AI-корпорация по управлению виллами на Бали: как мы заменили отдел из 5 человек десятью агентами за $60 в месяц

Когда у тебя 16 вилл на Бали, ты управляешь не недвижимостью — ты управляешь живой корпорацией. Каждый день: сотни входящих сообщений от гостей на пяти языках, координация уборок и технического обслуживания, синхронизация каналов бронирования, финансовые отчёты для семи инвесторов, контент в четыре соцсети, мониторинг серверов и баз данных. Раньше на это уходили часы человеческого времени и команда из пяти человек. Сейчас — 10+ AI-агентов, $60 в месяц на API и один человек для стратегии. Вот как мы построили настоящую AI-корпорацию по управлению виллами — с реальной оргструктурой, живыми цифрами и честным рассказом о том, что пошло не так.

Почему управление виллами — это корпорация, а не просто «сдача квартиры»

Большинство людей представляют управление виллами как что-то простое: принял гостя, убрал после выезда, получил деньги. Реальность кардинально другая. Управляющая компания Solar Property — это:

Это не «квартиры для сдачи» — это настоящий операционный бизнес со всеми атрибутами корпорации: продажами, финансами, операциями, маркетингом, IT-инфраструктурой. И мы выстроили под каждый из этих отделов отдельного AI-агента.

Эволюция шла постепенно. Начинали с ручного управления через Excel и WhatsApp. Потом автоматизировали отдельные задачи: переводчик, напоминания о договорах, базовая отчётность. К 2026 году пришли к полноценной AI-корпорации — системе, где каждый «отдел» работает автономно, а человек включается только для стратегии и нестандартных ситуаций.

Оргструктура AI-корпорации: CEO и шесть отделов

Мы намеренно выстроили структуру по корпоративной модели — не как набор ботов, а как живую организацию с иерархией и зонами ответственности. Вот полная схема того, что работает прямо сейчас:

CEO (Альтрон) — стратегический координатор

Главный агент системы называется Альтрон — он получил имя не случайно. Это самый «умный» агент: принимает финальные решения по нестандартным ситуациям, координирует работу остальных агентов через Paperclip, утром получает дайджесты от всех «отделов» и формирует общую картину дня.

Альтрон не занимается рутиной — он работает на уровне стратегии. Если финансовый агент обнаружил аномалию в выручке, он эскалирует её к Альтрону. Если sales-агент столкнулся с запросом, который не вписывается ни в один из стандартных сценариев — снова к Альтрону. CEO получает примерно 5-7 эскалаций в день из нескольких сотен обработанных событий.

Через Paperclip Альтрон имеет доступ к базе данных PostgreSQL, истории всех агентов, финансовым показателям и статусам задач. Это его «нервная система» — он видит всё, но реагирует только на существенное.

Sales AI — охотник за лидами в 300+ группах

Sales-агент — один из самых ценных в системе с точки зрения прямого ROI. Его задача: мониторить 143 WhatsApp-группы на Бали и 150+ групп на Пхукете, ловить горячие запросы, квалифицировать их и первым выходить на потенциального клиента.

Как это работает технически: 17 аккаунтов сидят в 300+ группах. Каждое сообщение типа «ищу виллу в Убуде», «нужна комната на месяц», «бюджет 5 миллионов рупий» — система ловит за секунды. AI оценивает «температуру» запроса по нескольким параметрам: конкретность бюджета, сроки, тип запроса. Горячий лид — автоматический первый контакт через минуту. Тёплый — передача менеджеру с флагом «обработать в течение часа».

Отдельная история — географический фильтр. Поначалу система ловила лиды по аренде машин в балийских группах, хотя клиент нужен был на Пхукете. Добавили фильтрацию по региону: ключевые слова срабатывают только в группах правильной географии. Простое решение, которое убрало десятки нерелевантных уведомлений в день.

Подробнее об архитектуре системы мониторинга лидов — в статье AI-система мониторинга лидов на Бали за $20 в месяц.

Finance AI — P&L по каждой вилле в реальном времени

До Finance AI картина была такая: инвестор пишет «как дела по вилле за март?», я лезу в систему, вытаскиваю цифры, считаю загрузку, форматирую ответ. На семь инвесторов — полчаса минимум. И так каждый месяц.

