Автопарки, та область, где софт редко бывает красивым и почти всегда дорогим. Диспетчерская, маршруты, топливо, ремонт, документы: всё это живёт в таблицах и звонках. Proaction пошла другим путём и собрала рабочую систему поверх трёх моделей OpenAI, Codex, GPT-Live-1 и GPT-6 Astra. Результат, который компания фиксирует по итогам внедрения: рост продаж на 60% и экономия более 75 часов ручной работы.
Кто что делает в этом стеке
Разделение ролей здесь не маркетинговое, а инженерное. Codex отвечает за код: сборку, доработку и эксплуатацию сервиса. GPT-Live-1 держит интерактивный слой, там, где нужен живой отклик на данные, а не раз в сутки пересчитанный отчёт. GPT-6 Astra подключается к более тяжёлым сценариям, где важна не скорость ответа, а качество разбора.
Почему три модели, а не одна
Соблазн взять одну универсальную модель понятен: меньше интеграций, проще счёт. Проблема в том, что управление автопарком, это набор разнородных задач. Код живёт по одним законам, диалог с клиентом или диспетчером, по другим, аналитика по третьим. Разнесение по трём движкам даёт предсказуемость на каждом участке, но добавляет стоимость поддержки и риск, что обновление API одной из моделей потянет за собой переделку всего контура.
Откуда берутся 60% и 75 часов
Проценты роста продаж в таких кейсах обычно складываются не из магии, а из скорости реакции. Если запрос клиента обрабатывается не за два дня, а за пару часов, часть сделок просто не теряется по дороге. Экономия в 75+ часов, это рутина, которая раньше висела на людях: сверка данных, подготовка документов, пересборка отчётов.
Где эта логика ломается
Автопарк, среда с высокой ценой ошибки. Неверный маршрут или потерянная заявка на ремонт стоят дороже, чем сэкономленный час. Поэтому ключевой вопрос при внедрении не «какая модель умнее», а «что именно отдаётся под автоматику, а что остаётся за человеком». Граница проходит по обратимости: если ошибку можно откатить, отдавать модели, если нет, оставлять людям.
Что из этого применимо за пределами логистики
Схема «код + интерактив + тяжёлая аналитика» повторяется в любом сервисном бизнесе с большим объёмом однотипных операций: заправки, доставка, аренда техники, склад. Логика та же: сначала оцифровать поток задач, потом решить, какие из них вообще стоят автоматизации, и только затем выбирать модели.
Практический вывод
Кейс Proaction полезен не цифрами, а структурой. Три модели под три разных типа нагрузки, измеримая экономия часов, конкретная отрасль с понятной ценой ошибки. Для команды, которая думает о похожем внедрении, разумный первый шаг, не выбор модели, а инвентаризация рутины: сколько часов в неделю уходит на операции, которые можно откатить без последствий. Именно этот список, а не презентация вендора, определяет, окупится ли стек.
Что в сухом остатке: продажи выросли на 60%, 75+ часов рутины ушло с людей, а держится всё на связке Codex, GPT-Live-1 и GPT-6 Astra. Главный риск, привязка к чужому API, и он никуда не денется.