10 практичних кейсів, як підвищити дохід за допомогою AI

Як збільшити шанси на успіх AI-рішення

Щоб AI-проєкт мав практичний результат, Назар пропонує просту, але жорстку послідовність кроків:

Знайди справжню проблему. Не гіпотезу і не «здається, що тут можна AI», а реальну бізнес-проблему, яка болить зараз.
Переконайся, що є потрібні дані. Без доступних і релевантних даних AI не працює — це стоп-фактор ще до старту.
Зроби швидкий прототип. Не ідеальний продукт, а MVP, який дозволяє перевірити гіпотезу.
Перевір, що прототип дає користь. Користь має бути вимірюваною, а не «виглядає цікаво».
Запусти пілот. Обмежений запуск у реальному середовищі завжди цінніший за внутрішні обговорення.
Міряй і покращуй. AI — це процес, а не одноразовий реліз. Кожна ітерація має базуватись на метриках.

Як правильно обрати use-case і обґрунтувати ROI

Окремо Гембара звертає увагу на вибір правильного use-case та фінансове обґрунтування AI-ініціатив:

Шукай біль у P&L. Найкращі AI-кейси лежать там, де є прямий вплив на прибутки або витрати.
Buy-in від стейкхолдерів і команди. Без підтримки бізнесу AI не буде масштабуватись.
Чіткий ROI + North Star KPI. Має бути зрозуміло, яку саме метрику покращує рішення.
AI заради AI — пастка. Якщо кейс існує лише тому, що «це модно», він приречений.
Старт без метрик і бюджету — ризик. Без рамок вимірювання неможливо довести цінність.
MVP дешевше, ніж ілюзія. Мінімальний продукт дозволяє швидко зрозуміти, чи варто йти далі.

Перевірка прототипів та ітеративне покращення

Назар Гембара підкреслює важливість перевірки AI-прототипів через інтерв'ю з командою чи перші запуски.

"Перевірити, що прототип дає повністю через інтерв'ю з командою чи перші запуски. І постійно міряти і покращувати," — зазначає він.

Після кожного запуску має бути три рішення: продовжити, вдосконалити чи зупинити. Це забезпечує швидке реагування на результати.

Використання AI для пошуку даних

Спікер обговорює можливість AI-агентів шукати та структурувати дані.

"А може AI-агент шукати дані? Може, але тоді треба впевнитись чи він зможе їх шукати. Що ви маєте доступ до того, де він буде їх шукати.

Рекомендує використовувати готові рішення, як ChatGPT з Deep Research чи Gemini, які мають доступ до інтернету.

"Якщо ви візьмете GPT, в нього ви берете Deep Research або Gemini, в ньому Deep Research. То він буде робити те саме. Він має доступ. Google(Gemini) буде мати найкращий доступ, індекс до всього інтернету."

Це підхід buy vs build: не будувати власне, а купувати чи використовувати існуюче.

Швидке знаходження кейсів через фінансові метрики

Щоб швидко ідентифікувати корисні AI-кейси, Гембара радить починати з Profit and Loss Statement (P&L).

"Ви ходите з P&L. Що це означає? У вас є ваш Profit and Loss Statement, документ, ваші фінанси. Дуже просто. Рішення, яке ви робите, має вам робити одну з двох речей. Або приносити кошти, або економити кошти."

Треба прив'язувати до метрик, як зростання прибутку.

"Говорити з командою стейкхолдера, говорити з клієнтами, де їх реально болить. І це придумувати."

Він застерігає від модних ідей: "Я працював з десятками власників менших бізнесів і середнього бізнесу, який просто хоче робити АІ заради АІ. Побачили на конференціях і давайте це імплементувати..."

Метрики повинні бути не тільки кількісними, а й якісними.

"Якщо ви маєте собі кількість статей, які ви хочете опублікувати, це вже для вас метрика. Наступна метрика буде говорити не тільки про кількість, а й якість статей."

MVP (Minimum Viable Product) не повинен тривати більше 6 тижнів: "Якщо перший якийсь пілот... займає більше, ніж 6 тижнів, то це не ок. Щось тут не то."

AI не виправляє хаос — лише масштабує

Гембара попереджає: AI не розв'яже проблеми з даними чи процесами.

"Основне, що штучний інтелект... не виправляє хаос у ваших даних і процесах. Він його може тільки масштабувати."

