ЦОТ "Сфера безопасности" — учебный центр в сфере охраны труда, безопасности и профессиональной подготовки.
Для такого бизнеса каталог курсов является не второстепенным разделом, а одной из основных точек входа в продажу. Пользователь должен найти подходящую программу, понять, чему посвящен курс, увидеть релевантную карточку и перейти к заявке. Команда клиента должна поддерживать каталог без постоянной зависимости от разработчиков.
На новом сайте курсы и статьи были не статичными страницами, а сущностями в backend и админке. Это позволило рассматривать наполнение как процесс работы с данными: получить список материалов, подготовить недостающие поля, записать результат через API и проверить его в административном интерфейсе.
Что было до проекта
У клиента уже был большой массив образовательных программ во внешней системе и внутри рабочих процессов, а также контентный блок статей. Но для сайта этого было недостаточно. Название курса само по себе не дает полноценную карточку: нужны описание, визуальный контекст, структура, категории, связи, SEO-поля, alt-тексты и дальнейшая проверка.
Если заполнять каждую карточку вручную, команда быстро упирается в однотипные операции: открыть курс или статью, вставить описание, подобрать изображение, заполнить SEO-поля, загрузить файл, проверить страницу, вернуться к правкам. При объеме 500 курсов и 50 статей даже несколько минут на одну сущность превращаются в недели работы.
Отдельный риск был в качестве текста. В охране труда и профессиональном обучении нельзя строить описание только на красивой универсальной формуле. Для многих тем нужно учитывать действующие нормативно-правовые акты и не создавать ощущение случайного AI-текста.
Что нашли при разборе
Главный вывод: автоматизировать нужно не только генерацию текста, а весь контур наполнения.
Мы выделили несколько требований к процессу:
- на входе нужны структурированные данные: ID сущности, название и тип материала;
- описания должны строиться по нескольким шаблонам, а не по одному универсальному промпту;
- AI должен учитывать предметную область и актуальную нормативно-правовую базу;
- изображения должны опираться на смысл материала, поэтому их лучше готовить после описания;
- SEO-поля и alt-тексты нужно готовить как часть структуры данных, а не оставлять на ручную доработку в конце;
- результат нужно записывать через backend/API, а не переносить вручную;
- человек должен оставаться в проверке, приемке и точечной редактуре;
- workflow должен быть переносимым, чтобы позже его можно было вынести в отдельный контур клиента.
Такой подход отделяет рутину от экспертной проверки. Машина делает повторяемую часть, человек смотрит на смысл, соответствие отрасли и качество карточек.
Как выбрали состав работ
В первую версию вошла задача, которая сильнее всего влияла на запуск: быстро подготовить каталог и статьи к публикации без ручной обработки каждой карточки с нуля.
Поэтому состав работ ограничили практичным конвейером:
- взять список курсов и статей из базы;
- подготовить два основных шаблона описаний;
- настроить генерацию описаний через AI;
- использовать описание как контекст для изображения;
- подготовить SEO-поля и alt-тексты;
- записать результат через API;
- проверить материалы в админке;
- точечно исправлять приоритетные курсы и статьи.
Отдельную инфраструктуру для постоянного самостоятельного использования клиентом решили не делать первой задачей. На старте важнее было получить наполненный каталог и понятный рабочий процесс.
Что не стали делать
Мы не стали вручную доводить каждую карточку курса и каждую статью до состояния отдельного мини-лендинга перед запуском. Для большого каталога это раздувает сроки и бюджет, а часть правок все равно появляется уже после просмотра материалов в реальном интерфейсе.
Также не стали делать полностью автономную AI-CMS, где клиент самостоятельно управляет моделями, балансами, workflow и отдельным инстансом n8n. Такой контур полезен на следующем этапе, когда процесс уже проверен и понятно, какие действия нужно регулярно повторять.
Не стали убирать человека из процесса. Для образовательных программ, связанных с нормативной базой, финальная проверка остается обязательной: AI помогает подготовить черновой материал, но не заменяет экспертную приемку.
Что сделали
1. Описали структуру входных данных
Workflow строился вокруг ID, названия и типа сущности: курс или статья. Эти данные можно взять из базы и передать в автоматизацию массивом объектов. ID нужен, чтобы результат вернулся в правильную карточку, а название и тип материала — чтобы AI мог подготовить описание, изображение, SEO-поля и alt-текст в нужном контексте.
