AI-кейсы агентства: зачем нужны и как устроен production-пайплайн

Кейс агентства — самый трудозатратный жанр в маркетинге: по нашему процессу 9-17 часов работы команды на одну публикацию, а у команд с более длинным циклом согласований — заметно больше; источники разбросаны по почте, звонкам, заметкам, документам клиента. При этом кейс — один из немногих материалов, которые лица, принимающие решения, реально читают перед подписанием договора. AI радикально ускоряет три из семи этапов production-пайплайна, а три — согласование структуры, авторскую редактуру и юридическое согласование — сознательно оставлены людям: там требуется суждение. Этот текст — про то, зачем кейсы того стоят, и про полный пайплайн, который мы используем в [Генераторе кейсов](/products/case-study-generator), с конкретными нодами n8n и точкой передачи редактору.

Зачем кейсы до сих пор решают

Контент-маркетинг всё активнее уходит в короткие форматы и быстрые реакции, но в B2B кейс держит позицию отдельно. Ни лендинг, ни презентация не отвечают на вопрос, который покупатель задаёт себе молча перед подписанием: «А делали ли они это для кого-то похожего на нас?» Кейс — это единственный жанр, который отвечает на него предметно, с именами и цифрами.

Для агентства портфель опубликованных кейсов работает как актив с накопительным эффектом: каждая новая история усиливает доверие к предыдущим, питает органический трафик и даёт продажникам конкретный аргумент вместо общих слов про экспертизу. Проблема никогда не была в том, писать кейсы или нет. Проблема в том, что на них уходит непропорционально много времени относительно других форматов контента.

Узкое место ручного процесса

Типичный сценарий: проект закрыт, клиент доволен, кто-то в чате предлагает «сделать из этого кейс» — и дальше начинается растянутая история. Копирайтер договаривается о созвоне с проектным менеджером, поднимает бриф, идёт по папке проекта и восстанавливает хронологию из переписки в Telegram, презентаций и полузабытых решений со статус-коллов. Это уходит на первый же день, ещё до того, как написана хоть одна строчка текста.

Дальше — черновик, внутреннее согласование, круг правок через почту или таск-трекер, форматирование под требования конкретной площадки. Активного письма во всём этом — часы. Основной объём времени съедают координация, переключение между задачами и ожидание чужого ответа. Это не проблема компетенций команды — вся нужная информация уже есть внутри компании. Проблема в том, что её нужно найти, структурировать и изложить внятно, а этот процесс никак не оптимизирован.

Именно в сборе и структурировании исходников AI даёт основную экономию — не потому что модель пишет лучше редактора, а потому что она не тратит часы на то, чтобы просто найти нужный фрагмент переписки.

Семь этапов production-пайплайна

Хороший кейс агентства строится из семи последовательных шагов. AI ускоряет три из них радикально, два — заметно, два — никак.

Суммарно: 9-17 часов вручную → 4-7 часов с AI. Экономия не «в 10 раз», как обещают маркетинговые материалы, а «в 2-3 раза» — но на трудоёмких этапах сбора и черновика. Этапы 3, 6, 7 — это где человеческое суждение, и AI там не помогает.

Этап 1. Сбор исходников

Самый недооценённый этап. В работе типового агентства один кейс собирается из 8-15 источников: email-переписка с клиентом, транскрипты zoom-звонков, заметки PM в Notion, материалы клиента (отчёты, графики, скриншоты), упоминания в СМИ.

Что делает n8n:

• Парсит email-thread по теме клиента (Gmail/Outlook API)
• Транскрибирует звонки (Whisper API локально или Yandex SpeechKit)
• Подтягивает страницы Notion/Confluence/Google Docs по тегу клиента
• Собирает всё в единый markdown-документ с разделителями и тайм-стампами

Результат — один файл на 30-50 страниц с структурированным контекстом, готовый к скармливанию LLM. Раньше PM-у нужно было физически открыть 8-15 разных интерфейсов и скопировать релевантное. Теперь это одна команда в Slack или один webhook.