Наводить приклад з клієнтом: "Я прийшов до клієнта і кажу, ми вам зробимо кастомний GPT. В нього було тисяча різних документів і він хотів щоб компанія могла швидше отримувати відповіді по цих документах, бо тисячу людей працює в компанії. Ми тих тисяч документів вам натренуємо, воно буде все відповідати шикарно. І продали, я такий щасливий, типу продали. І що? Ми натренували, все має бути, але нічого не працює."

Причина — конфлікти в даних: "В них один документ є і потім шість різних ітерацій його."

Рекомендує перевіряти дані на точність і несуперечливість перед впровадженням.

Етапи впровадження AI: від трафіку до операційки

Гембара класифікує кейси за етапами клієнтського шляху: трафік у ліди, ліди у продажі, ретеншн, операційка.

"Здається, це покриває більшість кейсів, які ми говорили сьогодні."

Радить фокус на швидких перемогах: "Подивитися на швидкі перемоги, дуже просто, де є низька складність впровадження і де є високий фінансовий вплив."

Практичні інструменти: платний GPT з Deep Research та Atlas Browser

Для розв'язання, використовуйте платний ChatGPT.

"Якщо дуже по-простому сказати, можна це вирішити з gpt з платною підпискою."

Різниця між безкоштовним і платним значна: "Різниця є дуже велика, насправді, між результатами. Шалено велика."

Рекомендує Deep Research: "Ви включаєте в ChatGPT Deep Research, використовуєте крутішу модель, запускаєте, воно думає 15-20 хвилин, і воно надасть максимально точну відповідь."

Для глибшого пошуку — Atlas Browser: "Тоді ви використовуєте браузер Atlas. Браузер Atlas в ChatGPT, він сам заходить на сторінки, і сам дивиться, і бачить повістю вже, як все, як людина."

Приклад: "Одне з найкращих моїх рішень для аналізу конкурентів, він відкриває 10 сайтів конкурентів... Витягує необхідну інформацію з 10 джерел."

Початок з маленьких прототипів та ітерацій

Назар Гембара радить не будувати кастомні рішення одразу, а починати з доступних інструментів.

Важливо отримати перші результати та фідбек:

"Краще першим кроком зробити, отримати якусь мінімальну кількість цього, отримати якийсь фідбек, що не працює, а потім спробувати і зробити,перевівши на новий етап."

Ніколи все не буде ідеально з першого разу: "Ніколи все не буде ідеально зразу, з першої спроби. Мій пойнт, який я хочу донести: почніть з чогось маленького, почніть з того, що вже у вас є з інструментів."

Уникання складних проєктів без даних

Андрій Остапчук наводить приклад невдачі через відсутність даних: "У нас є 1200 підприємців, про кожного є якийсь об'єм даних. Ми почали будувати пошук по досвіду, пошук знайомості... Але найбільша проблема номер один, з якою ми зіштовхнулися, щоб працював будь-який агент, йому треба дані."

Команда Young Business Club згенерувала дані самостійно: "Ми пішли крокназад, ми зараз запустили велику хвилю, ми пишемо 2000 статей про всіх учасників, ми генеруємо цей об'єм даних."

Ризик — вигадані дані: "Тут може бути такий ризик, що це вигадані дані. Він сам собі щось придумав, і сам собі на цих даних понаписував."

АІ культура в компанії

Гембара радить уникати проєктів з низьким впливом, а для рутинних задач — bottom-up підхід: "Впроваджувати найкраще знизу вверх. Це означає, що коли ви даєте, наприклад, той самий ЧПТ, платний для всіх працівників і розказуєте, що можна робити, і кажете людям, щоб вони самі пробували автоматизовувати якісь свої речі і ділилися тим регулярно. Набудувати це як культуру компанії чи вашої організації, які самі люди створюють і роблять якісь прикольні речі. 90% цього не будуть робити, але 10%, які це роблять, можуть принести дуже великий вплив на ваш бізнес."

П'ять ключових питань для оцінки AI-проєктів

Спікер підсумував п'ять питань: "Чи є чітка метрика, чи є вид власних процесу, це супер важливо. Якщо немає одної відповідальної людини, як правило, воно не вийде."

CEO повинен бути залученим: "Маккінзі говорять, що найбільші успішні імплементації AI були там, де сам CEO був відповідальний за впровадження АІ."