2. Зафиксировали два типа описаний
Для первого запуска было достаточно двух основных шаблонов:
- охрана труда и повышение квалификации;
- профпереподготовка и рабочие специальности.
Такой выбор снижал сложность: вместо попытки сразу описать все возможные типы курсов команда получила управляемые правила для основной массы каталога. Для статей использовалась похожая логика: подготовить описание, SEO-поля и изображение как структурированные данные для админки.
3. Настроили AI-логику с учетом предметной области
В инструкции для генерации важно было учитывать не только название курса, но и отраслевой контекст. В сфере охраны труда описание должно опираться на актуальную нормативно-правовую базу и не выглядеть как произвольный рекламный текст.
AI использовался как инструмент подготовки черновика: собрать структуру, сформулировать описание, дать материал для проверки и дальнейшей правки.
4. Собрали n8n workflow для пакетной обработки
n8n использовался как визуальный слой автоматизации: принять массив курсов, запустить нужные шаги, обратиться к AI через API и передать результат дальше.
Такой workflow можно дорабатывать постепенно: менять промпты, добавлять проверки, запускать повторные прогоны, переносить сценарий в другой контур при необходимости.
5. Связали генерацию с backend/API сайта
Результат не нужно было вручную копировать в админку. Backend сайта уже работал как API для данных: фронт сайта и админка получали и сохраняли курсы через программный интерфейс.
Это позволило записывать подготовленные описания, изображения, метатеги, alt-тексты и SEO-поля в продовую базу сайта как данные, а не как набор ручных страниц.
6. Оставили человеку проверку и точечную правку
После генерации команда могла смотреть результат в админке и в интерфейсе сайта. Приоритетные и самые продающиеся курсы можно было проверять первыми, а статьи и остальные карточки дорабатывать постепенно.
Такой режим лучше подходит большому каталогу: запуск не блокируется ожиданием идеальной ручной полировки всех карточек, но качество остается под контролем.
Что изменилось после запуска
Подготовка каталога и статей стала управляемым процессом. Вместо ручной простановки каждого поля с нуля появился повторяемый workflow: взять данные, сгенерировать материалы, записать результат в продовую базу, проверить, поправить правила и повторить прогон.
Для команды клиента это меняет роль админки. Она становится не только местом ручного ввода, но и интерфейсом проверки результата автоматизации. Курсы и статьи можно просматривать, корректировать, публиковать и постепенно улучшать уже после массовой подготовки.
Ручной сценарий для 500 курсов и 50 статей мог занять примерно 200-300 часов. Даже при ставке 1 500 рублей в час это 300 000 - 450 000 рублей ручной или полуручной контентной работы. Автоматизированный сценарий был разложен на 20 часов настройки workflow, подготовки промптов, прогонов данных, исправления ошибок, выборочной редактуры и QA — 100 000 рублей, включая расходы на нейросети.
Для дальнейшего развития у клиента появилась основа, которую можно расширять: добавлять новые шаблоны курсов, улучшать правила изображений, готовить дополнительные SEO-поля, выносить workflow в отдельный n8n-контур и использовать похожую схему для новых партий контента.
Что можно развивать дальше
- Добавить отдельные шаблоны описаний для более узких групп курсов.
- Расширить workflow на SEO-поля, FAQ, alt-тексты и внутренние связи между курсами.
- Перенести n8n workflow в отдельный контур клиента, если процесс станет регулярным.
- Добавить контроль качества: список карточек на ручную проверку, статусы проверки, приоритеты по продающимся курсам.
- Использовать похожую схему для новых статей, акций, промо-страниц и других повторяемых сущностей сайта.
Для каких задач подходит похожий подход
Похожий подход подходит компаниям, у которых:
- есть большой каталог курсов, услуг, товаров, статей, документов или материалов;
- нужно быстро наполнить сайт без огромного ручного бюджета;
- контент состоит из повторяемых сущностей, а не из уникальных лендингов;
- есть backend/API или CMS, куда можно записывать данные программно;
- качество требует человеческой проверки, но рутинные действия можно автоматизировать;
- процесс наполнения будет повторяться после запуска.
Если у вас сайт, каталог или личный кабинет упирается в сотни однотипных карточек, начните с разбора структуры данных. Gigonom поможет понять, что выгоднее: ручное наполнение, импорт, no-code workflow, AI-автоматизация или полноценный backend с API.