор по продажам прислал мне отчёт. Я ожидал "спасибо, всё работает", но получил вот это: "Алан, конверсия из лида в встречу выросла с 20% до 27%. Менеджеры говорят, что теперь знают, с кем разговаривают, ещё до звонка. Могут персонализировать предложение. Плюс мы перестали тратить время на мелкие компании без бюджета — AI сразу их фильтрует." Цифры: Время на обработку лида: 15 мин → 30 сек (AI) + 1 мин (проверка) = 93% экономии Конверсия: +35% (персонализация творит чудеса) Менеджеры тратят время на продажи, а не на гугл Стоимость: 120,000-160,000₽ Окупилось: за месяц (дополнительные 5 сделок покрыли всё) Лайфхак: Качество лида важнее количества. Лучше обработать 20 квалифицированных лидов, чем 50 холодных. Задача 5: Генерация писем (бонусная задача, которая удивила даже меня) Эту автоматизацию я внедрил почти случайно. Делал систему для обработки лидов (Задача 1), и менеджер спросил: "А можешь сделать, чтобы AI ещё и письма писал?" Я скептически отнёсся к идее. Думал, письма от AI будут шаблонными и безликими. Но решил попробовать — благо MCP-сервер уже был готов, оставалось добавить один инструмент. Менеджер говорит AI: "Напиши письмо Алексею про наше решение для автоматизации склада" AI за 10 секунд: Смотрит контекст: История переписки с Иваном Его компания и отрасль Прошлые сделки Что его интересовало ранее Генерирует письмо: Тема: Алексей, автоматизация склада для TechCompany Привет, Алексей! Помню, вы упоминали проблемы с учетом на складе. Мы недавно запустили похожий проект для [компания из той же отрасли] — автоматизировали приемку товара и инвентаризацию. Результаты: • Ошибки в учете: -90% • Время инвентаризации: 2 дня → 4 часа • Окупилось за 3 месяца Технически это работает так: [краткое описание] Интересно обсудить для TechCompany? Созвон 20 минут? — Alan Forester MCP Agents Space Менеджер: Проверяет (5 секунд) Может подправить (опционально) Отправляет Время: 1-2 минуты вместо 10-15. Неожиданный результат: клиенты стали отвечать чаще Через неделю менеджер пришёл ко мне с вопросом: — Алан, что ты изменил в системе? Клиенты стали отвечать на письма в два раза чаще. — Ничего не менял. Просто теперь AI пишет письма с учётом контекста. — Ты хочешь сказать, что робот пишет лучше, чем я? — Нет. Он пишет так же хорошо, как ты. Но он ВСЕГДА помнит историю переписки. Ты иногда забываешь. Цифры удивили даже меня: Время на письмо: 12 мин → 1 мин (менеджер проверяет и отправляет) Engagement: +25% (клиенты чаще отвечают) Ошибок: 0 (AI не делает опечаток и проверяет грамматику) Качество: стабильное (не зависит от настроения и усталости менеджера) Стоимость: Бесплатно (использовали тот же MCP-сервер из Задачи 1) Экономия: 2 часа/день = 40 часов/месяц Главный инсайт: AI не пишет креативнее человека. Но он НИКОГДА не забывает контекст, не делает ошибок и не устаёт. В рутинной переписке это важнее креатива. Сравнительная таблица Задача | Было | Стало | Экономия | Стоимость | Окупаемость | |---|---|---|---|---|---| Обработка заявок | 3-4.5ч/день | 10сек | 60-90ч/мес | 80-120K₽ | 1 месяц | Поддержка | 200+ тикетов | 65% авто | 80ч/мес | 160-200K₽ | 1 месяц | Отчеты | 6ч/неделю | 15сек | 24ч/мес | 180-250K₽ | 2-3 месяца | Обогащение | 15мин/лид | 30сек | 140ч/мес | 120-160K₽ | 1-2 месяца | 12мин | 1мин | 40ч/мес | Включено | - | Итого экономия: 344-374 часов/месяц Итого стоимость: 540-730K₽ Средняя окупаемость: 1.5-2 месяца С чего начать (три совета из личного опыта) После семи внедрений я вывел для себя простое правило: начинать нужно не с самой важной задачи, а с самой болезненной. Совет 1: Выберите задачу, которая бесит команду больше всего Не ту, которая кажется вам важной. А ту, на которую жалуются люди. Если менеджеры стонут от количества заявок → Задача 1 (обработка лидов) Если саппорт захлёбывается в рутине → Задача 2 (AI-бот поддержки) Если аналитик живёт в Excel → Задача 3 (автоматизация отчётов) Почему это важно? Потому что если команда чувствует боль — она будет помогать внедрению. Если вы автоматизируете то, что "надо", а не то, что "болит" — получите саботаж. Я наступал на эти грабли, помните историю с саппортом? Совет 2: Делайте пилот на 2 недели, не больше Не тратьте три месяца на "идеальное" решение. Сделайте MVP за неделю, протестируйте неделю — и либо масштабируйте, либо