Кваліфікація лідів: приклад Doggone Taxi

Для перетворення трафіку в ліди — кваліфікація: "Перший наш пілотний клієнт була компанія, яка називається Doggone Taxi. Вони лідер по такій вузькій ніші в США, як перевезення собак та котів з одної точки в іншу."

AI швидко кваліфікує: "І в них зразу кваліфікація проходить, бо вони тільки кажуть і АІ дає відповідь чи можемо ми туди відправити."

Для складних задач — потужні моделі: "Моє рішення, пропозиція до цього, це використовувати потужніші ці моделі, в цьому вони мали б справитись. Банально пробуєте в ChatGPT, з ним переписуєтесь, ніби це ви стоїте."

Швидкість відповідей лідам

"Всі ми знаємо що дуже важлива швидкість відповіді. Ми всі прекрасно знаємо, що шанси на перетворення клієнта, перетворення ліда в клієнта, дуже сильно залежить від швидкості відповіді."

"Дослідження показує, що конверсія драматично падає з часом, який у нас проходить... Зниження на 21,6% протягом 30хв, різні статистики відбирав, вона падає просто шалено."

AI відповідає 24/7: "Якщо у вас немає зараз людини, яка якісно відповідає 24 на 7, якісно, то це виглядає дуже хорошою можливістю, щоб поставити AIку, яка буде відповідати моментально."

Кейс 1: Внутрішня підтримка команди

Почніть з внутрішнього: "Підтримка не напряму до клієнтів, а у вашій команді... Зробити першим ділом внутрішній ресурс, який буде давати відповіді на всі їхні питання."

Приклад з американською компанією, яка продає кастомні лакшері меблі. В її команду входить 1000 працівників: "В неї 30000 найменувань різних продуктів. І часто клієнт питається чи є якийсь продукт, який він раніше купував і якщо немає, то попросить підібрати йому щось подібне. І тут виникає проблема, як оперативно підібрати “щось подібне” серед такої кількості продуктів… Ну і ми зробили їм агента, який самостійно аналізував всю базу даних і давав відповіді по будь-яких запитах стосовно меблів. Звичайно це значно збільшувало їхні продажі."

Спікер не рекомендує автоматизовувати зразу для клієнтів, а спочатку спробувати для своєї команди, щоб побачити що працює, а що ні.

Кейс 2: AI-ресепшн

AI-ресепшн представляє собою універсальне рішення для взаємодії на всіх каналах, забезпечуючи безперервну підтримку та інтеграцію з голосовими технологіями. У бізнесі це перетворює клієнтський сервіс на ефективний інструмент, здатний обробляти запити в реальному часі. "Штучний інтеллект ресепшн, якийпрацює на всіх каналах веб, емейли, вотсап, телефон", — описує Назар.

З голосовою підтримкою: "Недавно запускав собі сервіс американський, «Sono» називається, він, надзвичайний, працює і якісно відповідає на дзвінки, каже що я асистент Назара і тд. Найсмішніше, коли інша АІйка дзвонила і вони між собою говорили".

“11labs - чудова компанія з Варшави. Найбільш успішний польський стартап, вони найкрутіші зараз в світі по голосу".

Ризики голосової симуляції

Технології голосового клонування несуть значні ризики шахрайства, особливо для вразливих груп, де розрізнення реальності від симуляції стає проблемою. Історія Назара ілюструє, як це може вплинути на довіру в бізнесі та особистому житті, підкреслюючи необхідність захисних заходів.

"Купили мою компанію. Написав про це Forbes і ще ряд відомих агенцій... Проходить тиждень, пишуть мені на WhatsApp партнер компанії, яка нас купила. Каже, Назар, привіт, як справи? В мене є до тебе одне прохання, хотів би купити компанію в Угорщині, але щоб це було не публічно чи можеш ти мені в цьому допомогти? Чи міг би ти закинути перший внесок для купівлі, це там 400тис доларів і я тобі зразу відправлю назад”. — розповідає Гембара.

“І потім я надіслав запис голосових його партнеру і йому самому, казали що голос не відрізнити, тобто наскільки якісно АІ клонувала голос, щоб виманити в мене гроші".