Теперь финансовый агент знает список инвесторов и какие виллы за кем закреплены. Всё хранится в PostgreSQL. Инвестор пишет в Telegram — бот сам подтягивает данные из базы и отвечает в течение 30 секунд. Добавить нового инвестора, привязать виллу — пять минут. Через минуту он уже получает полный отчёт за любой период: количество ночей, выручка в рупиях и долларах, процент загрузки, комиссия управляющей компании.

Finance AI работает в нескольких режимах:

Важный момент: однажды дашборд показал загрузку вилл 963% за апрель. Буквально девятьсот шестьдесят три процента. На секунду я даже обрадовался. Оказалось, формула делила все подтверждённые бронирования на количество прошедших дней месяца (один день), а не на полный месяц. Finance AI теперь ловит такие аномалии автоматически и помечает их как «требует проверки», прежде чем данные уйдут инвестору.

Подробнее об автоматическом мониторинге финансов — в статье Автоматический мониторинг финансов для управляющей компании.

Operations AI — расписание уборок и координация персонала

Operations AI — самый «операционный» агент. Он работает с eZee PMS (система управления недвижимостью) и отвечает за физический мир: что происходит с каждой виллой прямо сейчас.

Каждый день агент видит расписание заездов и выездов. Автоматически формирует задачи на уборку: за какой виллой убирать, в какое время, какая бригада. Персонал получает задачи в Telegram — не через звонки и пересылки, а структурированные карточки с адресом, временем, чек-листом. Когда задача выполнена — отметка в системе, статус виллы обновляется.

Раньше 46 вилл в базе числились с арендой 0 рублей — данные были, просто в другом месте базы. Агент вилл нашёл это сам при первом запуске и выдал список для исправления. После — автоматически отслеживает все договоры и предупреждает заранее.

Marketing AI — контент из рабочих сессий в четыре соцсети

Маркетинговый агент решает одну из самых болезненных проблем предпринимателей: регулярный контент. Каждый день происходит десятки событий, которые стоило бы рассказать подписчикам — но ты о них забываешь, потому что некогда писать.

Мы перевернули логику: не «садиться и думать о чём писать», а «рабочий день — это уже контент-план». Marketing AI отслеживает рабочие сессии (записи в базе данных о том, что было сделано), в конце каждой сессии предлагает упаковать результаты в посты. Причём сразу под четыре площадки: Telegram, ВКонтакте, Instagram, Threads. Каждый пост адаптирован под формат площадки — длина, стиль, хэштеги.

Про рассыльщик стоит рассказать отдельно. Однажды система пять дней молчала — боты не отправляли ни одного сообщения в группы, хотя должны были слать посты каждые два-три часа. Сервер горел: 27% процессора на одной задаче. Нашли причину: алгоритм выбора следующей виллы для публикации делал 280 000 отдельных запросов к базе данных за один вызов. Математика простая: 44 виллы × 143 группы × 9 аккаунтов × 5 запросов. Переписали на батчевые запросы — стало 10 вместо 280 000. Нагрузка упала с 27% до 1,6%. Первый пост ушёл через 10 минут после деплоя.

Подробнее об оптимизации рассыльщика — в статье Как мы сократили 280 000 запросов к базе до 10 и починили рассыльщик. А об автоматическом контенте из рабочих сессий — в Автоматизация контента с AI: рабочий день как контент-план.

SEO AI — статьи в блог, позиции, техаудит

SEO-агент отвечает за органический трафик. Он работает сразу в нескольких направлениях: пишет статьи для блога 4bos.ru на основе рабочих кейсов, следит за позициями в поисковиках, добавляет Schema.org разметку, проводит технический аудит.

Первый запуск был показательным: агент получил JSON с 643 сообщениями из рабочего Telegram-топика, сам нашёл пять тем, которые интересны аудитории, и развернул каждую в полноценную статью на 1500+ слов. Параллельно нашёл и исправил шесть опечаток на сайте, которые никто не замечал месяцами. Включая битый китайский символ непонятного происхождения посреди русского текста.

