11.08.2025

Structured Output: Как заставить ИИ работать предсказуемо и автоматизировать бизнес-процессы

Авторы: Алексей Носов, Дмитрий Филин

Что такое Structured Output и почему без него ИИ превращается в «рулетку»

Представьте: потенциальный клиент звонит в 8:59 утра. За минуту до открытия офиса. Готов сделать заказ прямо сейчас.

Но ваш ИИ-ассистент отвечает: «Извините, мы работаем с 9:00 до 18:00. Перезвоните в рабочее время».

Клиент в недоумении вешает трубку. И больше не перезванивает.

Томми Версетти не перезвонил…

Звучит абсурдно? Но именно это произошло в одном из наших первых проектов с ИИ-агентами. Об этом пример рассказывал Дима — наш ведущий Prompt инженер на своём митапе.

Почему ИИ ведет себя как «промпт-рулетка»

Проблема не в том, что ИИ глупый. Проблема в непредсказуемости.

Вы даете четкую инструкцию: «Принимай заказы в рабочее время с 9 до 18».

ИИ понимает буквально: 8:59 ≠ 9:00 = отказать клиенту.

А в следующий раз тот же ИИ может решить по-другому. Потому что генерирует ответы вероятностно — каждый раз немного иначе.

Это как если бы ваш лучший менеджер каждое утро просыпался с новой личностью.

Цена непредсказуемости в бизнесе

Когда ИИ работает с клиентами, каждая ошибка стоит денег:

Потерянные лиды — ИИ неправильно квалифицирует клиента
Сломанная автоматизация — CRM не может обработать ответ в произвольном формате
Невозможность масштабирования — нельзя доверить критичные процессы

По нашему опыту, без structured output только 55−65% ответов ИИ можно использовать в автоматизации. Остальные требуют ручной обработки.

Structured Output: от хаоса к предсказуемости

Structured Output — это технология, которая заставляет ИИ отвечать в строго заданном формате. Всегда. Без исключений.

Вместо: «Наверное, клиент заинтересован, но не уверен насчет бюджета»

Получаем:

Реальные цифры надежности

OpenAI опубликовал исследование:

GPT-4 без structured output: корректный JSON в 38% случаев
GPT-4 со structured output: корректный JSON в 100% случаев

Наша статистика из продакшена:

Обычные промпты: 60−70% подходят для автоматизации
Structured output: 94−97% успешно обрабатываются системами

Это разница между «может сработает» и «точно сработает».

Почему это критично именно сейчас

2025 год — переломный момент для ИИ в бизнесе. Компании массово внедряют ИИ-агентов в:

Продажи и поддержку (24/7 обработка лидов)
HR и рекрутинг (скрининг сотен резюме)
Аналитику и отчетность (автоматические дашборды)

Но без structured output это похоже на строительство дома на песке.

В этой статье разберёмся, как структурированный вывод превращает ИИ в прочный фундамент для автоматизации.

Как работает структурированная генерация: простое объяснение для бизнеса

Представьте, что вы нанимаете нового сотрудника. Можно сказать: «Обрабатывай заявки как-нибудь». А можно дать четкий чек-лист с полями для заполнения.

Structured Output — это такой чек-лист для ИИ.

JSON Schema — договор с искусственным интеллектом

JSON Schema — это как бланк в банке. Вы заранее определяете:

Какие поля должны быть заполнены
В каком формате (число, текст, да/нет)
Какие значения допустимы

ИИ физически не может заполнить бланк неправильно. Система просто не примет ответ, если он не соответствует шаблону.

Обычный промпт: «Оцени этого клиента и скажи, стоит ли с ним работать»

Промпт со structured output: «Заполни форму оценки клиента:

Бюджет: число от 0 до 1 000 000
Готовность: низкая/средняя/высокая
Решение: работать/отложить/отказать"

«Болтливый стажер» vs «Системный менеджер»

Без structured output ИИ как болтливый стажер, который пытается угадать правильный ответ

Результатом работы ИИ без структурной генерации может быть:

«Клиент производит хорошее впечатление, хотя немного сомневается…»
«Бюджет вроде бы есть, но точно не сказал…»
«Я думаю, стоит перезвонить через недельку…»

Попробуйте это загрузить в CRM. Или построить отчет.

С structured output ИИ как системный менеджер:

CRM съедает такие данные на завтрак. Отчеты строятся автоматически.