Кейс 3: AI-асистент на сайті для генерації лідів

"У нас на сайті, якщо ви зайдете, перше, що побачите, це АІ-асистент, це ресепшн, який відповідає на питання клієнтів. В нас було по одній людині в тиждень, я кілька місяців відкривав, які спілкувалися більше ніж годину часу. Тобто вони запитували як їм створити асистента, які технології, які є приблизні кейси. Енгейджмент був шалений. В принципі, навіть якщо він не конвертувався в клієнта, то то, що він вже настільки занурився, і лояльність його, і то, що його так довго тримати, це було класно. Згенерували великих лідів з десятками тисяч доларів сервіси."

Витрати на OpenAI та оптимізація

Спікер пояснює витрати: "Зі всіх клієнтів і з нами ми платимо до двох тисяч доларів в місяць за весь OpenAI, але це з клієнтами, а 90% це для клієнти. Я думаю, що ми не більше ніж 200 доларів на це витрачаємо в місяць."

Кейс 4: Захист даних клієнтів, особливо в healthcare

Гембара наголошує на конфіденційності: "Особливо, скажімо так, HealthCare в Америці, в нас найбільший клієнт, це компанія, яка робить, ми теж в Польщі зараз є, Natera називається, вони роблять генетичні тести."

Для таких клієнтів як Natera дані залишаються в їхньому сервері/хмарі: "Усе відбувається в їхньому клауді, але це такі приклади кастомних рішень. Вже 8 років з ними співпрацюємо, ось такий кейс як не ділитись конфіденційною інформацією".

Допомога продавцям: дослідження та пропозиції

AI може значно прискорити процеси продажів, від дослідження клієнтів до створення комерційних пропозицій, дозволяючи командам фокусуватися на стратегічних аспектах. Назар наводить приклади, де інструменти автоматизують рутину, підвищуючи ефективність B2B-взаємодій.

"Друга штука, зробіть щось, що допомагає вашим продавцям. В кожного різні бізнеси, я буду здебільшого зі своєї сторони, з B2B, але це створення, дослідження клієнтів. Виходить на дзвінок, щоб вони мали сервіс, якому можна задавати питання і отримати зразу вибірку про все".

"Ми робили це для індід компаній, дуже успішно, підготовка комерційної пропозиції, пропоузали, афігезно з цим працює. Бере ваші попередні всі кейси, найкращі практики."

Не потрібно кастомних рішень: "Я не зосереджуюся, напевне, на конкретних програмах, це, що я описую, можна робити все GPT, немає потреби будувати кастомного агента."

Аналог TLDV для саммарі дзвінків

Гембара рекомендує Fatom: "Андрій говорив про TLDV. У мене Fatom. Що він робить? Підключається на всі мої дзвінки, записує до деталей все, про що я поговорив з клієнтами, дає мені дуже гарний саммері."

Кейс 5: Як ледь не втратив 500 000$

“Що ще далі, я би сказав, що є асистент-інтеграція CRM, Drive, Confluent, Slack. Це дає зараз GPT-бізнес, можна інші сервіси, але дуже важливо, що у вас все це було інтегроване”.

Найпоказовіший кейс — інтеграція GPT з CRM.

Однієї ночі Назар тестував нову звʼязку: GPT + HubSpot. Просте питання: скільки було form submissions за останній період? Модель підключилася до CRM і видала список контактів, а потім — таблицю з іменами, компаніями, країнами, позиціями.

“Я кажу, дай мені табличку всіх і додай до них їхню інформацію, ім'я, емейл, країна, позиція, компанія і сайт компанії”.

Наступний запит — відсортувати ліди за пріоритетністю. GPT самостійно розбив їх на P0, P1, P2 і навіть відфільтрував внутрішні тестові заявки.

“Кажу, посортуй по пріоритетності і додай лінію хот-спот, щоб я клікнув і відкрився хот-спот”.

І саме тут виявилася проблема. Одна велика компанія залишила запит на комерційну пропозицію… пʼять днів тому. Команда її просто не побачила. Через технічну помилку на сайті форма не доходила до потрібного воркфлоу.

“Я знайшов, що в нас одна велика компанія, не можу поділитися, замалював ім'я, але заповнила форму, і я дивлюсь, думаю, ніфіга собі, заповнила 5 днів перед тим, як я це дивлюся”.

Запит — на контракт у 500 тисяч доларів із потенційним продовженням до мільйона на рік.

Лист CEO був написаний серед ночі. Відповідь прийшла одразу. Процес запустився. І навіть якщо угода врешті не закриється, сам факт того, що AI дозволив знайти втрачену можливість такого масштабу, повністю змінює уявлення про роль цих інструментів.