За один час работы агент также подключил Яндекс.Метрику и Google Analytics, верифицировал сайт в Яндекс.Вебмастере, обновил карту сайта и отправил ссылки на индексацию. То, на что год назад ушла бы неделя ручной работы.

Tech AI (CTO) — мониторинг, self-healing, деплой

CTO-агент — это «нервная система» всей инфраструктуры. Он мониторит серверы, базы данных, боты и интеграции. Но главное — он не просто сообщает о проблемах, он их чинит.

Принцип self-healing: если Telegram-бот замолчал на 10+ минут (heartbeat отсутствует), CTO-агент сначала перезапускает его автоматически, и только если перезапуск не помог — уведомляет живого человека. Из 847 проверок за последний месяц 831 прошла без единого уведомления. Из 16 нештатных ситуаций 11 система закрыла сама.

Был случай, когда один агент накапливал 1,4 миллиона токенов за один запуск — это означало, что параметр maxTurns стоял на 200 вместо 30. CTO-агент обнаружил аномальный расход и выдал отчёт с рекомендацией. Это позволило сократить расходы на AI API с проекции $1 000/мес до $300/мес без потери функциональности.

Подробнее о системе мониторинга агентов — в статье Мониторинг AI-агентов: как отслеживать работу бота 24/7. О self-healing системах — в Self-healing боты: система которая чинит себя сама.

WhatsApp на пяти языках: как работает переводчик для международного бизнеса

Управление виллами на Бали — это глобальный бизнес по определению. Гости пишут на русском, английском, немецком, китайском, корейском. Иногда на тайском. Иногда в три часа ночи с паникой «вода не работает».

Раньше алгоритм был такой: получить сообщение на непонятном языке → открыть Google Translate → скопировать → прочитать → написать ответ → снова Google Translate → отправить. В среднем 15-20 минут на один нестандартный запрос. Ночью, когда менеджер уже спит, — ещё хуже.

Мы подключили WhatsApp-переводчик через webhook. Логика простая и элегантная: любое входящее сообщение на языке, отличном от русского и английского, автоматически определяется GPT, переводится и прикладывается к оригиналу. Менеджер видит оба варианта рядом. Ответ тоже переводится автоматически перед отправкой.

Результат: время первого ответа гостю сократилось с 23 минут до 4 минут. Не потому что менеджеры стали быстрее — просто они перестали тратить время на перевод. Типовые вопросы (а их большинство) обрабатываются полностью автоматически.

Подробнее о технической реализации — в статье WhatsApp-переводчик для бизнеса на Бали: кейс автоматического перевода.

PostgreSQL как мозг системы: 280 000 запросов в день

Вся AI-корпорация держится на одной базе данных PostgreSQL. Это не просто хранилище — это живой мозг системы, через который проходит вся информация: бронирования, статусы вилл, данные гостей, финансы, задачи персонала, история всех агентов, логи мониторинга.

280 000+ запросов в день — это реальная цифра. Каждый агент обращается к базе постоянно: проверяет статусы, обновляет записи, формирует отчёты. Поначалу это создало серьёзную проблему: рассыльщик делал 280 000 отдельных запросов за один цикл выбора задачи, что убивало сервер. После оптимизации — 10 батчевых запросов вместо 280 000, нагрузка CPU с 27% до 1,6%.

Архитектурные принципы, которые работают у нас:

Последний принцип критически важен для масштабирования. Когда данные в базе — добавить нового инвестора, новую виллу или новый регион мониторинга — это одна строка в таблице, а не изменение кода и деплой. Масштабирование на Пхукет (150 групп, 3 аккаунта) заняло один день именно потому, что система была спроектирована правильно.

Подробнее об архитектуре базы данных — в статье PostgreSQL как мозг управления виллами: архитектура данных.

Сколько стоит AI-корпорация: реальные цифры

Это вопрос, который задают чаще всего. Давайте честно по цифрам.