выкиньте. Мой первый AI-агент (тот, который провалился) разрабатывался месяц. Я потратил кучу времени на "совершенную архитектуру" и "расширяемость". В итоге он не решал реальную проблему. Третья версия (которая сработала) была написана за выходные. Вывод: Быстрый тест дешевле идеальной архитектуры. Совет 3: Не пытайтесь автоматизировать всё сразу Я знаю, как это работает. Вы читаете статью, у вас загораются глаза: "Вау, давайте автоматизируем ВСЁ!" Не делайте так. Автоматизируйте одну задачу. Дождитесь результата. Потом — следующую. У меня был клиент, который хотел автоматизировать сразу 15 процессов. Я отказался. Сказал: "Давайте сделаем три самых болезненных. Через месяц оценим и решим, нужны ли остальные." Через месяц он сказал: "Знаешь, этих трёх хватает. Остальное не так важно, как казалось." Технологии (для технарей и любопытных) Для всех этих задач используются похожие технологии: AI модели: Claude AI — лучше для сложных запросов и анализа контекста GPT-4 — хорош для генерации текстов Локальные модели — если нужна полная конфиденциальность Frameworks: MCP Protocol — стандартная интеграция AI-агентов LangChain — для RAG и сложных агентов FastAPI — бэкенд для API Интеграции: CRM: AmoCRM, Битрикс24, HubSpot Мессенджеры: Telegram Bot API, WhatsApp Business Аналитика: Google Analytics, Яндекс.Метрика Главное, что я понял за два года автоматизации AI-автоматизация — это не про "роботы заменят людей". И не про "искусственный интеллект решит все проблемы". Это про то, что AI делает скучную рутину, а люди занимаются интересным. Помните Диму, аналитика? Раньше он тратил понедельники на Excel. Теперь он анализирует тренды и предлагает стратегические решения. Он счастлив. Компания зарабатывает больше. AI сэкономил ему время — не заменил его. То же с менеджерами. Они не перестали работать. Они перестали тонуть в заявках и начали продавать. То же с саппортом. Они не потеряли работу. Они перестали отвечать на "Как сбросить пароль?" сотый раз в день и начали решать реальные проблемы клиентов. Что стоит автоматизировать с AI: Повторяющиеся задачи — делал 100 раз? Автоматизируй Поиск и обработку информации — гугл, анализ, систематизация Генерацию типовых текстов — письма, отчёты, описания Анализ больших объёмов данных — AI не устаёт от цифр Что НЕ стоит автоматизировать: Творческие задачи — AI плохо креативит Стратегические решения — AI не понимает контекст бизнеса Общение с ключевыми клиентами — эмпатию не автоматизируешь То, что делаешь раз в месяц — не окупится Простой тест: Если задачу можно описать чётким алгоритмом — автоматизируй. Если нет — оставь людям. Последний совет (самый важный) Помните историю про демонтаж цеха из статьи коллеги-сметчика? Когда эксперты говорили "невозможно", а шабашники взялись и сделали? С AI то же самое. Куча "экспертов" скажет вам: "Эту задачу невозможно автоматизировать", "AI не справится", "Слишком сложно". Не верьте им. Я автоматизировал задачи, которые "эксперты" называли невозможными. Просто потому, что попробовал. Да, первая попытка провалилась. И вторая. Но третья сработала. Сказать "невозможно" — легко. Попробовать — сложнее. Но только попробовав, вы узнаете правду. P.S. Если решите попробовать За последние два года я помог автоматизировать процессы в семи компаниях. Не во всех получилось с первого раза. Но получилось везде. Если вы решите попробовать — вот что я могу предложить: Бесплатная консультация 30 минут. Расскажите про вашу задачу. Я скажу честно: подходит она для AI-автоматизации или нет. Без воды и продаж. Если подходит — предложу план на 2 недели. Если нет — скажу, что делать вместо AI. Контакты: Email: alan@forester.pro Telegram: @alanforester Сайт: https://mcpagents.space Об авторе: Алан Форестер — разработчик AI-агентов и автор статей о MCP Protocol. За два года автоматизации набил все возможные шишки и научился отличать полезную автоматизацию от красивой, но бесполезной. Работаю с Claude AI, MCP, LangChain. Помогаю компаниям автоматизировать рутину, а не заменять людей роботами. P.P.S. Если эта статья была полезна — поделитесь ей с коллегами. Возможно, у них тоже есть задачи, которые можно автоматизировать за неделю. И помните: невозможное становится возможным, когда вы перестаёте верить экспертам и начинаете пробовать сами.