Как написать с нейросетью кейс, если клиент неразговорчивый

Почему кейс клиента сложно написать без интервью с заказчиком

Хороший кейс клиента начинается не с красивого текста, а с фактуры. Нужно понять, с какой проблемой компания пришла, что происходило до внедрения, почему выбрали решение, как проходил процесс и какие результаты проекта получили.

Но на практике клиент нередко отвечает примерно так: «Всё хорошо», «Стало удобнее», «Сотрудникам понравилось». Для кейса для сайта этого мало.

Особенно сложно, когда речь идёт об IT-продукте. Например, компания продаёт ПО частным предпринимателям и небольшим компаниям. Маркетологу нужно показать, как проходило внедрение ПО, какие процессы изменились и какой получился эффект от внедрения. А клиент не готов час рассказывать о своём бизнесе. Значит, проблема не обязательно в клиенте. Возможно, ему просто задают вопросы, на которые сложно отвечать.

В нейросети для интервью сначала настраиваем ИИ-агента

В такой ситуации полезно не просить нейросеть сразу написать кейс компании. Гораздо продуктивнее сделать из неё интервьюера.

Для этого можно настроить ии агента в Masha GPT. Внутри задаётся роль, правила работы и критерии результата. В нашем случае ИИ агент должен понимать специфику клиентских кейсов и уметь работать даже тогда, когда исходных данных мало.

Я бы задала ему такой промпт для интервью с клиентом:

Ты — редактор и исследователь клиентских кейсов IT-компании, которая создаёт ПО для малого бизнеса. Вот сайт втоей компании: (ставьте ссылку на свой сайт) Твоя задача — подготовить вопросы для интервью с клиентом твоей компании, если исходных данных мало.

Не придумывай факты, цифры, цитаты или результаты. Сначала изучи имеющуюся информацию о компании и продукте. Определи, каких данных не хватает для сильного кейса.

Составляй вопросы так, чтобы клиенту было легко на них ответить. Отдельно ищи вопросы про ситуацию до внедрения, причины выбора ПО, процесс внедрения, изменения в работе, конкретные цифры и результаты.

Если изучаешь сайт клиента, определи, какие факты о его бизнесе нужно уточнить, чтобы показать результаты внедрения ПО именно на его примере. Не задавай вопросы ради общей информации: каждый вопрос должен помогать собрать фактуру для статьи.

Твоя цель — подготовить основу для клиентского кейса, где будут подтверждённые факты, цифры и конкретный опыт компании.

Такой промпт для сбора фактуры задаёт агенту не только роль, но и способ мышления. Он не должен «додумать» отсутствующие сведения. Его задача — заметить пробел и сформулировать вопрос.

Как выбрать нейросеть, которая лучше думает как интервьюер

Один и тот же агентский промпт можно проверить через разные модели. Это важный этап: разные нейросети по-разному работают со сложными задачами и структурируют вопросы. Я протестировала этот ИИ ассистент сначала через Chat GPT, затем через Claude. В обоих случаях условия одинаковые: одна роль, один промпт, один набор исходных данных.

Допустим, у нас есть только сайт клиента и его сухие ответы после первого короткого созвона:

— используем программу несколько месяцев;
— раньше часть операций делали вручную;
— после внедрения стало удобнее;
— точные цифры пока не подготовили.

Задача нейросети — не заполнить пробелы самостоятельно, а подготовить вопросы для следующего, более глубокого интервью.

Chat GPT: вопросы от общего к конкретному

Первая модель может начать с базовой структуры: что было до внедрения, почему компания выбрала решение, какие процессы изменились, что стало удобнее.

Это полезная основа, но для сбора фактуры её нужно докрутить. Например, вопрос «Что изменилось после внедрения?» может снова привести к ответу «Стало удобнее». Тогда агенту можно задать дополнительное правило: избегать вопросов, на которые клиент способен ответить одним словом или общей фразой.

Вместо этого нужны вопросы вроде: «Какую операцию сотрудники раньше выполняли вручную? Сколько времени она занимала? Кто был ответственным? Что происходит сейчас?»

Так мы постепенно переводим интервью из разговора о впечатлениях в разговор о конкретных действиях. И вот как рассуждает Chat GPT. Сначала он написал список опорных вопросов и даже дал совет скинуть их за 15 минут до созвона, чтобы клиент успел собрать цифры - это отличает Chat GPT от большинства моделей. Он глубоко понимает психологию людей, тонкости взаимодействия и процессы в ходе интервью. 