Реальный пример: как навести порядок в хаосе

Возьмем типичную задачу из нашего реального кейса — обработка отзывов клиентов.

Что присылают клиенты: «Заказывал окна месяц назад, установили быстро, но менеджер долго не отвечал на вопросы. Сами окна отличные, не пропускают шум. Цена высоковата, но качество того стоит. Монтажники вежливые».

Без structured output ИИ ответит: «Клиент доволен качеством окон и монтажом, но есть претензии к скорости ответа менеджера и цене».

Что с этим делать дальше? Копипастить в Excel?

С structured output получаем:

Это уже данные. Их можно:

Автоматически занести в базу
Построить график удовлетворенности
Выявить проблемные зоны (сервис отстает от продукта)
Создать задачу менеджеру на обучение

Почему это работает

ИИ генерирует текст слово за словом, как человек печатает. Structured output — это как рельсы для поезда. ИИ может выбирать скорость и остановки, но не может съехать с пути.

Технически происходит следующее:

Вы даете ИИ шаблон (схему данных)
ИИ начинает генерировать ответ
Система проверяет каждое «слово» — подходит ли оно под шаблон
Если не подходит — ИИ выбирает другое

Результат: 100% соответствие формату.

Что это дает бизнесу

Автоматизация: Данные сразу готовы для CRM, отчетов, дашбордов

Надежность: Один формат ответа = предсказуемый результат

Масштабирование: Обработка 10 или 10 000 запросов — без потери качества

Контроль: Вы точно знаете, какие решения принимает ИИ и почему

5 главных проблем при внедрении ИИ-агентов (и как Structured Output их решает)

Когда компании начинают внедрять ИИ, энтузиазм быстро сменяется фрустрацией. «Почему эта штука не работает как надо?»

Разбираем топ-5 проблем, с которыми сталкивается бизнес при внедрении ИИ. И показываем решения.

Проблема #1: Интеграция с CRM и другими системами

Как это выглядит: Вы настроили ИИ-агента для квалификации лидов. Он отлично общается с клиентами. Но…

ИИ: «Клиент очень заинтересован, у него есть бюджет около ста тысяч, хочет начать в следующем месяце»

CRM: ERROR. Не могу найти поле «около ста тысяч»

Почему это происходит: Системы общаются на языке структурированных данных. AmoCRM ждет число в поле «бюджет». Битрикс24 требует ID статуса. Ваша самописная система хочет JSON.

А ИИ выдает красивую прозу.

Решение через Structured Output:

{
  "budget_amount": 100000,
  "budget_currency": "RUB",
  "timeline": "next_month",
  "interest_level": "high",
  "crm_status_id": 142789
}

CRM радостно проглатывает данные. Интеграция работает.

Проблема #2: Непредсказуемые ответы ломают автоматизацию

Как это выглядит: Понедельник: ИИ оценивает лид как «горячий» Вторник: Тот же ИИ оценивает похожий лид как «теплый». Среда: А теперь это «перспективный»

Ваши автоматизации сходят с ума. Если статус = «горячий», то… стоп, а что делать с «перспективным»?

Почему это происходит: ИИ каждый раз придумывает новые формулировки. Креативность — враг автоматизации.

Решение через Structured Output:

"lead_status": {
  "type": "string",
  "enum": ["hot", "warm", "cold", "disqualified"]
}

Теперь ИИ может выбрать только из 4 вариантов. Всегда. Автоматизации работают как часы.

Проблема #3: Невозможность тестирования и контроля качества

Как это выглядит: — Как проверить, что ИИ правильно квалифицирует лидов? — Ну… вручную просмотреть сотню диалогов? — А если их тысяча в день? — …

Почему это происходит: Нельзя автоматически проверить качество произвольного текста. Нужен человек, который прочитает и оценит. Это дорого и медленно.

Решение через Structured Output и тестирование простым Python скриптом

Можно написать сотни тестов. Запускать их каждый час. Качество И И данных под контролем

Проблема #4: Разные модели ИИ — разные форматы ответов

Как это выглядит: Начали с ChatGPT. Потом перешли на Gemini — он дешевле. Теперь хотите попробовать российский GigaChat.
Каждая модель отвечает по-своему. Переписываете интеграции. Снова. И снова.

Почему это происходит: У каждого ИИ свой «почерк». OpenAI любит JSON. Gemini предпочитает XML. GigaChat вообще в свободном полете.

