AI-дайджест новостей: дороже всего обходится отбор

Поисковый API возвращает ссылки за доли секунды.

Пересказ одной статьи занимает у модели несколько секунд и стоит недорого.

Дорого обходится оценка: по каждой новости нужно решить, важна ли она. В простой схеме на это уходит отдельный вызов модели общего назначения.

Шестьдесят новостей дают шестьдесят вызовов каждое утро, и каждый стоит столько же денег и секунд ожидания, сколько остальные.

По наблюдению Истмена, большинство дайджестов в итоге отказываются от фильтрации и отправляют читателю всю ленту целиком.

Читатель получает простыню из повторов и через неделю перестаёт её открывать, после чего вложения в автоматизацию ничего не возвращают.

Здесь полезна метрика TTU (time to use): время, за которое инструмент начинает приносить пользу. У дайджеста, который никто не дочитывает, TTU бесконечен, сколько бы моделей в нём ни работало.

С той же проблемой сталкиваются RAG-системы, где модель отвечает по корпоративным документам.

Автор разбора в сообществе n8n показывает типичную поломку: обычное извлечение текста из PDF превращает таблицу без рамок в столбец разрозненных чисел, и модель уверенно отвечает по чужой строке.

Его решение переводит таблицы в Markdown, распознаёт сканы через OCR и режет документ на фрагменты с номерами страниц `pageStart` и `pageEnd`, чтобы каждый ответ можно было сверить с первоисточником. Для бизнеса это вопрос денег.

Характеристики товаров, прайсы и спецификации обычно хранятся в таблицах.

Если при подготовке данных теряется структура таблицы, RAG-ассистент будет путать размеры и цены, и замена модели на более мощную этого не исправит: модель не восстановит связь между числом и строкой, которую потерял парсер.

Поэтому в проектах на Akeneo и Pimcore мы сначала приводим атрибуты товаров к структуре PIM и только потом подключаем модель к уже чистым данным.

Дайджест или RAG-ассистент на n8n можно собрать за вечер, и для проверки гипотезы это быстрый путь.

Авторы блога n8n в обзоре 11 DevOps-инструментов дают точное предупреждение: стек автоматизации не должен требовать больше сил на координацию, чем ручная работа, которую он заменил.

Перед запуском в продакшен задайте команде три вопроса.

Сколько стоит одно решение модели и сколько таких решений система принимает за день?

Какие фильтры отсекают мусор до вызова модели?

Что произойдёт, если вебхук придёт дважды, а модель вернёт сломанный JSON?

Мой вывод: ценность AI-автоматизации определяет инженерия вокруг модели.

Дешёвый отбор, чистые данные и проверка на сбоях превращают демо в инструмент, который открывают каждое утро.

Без этой работы остаётся красивая схема в n8n, за вызовы которой компания платит впустую.