Причина: "Виявляється робили зміни на сайті і забули оновити цю айдішку для форми."

Контроль якості з AI

"Контроль якості. Це мій партнер придумав, по-бізнесу партнер. В нас була проблема трошки з якістю... Ми сказали всій команді, що ми записуємо всі свої дзвінки. Крім того, вся комунікація, всі емейли."

Усі дзвінки, уся письмова комунікація, імейли, Slack, Jira, Confluence — усе стає джерелом даних. Далі AI-агент починає працювати як незалежний контролер якості. Він не довіряє відчуттям, не дивиться “хто винен”, а аналізує факти. Він може сказати: зверни увагу, клієнт був незадоволений таймлайнами. Або: тут очікування не були зафіксовані чітко на старті.

Quarterly Business Review (QBR)

Далі Назар Гембара переходить до того, що вони тільки починають впроваджувати — quarterly business review. Раз на квартал вони сідають із ключовими клієнтами і проговорюють: що відбувається в бізнесі, що було зроблено, що планується далі.

Ідея проста, але AI робить її масштабованою. Він збирає дані з CRM, з Jira, з публічних звітів компаній, аналізує новини бізнесу клієнта і підсвічує можливості для апсейлу. Якщо CEO клієнта в квартальному звіті сказав, що для них критично автоматизувати певний процес — це одразу стає темою для пропозиції.

"Взагалі QBR дуже класна практика, ми тільки починаємо, мої перші враження досить прикольні, щоб мати структурований процес, оцінки роботи з кожним клієнтом і час виділений на проговорення з більшістю роботи."

Підтримка клієнтів: Intercom

"Дуже рекомендую, якщо про якісь сервіси, спробувати Intercom. Він виходить на ваш сайт, сканує всі сайти, всі ваші сторінки, які у вас є, і дає доволі якісні відповіді."

Для деяких бізнесів Intercom настільки ефективний, що навіть перевершує внутрішні рішення. У них навіть модель оплати побудована не за підпискою, а за успішно вирішений кейс.

Окремі публічні кейси звучать майже неймовірно. Мобільний застосунок із 200 мільйонами користувачів обробляє пів мільйона запитів на місяць, скорочуючи операційні витрати на 70 000 доларів і збільшуючи підтримку в пʼять разів. Люди впевнені, що спілкуються з фаундером і тому рейтинги ростуть.

Кейс 6: Klarna

"Klarna це fintech-компанія. Вони дуже були хайпові, бо вони у 2024 році запустили 2,3 мільйони розмов публічно і 2/3 чатів були автоматизовані. Вони порахували, що 40 мільйонів доларів вдалось зекономили."

Але що важливо — через рік багато таких компаній публічно визнають: AI не замінює все. Є зони, де люди залишаються критично необхідними. І це теж частина зрілого підходу.

Операційна діяльність: McKinsey дослідження

Найбільшу цінність AI сьогодні приносить у чотирьох зонах — клієнтські операції, маркетинг, продажі та розробка ПЗ. Саме там концентрується до 75% ефекту, за оцінками McKinsey. А в реальному житті це вимірюється простіше — годинами, які люди економлять щотижня.

"Я недавно проводив опитування в своїй компанії... То в нас, насправді, великий дуже відсоток оцінює, що вони економлять більше ніж 10 годин в тиждень. 60-70% опитаних оцінює, що вони економлять більше ніж 10 годин."

Автоматизація в операційці

"Автоматизувати в операційці можна доступ до знань найважливіших, доступ до документів, швидке рев'ю документів... Я розкрию секрет, я знаходив помилки в контракті з чатом GPT, який ми робили на продаж нашої компанії, який не знаходили двоє юристів, які коштують по 500$/год. Вони призналися, що вони мерджили два темплейти контрактів з двох юридичних компаній без chat GPT, нажаль. То вони дефініцію взяли з одного контракту, а використання з іншого і воно не мало сенсу."

Кейс 7: Масштабування контенту: кейс Indeed

Уявімо компанію Indeed. Вони мали команду з сімох професійних “райтерів”, які створювали специфічний SEO-контент для залучення органічного трафіку. Мета була проста — більше статей, більше релевантних візитерів на сайт, але без зниження якості.

Запустили AI-рішення, яке не замінює “райтерів”, а допомагає їм. Асистент пропонує структуру, перевіряє факти, підказує формулювання, а “райтери”, вже американські та британські професіонали, адаптують і додають цінність.