Решение через Structured Output: Одна схема — все модели подчиняются:

{
  "client_score": "integer 1-10",
  "recommendation": "enum: [accept, decline, review]",
  "reasoning": "string max 200 chars"
}

Меняете модель — структура ответа остается. Интеграции не трогаете.

“

Важно! Это работает только для простейших схем. Сложные схемы могут также требовать переработки с переходом от провайдера к провайдеру, мы с этим сталкивались, например, когда переходили от ChatGPT к Gemini и нам пришлось переписывать многие схемы, потому что Gemini не понимал date time, или требовал микро-доработок в синтаксисе.

Дмитрий Филин, Ведущий Prompt Инженер Аспирити

Проблема #5: Масштабирование без потери качества

Как это выглядит: 10 лидов в день: ИИ работает отлично 100 лидов в день: Качество падает, появляются странные ответы 1000 лидов в день: Хаос, ручная работа, овертаймы

Почему это происходит: Без четкой структуры каждый ответ ИИ — это лотерея. Чем больше запросов, тем выше шанс получить что-то неожиданное.

При 1000 запросах даже 8% ошибок = 80 проблемных кейсов в день.

Решение через Structured Output:

Жесткая структура = меньше места для ошибок
Автоматическая валидация отсекает некорректные ответы
Мониторинг в реальном времени показывает аномалии

Чем больше объём, тем больше внимания к точности

10 лидов/день: 1 ошибка (можно проверить вручную)
100 лидов/день: 1−2 ошибки (автоматически обрабатываются)
1000 лидов/день: 8−10 ошибок (система помечает для проверки)

Качество остается стабильным независимо от нагрузки.

Что в итоге

Structured Output — это не волшебная палочка. Это инженерный подход к работе с ИИ.

Вместо «надеюсь, ИИ меня правильно поймет» получаем «ИИ физически не может ответить неправильно».

Кейс № 1: Как мы ускорили проверку тестовых заданий в 4 раза

Боль каждого IT-директора: стажировка как черная дыра ресурсов

Недавно мы публиковали кейс. Каждый год к нам в Аспирити приходят стажироваться студенты из Сибирского Федерального Университета и других ВУЗов. Бывает по 100+ человек на позиции разработчиков.

Звучит здорово? Молодые таланты, свежий взгляд, энтузиазм…

Пока не посчитаешь математику:

300−400 заявок
HRу нужно рассмотреть каждую и выбрать лучших
100 тестовых заданий
30−60 минут middle/ а то и senior-разработчика на каждое
Это 70−00 часов работы дорогих специалистов

Четыре middle/ senior-разработчика неделю проверяют код студентов вместо того, чтобы делать продукт.

Традиционный процесс: медленно, дорого, непоследовательно

Как это работало раньше:
Понедельник: Делим студентов на группы по 25 человек. Каждому разработчику — своя группа.
Вторник-четверг: разработчик проверяет код, пишет комментарии, проводит созвоны. Параллельно пытается делать свою основную работу.
Пятница: Усталый разработчик на автомате ставит оценки последним работам. Качество фидбека падает.

Результат:

Первые 10 студентов получают подробный разбор
Последние 10 — формальные комментарии
Разработчик выматывается и клянется больше не участвовать

Решение: двухмодельная система со structured output

Даём котикам-студентам качественную обратную связь и отбираем лучших

Мы создали систему из двух ИИ-моделей:

Модель 1: Технический эксперт

Анализирует код на соответствие ТЗ
Находит баги и проблемы производительности
Оценивает качество архитектуры
Выдает структурированную оценку по 10+ параметрам

Модель 2: Педагог-коммуникатор

Берет сухой технический анализ
Превращает в понятную обратную связь
Добавляет примеры и рекомендации
Следит за мотивирующим тоном

Магия structured output в действии

Без structured output первая модель выдавала бы что-то вроде: «Код работает, но есть проблемы с обработкой ошибок и производительностью»

С structured output получаем четкие данные:

Функциональность: 8/10
Обработка ошибок: 3/10
Производительность: 5/10
Найденные баги: 2 критических, 5 minor
Рекомендация: Доработать

Вторая модель превращает это в человеческий фидбек: «Отличная работа с основным функционалом! Код выполняет все требования ТЗ. Есть пара моментов для улучшения: добавь проверку входных данных на строке 45 (сейчас приложение может упасть при пустом вводе)…»