Кроме того, он посоветовал не задавать все вопросы одному человеку, как как собственник может не владеть всеми фактами, которые нужны для хорошего кейса. 

И, наконец, он собрал стоп-фразы и варианты, чем их заменить:

Claude: глубже раскладывает процесс

В Claude тот же бриф клиента можно проверить с акцентом на причинно-следственные связи.

Например, агенту недостаточно узнать, что ПО внедрили. Он последовательно уточняет: какая проблема существовала, почему она возникла, каким был старый процесс, что именно изменили, кто пользовался системой и какой результат можно подтвердить.

Для IT-ниши такой подход особенно полезен. Нейросеть для интервью должна не просто спросить о впечатлениях клиента, а помочь восстановить цепочку «проблема → решение → изменение → результат».

В итоге первый блок вопросов плавно подводит клиента к рассказу о возникновении проблемы:

Второй блок вопросов глубоко помогает копнуть в способы решения проблемы и объяснение, почему клиент выбрал именно наш продукт:

Дальше - досконально и четко про изменения. Точнее - про внедрение и перестройку работы:

И, наконец, про результаты спрашиваем так, что односложно ответить не получится:

В моём эксперименте для задачи глубокого интервью с небольшим бизнесом я бы выбрала Claude именно за такую глубину раскладки процесса. Chat GPT оставила бы как сильный вариант для дополнительных вопросов.

Как работает агент в Masha GPT с неполными данными

Самое важное здесь — не подсовывать агенту готовый идеальный кейс.

В Masha GPT можно загрузить только то, что действительно известно: 

• информацию с сайта клиента, 

• бриф, 

• ответы первого созвона, 

• результаты уже проведённого разговора.

После этого агент должен определить пробелы. Например, мы знаем, что предприниматель использовал ПО для автоматизации бизнеса. Но не знаем, сколько времени занимала операция раньше. Вместо выдуманных «сэкономили 30%» агент должен спросить:

«Сколько времени сотрудник тратил на эту операцию до внедрения? Сколько занимает сейчас?»

Если клиент не знает точной цифры, можно спросить о количестве операций в неделю, числе сотрудников или частоте выполнения задачи. Из этих данных уже можно получить подтверждённую фактуру. Это принципиально важно для клиентского кейса: нейросеть помогает искать результат, но не имеет права придумывать его

От вопросов к структуре кейса

Когда глубокое интервью проведено, собранные ответы уже можно превратить в структуру кейса:

1. Проблема. Что происходило до внедрения.

2. Причина изменений. Почему компания решила искать решение.

3. Внедрение ПО. Что именно подключили и как изменился процесс.

4. Результаты внедрения. Какие конкретные изменения получил бизнес.

5. Эффект от внедрения. Цифры, экономия времени, сокращение ручных операций или другие подтверждённые показатели.

Так из сухих ответов получается материал, который можно использовать как кейс для портфолио, публикацию на сайте или основу для маркетингового контента.

Почему агрегатор нейросетей удобнее двух отдельных подписок

Именно на этапе сравнения становится понятно, зачем нужен агрегатор нейросетей.

У разных моделей разные сильные стороны. Для одной ниши вам нужна глубокая аналитика, для другой — хороший редактор, для третьей — сильная работа с большим объёмом исходных данных.

Вместо того чтобы оплачивать Chat GPT и Claude отдельно, можно работать с несколькими моделями внутри одного сервиса, переключаться между ними и сравнивать ответы на одной задаче. Это особенно удобно маркетологу, который пишет не один тип материала. Сегодня нужен кейс клиента, завтра — статья, послезавтра — исследование клиента или контент для другой ниши.

В Masha GPT такой подход позволяет использовать разные модели как разные способы посмотреть на одну задачу. Вы не выбираете нейросеть навсегда — вы выбираете ту, которая лучше подходит именно под текущую работу.

В итоге автоматизация бизнеса начинается не с попытки заставить одну нейросеть делать абсолютно всё. Гораздо полезнее дать каждой модели задачу, с которой она справляется лучше, а затем сравнить результаты в одном интерфейсе.

Для редактора это означает меньше повторяющихся объяснений. Для маркетолога — быстрее сбор фактуры. А для клиента — более содержательный разговор, из которого наконец можно получить цифры, детали и настоящий опыт внедрения.

5 генераций в день бесплатно всегда