Результат вражаючий: кількість створеного контенту зросла в п’ять разів, а якість залишилась на високому рівні, що вимірювалось як трафіком, так і позиціями в пошуку. Цей кейс показує, що AI ефективний не як автономний інструмент, а як асистент для професіоналів.

“Позитивний фідбек від топ-райтера, Ніка Кіри, він входить в топ-1 копірайтерів на LinkedIn, і він працює в цьому Indeed, в “райтерах”. І він просто написав, що я прочитав повністю AI-Generated Post для них, і він не просто запрувив, а він каже:” I actually enjoyed it"”.

Залучення лідів через контент

Для залучення кваліфікованих лідів: "Я б дуже рекомендував використовувати те, що ви маєте бренд фаундера, використовувати те, що ви маленькі, створювати хорошу кількість якісного контенту, не дженеріку, а те, що ви навчилися, те, що ви бачите в індустрії."

"Ми запустили сайт syntheticaudiences.ai, щоб можна було інтерв'ювати синтетичних AI людей... Ми ніде його не рекламували, прийшло 6 лідів. Нас десь 25% зараз приходять, знаходять нас через GPT.”

"Моя б була номер один рекомендація: не боятися, що це AI-згенерований контент, бо це ваш контент, ви відповідаєте, ви це постите.”

Інші кейси

Система для оголошень: "Що теж працює, АІ-асистент, який допомагає цьому Indeed. Роблять оголошення, продають компанію, пакети, щоб вони рекламували свої позиції, свої вакансії в них на сайті. Воно дуже класно працює. Вони заходили на дзвінки і вже мали повністю research, як brief про те, що це за людина... Були реальні відгуки, що допомагало не вимірювання якісь продажі, бо це важко говорити, але відгуки були, що воно їм допомагало, економило час."

CV-білдер: "CV-білдер, це взагалі продукт. Якщо на Work.ua зайти, щоб він зразу в Work.ua допомагав вам побудувати свій CV."

Inbound маркетинг: "AI використовувати для інбаунд маркетингу, для того, щоб збільшувати свою воронку продаж і її конвертувати в довгий час."

Стратегія пілотного запуску AI: 6-тижнева методика

Один із ключових інсайтів від спікера стосується швидкого пілоту AI. Він рекомендує шеститижневий цикл, який дозволяє отримати перші результати і визначити подальші дії:

Визначити цільове використання — чіткий кейс, зрозумілі метрики, відповідальна особа.
Підготовка даних і інтеграція — перевірка, чи ваші дані готові для роботи AI, чи можна підключити існуючі сервіси.
Запуск пілоту — обмежений кейс, реальні сценарії, збір інсайтів.
Ітерації і доопрацювання — AI рідко працює ідеально з першого разу; потрібні кілька тижнів для вдосконалення.
Оцінка результату і рішення — зібрані дані допомагають визначити, чи масштабувати рішення, чи відмовитись.

Такий підхід дозволяє уникнути типових помилок: надмірних очікувань, довгих впроваджень і витрат на кастомні розробки без чіткої окупності.

Buy vs Build: рекомендації

Ще одна важлива рекомендація: купувати готовий сервіс, якщо він закриває вашу задачу. Будувати власне рішення має сенс лише тоді, коли ви отримуєте унікальну конкурентну перевагу, яку неможливо забезпечити існуючими інструментами.

"Якщо питання купувати чи будувати, я завжди кажу купувати, бо будувати дорого. І краще спочатку купити, зрозуміти, чому ви не можете використовувати те, що можна купити і тоді мати усвідомлене рішення чому вам варто щось будувати."

Купівля готового сервісу дозволяє:

економити час і ресурси команди,
отримувати постійні покращення від розробників продукту,
уникнути технічного боргу та витрат на підтримку кастомних рішень.

Це особливо важливо для стартапів і малого бізнесу, де кожен ресурс має критичне значення.

Фінальні рекомендації

"Я хотів, щоб ви з чимось вийшли сьогодні. Це три питання відібрати для якогось пілотного проекту... Вибрати собі якісь одні-дві ерії, чіткі метрики, які би ви хотіли покращити, подивитися, чи можна запустити там рішення без значущих кастомних розробок... І запустити рішення, з якоюсь одною людиною, яка буде відповідати за успіх або невдачу."