Почему ИИ оказался лучше:

Не устает (500-й студент получает такой же подробный разбор, как первый)
Не раздражается (всегда вежлив и конструктивен)
Помнит все best practices

Результаты, которые изменили наш подход к обучению

Скорость:

Было: 30−60 минут на одно задание
Стало: 10−15 минут (включая валидацию)
Ускорение в 3−5 раз

Качество:

100% заданий получают подробный разбор
85% студентов улучшают код после первого фидбека
92% довольны качеством обратной связи (было около 60−70%)

Бонус для HR:

Объективная оценка всех кандидатов
Подробная аналитика по каждому
Автоматическое ранжирование для отбора

Везде, где есть критерии оценки — structured output творит чудеса.

Ключевой инсайт

ИИ не заменяет разработчиков. Он освобождает их от рутины.

Теперь разработчик тратит час-два в неделю на:

Проверку работы ИИ (выборочно)
Личное общение с топ-кандидатами
Улучшение критериев оценки

Вместо механической проверки кода.

Разработаем проект для вас

отправить сообщение

позвонить менеджеру

написать на почту

Выберите удобный способ связи с представителем компании

Кейс № 2: ИИ-менеджер продаж, который работает 24/7 и не теряет лиды

Проблема: клиенты не спят, а менеджеры — да

А вот ещё один кейс. Наш клиент продает умные стекла. Это не просто окна — это высокотехнологичный продукт с электронной тонировкой, управлением через смартфон и ценником от $ 3,000 за панель.

Их боль:

Архитектор из Сиэтла звонит в 11 PM по восточному времени с проектом на $ 200K
Владелец дома из Майами пишет в чат в 6 AM в субботу
B2B-клиент из Гавайев не может дождаться ответа в рабочее время Нью-Йорка

Держать ночную смену? В USA — это дорого. Терять клиентов? Еще дороже.

При среднем чеке $ 45,000 каждый потерянный лид — это минус к квартальному плану.

Вызов: один ИИ для двух миров

Умные стекла покупают две категории клиентов:

B2C: «Хочу в master bedroom окна с затемнением. Сколько стоит?»

B2B: «Проектирую офисное здание класса, А в центре Лос-Анджелеса. Нужно 5,000 sq.ft. смарт-остекления с интеграцией в building management system. Есть LEED Platinum сертификация?»

Это как продавать Tesla и Model 3, и Semi Truck. Разные языки, разные потребности, разные процессы.

Решение: ИИ-менеджер с BANT на стероидах

ИИ работает и по ночам, нам остаётся только правильно настроить логику

BANT — классическая методика квалификации: Budget, Authority, Need, Timeline.

Но как научить ИИ применять её правильно?

Structured output превращает методологию в код:

Для каждого клиента ИИ заполняет:

Как это работает в реальной жизни

11:47 PM PST, пятница. Звонок из Сиэтла:

Клиент: Привет, я знаю, что уже поздно… Вы ещё работаете? Я архитектор, работаю над офисным комплексом в центре города. Клиент хочет, чтобы весь фасад был из умного стекла. Это вообще реально?

ИИ проводит консультацию, попутно собирая данные для BANT.

Что видит менеджер утром в CRM:

Кейс, который нас удивил

Суббота, 6:23 AM EST:

Чат-сообщение:
«Строим дом в Майами, жена хочет окна, которые можно затемнять со смартфона. Это дико дорого?»
Обычно такие сообщения висят без ответа до понедельника. Или дежурный менеджер сонно пишет:
«Доброе утро, пришлите размеры окон — рассчитаем стоимость.»

ИИ-менеджер за 15 минут:

Выяснил количество и размеры окон
Узнал приоритеты (например hurricane protection важнее цены в Майами)
Рассчитал предварительную смету (по простой формуле)
Записал на замер с местным партнером
Отправил адрес и рабочие часы для просмотра сэмплов в руме и скинул ссылку на AR-презентацию

К понедельнику клиент:

Изучил все материалы
Показал жене через AR
Выбрал премиум-комплектацию
Готов вносить депозит

Менеджеру осталось только оформить контракт.

“

Structured output — это круто. Но что если ИИ мог бы не только структурировать ответы, но и сам лезть в ваши базы данных, строить отчеты, создавать задачи? В следующем разделе — про Tool Calling и MCP. Это где начинается настоящая магия.