Где это ломается. Качество транскриптов зависит от качества звука звонков. Email-парсер ловит только то, что было в текстовом виде — вложения и встроенные таблицы нужно обрабатывать отдельно. Notion/Confluence API имеют лимиты на запросы. Все эти точки решаются конфигурацией, но требуют первичной настройки на онбординге клиента.

Этап 2. Извлечение фактов

После того как контекст собран, нужно из него вытащить структурированную начинку: какие именно числа упоминались, какие имена, какие даты, какие цитаты. Это задача, в которой LLM сильны.

Что делает LLM:

• Получает 30-50-страничный markdown с этапа 1
• Возвращает структурированный JSON: имена и должности с привязкой к источнику, числа и метрики (с указанием контекста — за какой период, в каких единицах), даты ключевых событий, цитаты с указанием говорящего

Промпт для этого этапа в нашей системе занимает порядка 800-1200 токенов и переписывается под клиента — у каждого свои предпочтения по тому, что считать «ключевым числом» (для одного это рост revenue, для другого — engagement-метрики, для третьего — media impressions).

LLM здесь работает не как генератор, а как структурирующий слой. Качество извлечения для русского текста на YandexGPT 5 Pro и Qwen 2.5 7B — по нашим рабочим наблюдениям на собственных кейсах, порядка 90-95% на типовом источнике; это не формальный бенчмарк, и именно поэтому остаток правит редактор на этапе 5.

Этап 3. Согласование структуры

Это первый этап, где AI не помогает. Решение «какой угол берём в кейсе» — функция от позиционирования клиента в его рынке, от наших отношений с клиентом, от того, какие моменты можно делать публичными, а какие нет.

Что делает человек:

• Смотрит на JSON фактов с этапа 2
• Выбирает 3-5 ключевых моментов из 20-30 возможных
• Решает, что выносим, что упоминаем мимоходом, что вырезаем полностью
• Согласовывает с клиентом основные точки до того, как пишем драфт

Это работа PM-а или senior-копирайтера, 30-60 минут. Без неё AI-сгенерированный кейс получится «технически правильным», но не отвечающим на вопрос «зачем мы это публикуем».

Многие пытаются делегировать этот этап AI («дай LLM решить, что важно»). Результат — стандартизованные кейсы, которые невозможно отличить от кейсов конкурентов. Структура должна быть осознанным выбором, не статистическим средним.

Этап 4. Драфт-сторителлинг

Согласованная структура (этап 3) + JSON фактов (этап 2) → LLM генерирует первый драфт текста. Это второй этап, где AI даёт основную экономию времени.

Что делает LLM:

• Получает скелет «проблема → подход → действия → результат» и список фактов
• Пишет связный нарратив на 1500-3000 слов
• Соблюдает заданный стиль агентства (через системный промпт)
• Расставляет цитаты в правильных местах
• Прогоняет через humanizer-приёмы из предыдущего поста: убирает шаблоны, ставит конкретные числа, ломает тройки

Результат — драфт, который читается как живой текст, но требует авторской руки на этапе 6. Качество выше чем «технический пересказ фактов», но ниже чем «материал готовый к публикации».

Этап 5. Фактчекинг

Любой LLM hallucinates. Это не баг, это особенность вероятностной генерации. На production-материалах с проверяемыми числами это критично — клиент не простит «вырос на 23%» вместо «вырос на 19%».

Что делает n8n + LLM:

• Получает финальный драфт с этапа 4
• Извлекает из него все числа, имена и даты
• Сверяет с JSON фактов из этапа 2
• Возвращает список расхождений с указанием места в тексте

Это автоматический фактчекинг по одному источнику (наш JSON). Он ловит галлюцинации модели, но не ошибки исходного источника. Если в транскрипте звонка кто-то ошибся в цифре — этот пайплайн её не поймает.

Защита от этого — второй слой фактчекинга на этапе 7, когда клиент проверяет финальный текст.