Алексей Носов, директор по развитию Аспирити

Tool Calling и MCP: когда ИИ-агенты начинают работать с вашими системами

Что такое Tool Calling простыми словами

Представьте идеального ассистента. Вы говорите: «Проверь продажи за прошлый месяц».

Обычный ИИ ответит: «Извините, у меня нет доступа к вашим данным.» Или хуже того, нагенерирует что-то «из головы"

ИИ с Tool Calling:

Сам подключается к вашей базе данных
Выполняет SQL-запрос
Анализирует результаты
Строит график
Отправляет вам готовый отчет

Tool Calling — это способность ИИ использовать внешние инструменты прямо во время разговора.

Как если бы ваш ассистент мог не только говорить, но и:

Открывать Excel и считать
Заходить в CRM и создавать задачи
Проверять календарь и назначать встречи
Отправлять письма от вашего имени

Реальный пример: финансовый отчет за 30 секунд

Без Tool Calling:

Просите аналитика сделать отчет
Он идет в базу данных
Пишет SQL-запросы
Выгружает в Excel
Строит графики
Пишет выводы
Через 2−3 часа присылает отчет

С Tool Calling:
Вы: «Покажи динамику продаж по регионам за Q3»
ИИ за 30 секунд:
✓ Подключился к базе данных
✓ Выполнил запрос по продажам Q3
✓ Сгруппировал по регионам
✓ Построил график
✓ Проанализировал тренды

И выдает: «Продажи Q3 выросли на 23% год к году. Лидер — Западная Сибирь (+45%). Проблемный регион — Краснодарский край (-12%). Рекомендую усилить маркетинг в Краснодаре, Новороссийске и Геленджике»

MCP: универсальный язык для ИИ-инструментов

Model Control Protocol (MCP) — это как USB для искусственного интеллекта.

Проблема до MCP:

OpenAI требует один формат подключения инструментов
Claude — другой
Google — третий
Меняете ИИ = переписываете все интеграции

Решение с MCP: Один протокол для всех. Написали интеграцию один раз — работает везде.

Это как с USB: не важно, какой у вас компьютер — флешка подойдет.

1. ИИ становится полноценным сотрудником
Раньше: ИИ — это чат-бот, который может только говорить Сейчас: ИИ — это коллега с доступом ко всем нужным системам

2. Автоматизация сложных процессов
Пример из нашей практики: «Найди всех клиентов, которые не покупали 3 месяца, проверь их последние обращения в поддержку, и если были жалобы — создай задачи менеджерам на звонок»

ИИ:

Анализирует базу покупок
Проверяет тикеты поддержки
Сопоставляет данные
Создает 47 задач в CRM
Присваивает приоритеты

Время выполнения: 2−4 минуты. Вручную — целый день.

3. Данные превращаются в решения
Больше не нужно:

Ждать отчетов от аналитиков
Искать информацию в 10 системах
Вручную сопоставлять данные

ИИ делает всю рутину и дает готовые инсайты.

Что будет дальше: тренды 2025 и как к ним подготовиться

GPT-5 и новые возможности: что ждать от следующего поколения

Ожидаемые улучшения:
98%+ надежность structured output. Сейчас: 94−97% корректных ответов Будет: Железобетонная гарантия структуры

Мультимодальность из коробки. Сейчас: Текст отдельно, картинки отдельно Будет: «Проанализируй фото витрины и создай отчет по мерчандайзингу»

Понимание контекста компании. Сейчас: Нужно каждый раз объяснять специфику бизнеса Будет: ИИ помнит все о вашей компании и адаптируется

Самообучение на ваших данных. Сейчас: Статичные промпты Будет: ИИ учится на каждом взаимодействии и улучшает результаты, давать рекомендации по настройке

Software 2.0: когда бизнес-логику пишут словами, а не кодом

Это эволюция разработки. Вместо тысяч строк кода — описание на естественном языке.

Было (Software 1.0):

python
def qualify_lead(budget, authority, need, timeline):
    if budget > 50000 and authority == "decision_maker":
        if need == "urgent" and timeline < 30:
            return "hot"


# и т. д. и т. д. и еще 100 строк условий

Стало (Software 2.0): «Квалифицируй лида как горячий, если у него есть бюджет, он принимает решения и планирует покупку в ближайший месяц».
Несколько агентов со своими инструментами сами выстраивают шаги решения этой задачи, общаются друг с другом и дают ответ.