Этап 6. Авторская редактура

Третий этап без AI. Редактор берёт чисто верифицированный драфт и:

• Расставляет авторскую интонацию — место для лёгкой иронии, серьёзности, эмоциональной паузы
• Добавляет вступление с зацепкой и финал с одной мыслью
• Меняет порядок аргументов под повествовательную логику, которую LLM не чувствует
• Цепляет внутренние ссылки на другие материалы агентства
• Финализирует CTA

Это работа senior-уровня, 1-2 часа на типовой кейс. На неё нельзя сэкономить через AI — потому что чем больше материала прогоняется через humanizer-LLM-humanizer, тем дальше он от живого голоса.

Этап 7. Юр-согласование с клиентом

Финальный этап без AI. Клиент проверяет:

• Цитаты сотрудников — кто что говорил, согласие
• Числа и метрики — что можно делать публичными
• Упоминания внутренних процессов — что не разглашать
• Ссылки на партнёров и подрядчиков — нужно ли согласовывать с ними

Этот этап — функция отношений с клиентом, не технологии. Хорошие отношения — клиент проверяет за 1-2 дня. Плохие — за 2-3 недели. AI не сокращает ни тот, ни тот сценарий.

Что мы убрали и что добавили после года работы

Текущая версия пайплайна — третья по счёту. Что менялось:

Убрали LLM-этап «сгенерировать структуру». Раньше после этапа 2 был автоматический предлагатель структуры. Эксперимент с 30 кейсами показал — структура слишком похожая между клиентами, теряется уникальность. Делегировали этап 3 человеку, качество выросло.

Добавили humanizer-проход. Изначально драфт с этапа 4 шёл сразу в редактор. Редактор тратил 50% времени на удаление AI-шаблонов. Добавили детерминированный humanizer-скрипт (см. подробнее в приёмах гуманизации) — редактор теперь тратит время на содержание, не на чистку.

Добавили fact-extraction step. Изначально драфт писался напрямую по сырому контексту с этапа 1. Точность чисел была неустойчивой. После выделения этапа 2 в отдельный шаг с структурированным JSON-выходом — фактчек (этап 5) стал тривиальным.

Убрали multi-LLM-проверку. Эксперимент — прогонять драфт через две разные модели и сравнивать. Шум больше сигнала; убрали.

Кому это подходит

Пайплайн окупается там, где кейсы — это не разовая инициатива, а регулярный поток: брендинговые и креативные агентства с активным клиентским потоком, B2B-маркетинговые команды в продуктовых компаниях и консалтинге, где кейсы напрямую работают в продажах, PR-команды, готовящие материалы для деловых СМИ. Общий признак — больше двух-трёх закрытых проектов в месяц, из которых публикуется в лучшем случае один. Это и есть неиспользованная доказательная база экспертизы.

Не каждое агентство нуждается в этом уровне автоматизации. Чёткий список случаев, когда AI-пайплайн избыточен:

• Менее 1 кейса в месяц. Setup-стоимость не окупится. Делайте вручную.
• Кейсы — это короткие 500-700-словные превью. Они и так пишутся за 2-3 часа. AI экономит немного, добавляет инфраструктуру.
• Команда из 1-2 человек. AI-пайплайн требует кого-то, кто его поддерживает. Команды до двух человек тонут в инфраструктурном overhead.
• Каждый клиент уникален в стиле и регламенте. Если 5 клиентов = 5 разных конфигов промптов и интеграций, то общий пайплайн становится дороже чем 5 ручных процессов.

Sweet spot для AI-пайплайна — агентство 10-50 человек, 4-10 кейсов в месяц, общий редакционный стандарт. Это уровень, где экономия 5-10 часов на кейс умножается на десятки кейсов и окупает инфраструктуру.

Закрыть пайплайн один раз и пользоваться

Генератор кейсов — наша референс-реализация всех семи этапов. Типовое внедрение под клиента — по нашему опыту, 3-5 недель до устойчивого потока, включая настройку под стиль агентства и интеграции с существующими инструментами; первый кейс обычно выходит раньше — в пределах первых двух рабочих недель вместе с онбордингом команды.

Если у вашего агентства уже есть «база ручного процесса» (кейсы пишутся, но трудозатратно) — поговорим. Пройдём по семи этапам выше для вашей команды и определим, какие из них реалистично автоматизировать в первые три месяца, а какие лучше оставить ручными.