Первоначально, когда система только разрасталась, расходы на AI API дошли до проекции $1 000/мес. Мы провели аудит и нашли, что 52% бюджета уходило буквально в пустоту: агенты просыпались каждый час, проверяли «есть ли работа?», слышали тишину и засыпали. Каждое пробуждение стоило денег. 39 пустых запусков только у одного агента за 3 дня.

Ещё один сюрприз: один агент работал на модели Claude Opus (Alisa) по $400/мес, хотя Claude Sonnet справляется с теми же задачами за $80/мес. Разница в пять раз. Это как нанять senior-разработчика сортировать почту.

После оптимизации — час работы, несколько изменений конфигурации:

Итого сейчас:

Для сравнения: один менеджер по аренде в Убуде стоит от $500/мес. Один операционный менеджер — ещё $500. Маркетолог для соцсетей — $300-400. Финансовый аналитик — $600. Итого команда из четырёх человек = $1 800-2 000/мес. AI-корпорация делает то же самое за $70-80/мес, не болеет, не берёт отпуск и не увольняется за день до высокого сезона.

Подробнее об оптимизации расходов на AI — в статье Как сократить расходы на AI-агентов с $1000 до $300 в месяц.

Масштабирование на Пхукет: как скопировать систему в новый регион

Одно из ключевых преимуществ правильно выстроенной AI-корпорации — она масштабируется копированием, а не найма. Когда мы начали выходить на Пхукет, процесс занял не месяцы, а дни.

Что было сделано за один рабочий день:

Именно такой должна быть автоматизация: когда масштабирование — это INSERT в базу данных и новый промпт, а не найм команды и полугодовая настройка.

Принципиальный момент: в один из дней система за ночь без моего участия купила пять новых Telegram-аккаунтов по 49 рублей каждый, назначила им прокси, автоматически вступила в активные группы и начала работу. Охват вырос вдвое — я узнал об этом утром из отчёта. Один аккаунт дешевле чашки кофе. Пять аккаунтов, пять прокси, 301 группа — эффективнее большинства рекламных каналов, которые я пробовал на Бали.

Что делает человек в AI-корпорации: роль основателя

Это самый важный вопрос, который обычно замалчивают в историях про автоматизацию. Если агенты делают всё — что делает человек?

Ответ честный: человек делает то, что машины не умеют. И это не «нажимает кнопки» — это реально сложная работа.

Ключевой инсайт, который изменил моё отношение к автоматизации: настоящая система работает в тишине. Ты не знаешь, что Sales AI только что обработал 14 горячих лидов. Ты не знаешь, что CTO-агент перезапустил упавший бот и починил его до того, как ты проснулся. Ты не знаешь, что Finance AI отправил отчёт инвестору и получил «спасибо» в ответ.

Ты узнаёшь об этом только если что-то пошло не так — и вот тогда система тебя будит. Метрика зрелости AI-корпорации — не количество автоматизированных процессов, а количество раз, когда тебя НЕ побеспокоили.

За последний месяц из 847 автоматических проверок я получил уведомления по 16 случаям. Из них 11 система закрыла сама, не дождавшись моего ответа. Это и есть настоящая автоматизация.

Маршрутизация задач: кто это сделает?

Главная проблема большинства управляющих компаний — не отсутствие информации, а непонимание кому её передать. Менеджер получает задачу, думает, пересылает в другой чат, там не отвечают — задача теряется.

Мы автоматизировали маршрутизацию полностью. Любая входящая задача — из WhatsApp, Telegram, email или внутреннего триггера — классифицируется по типу и приоритету и немедленно направляется нужному агенту или менеджеру.

Каждая задача получает уникальный ID, статус, ответственного и дедлайн. Если статус не изменился за N минут — напоминание. Если ответа нет ещё дольше — эскалация выше по цепочке. Система не забывает. Раньше 20% задач висели без ответственного — буквально зависали в воздухе. После внедрения автораспределения по ключевым словам — ноль «бесхозных» задач.

Подробнее о системе утренних дайджестов и автоматических проверок — в статье 10 ежедневных AI-проверок бизнеса: как утренние сводки заменили совещания.

Ошибки и уроки: что пошло не так при построении AI-корпорации

Честный рассказ невозможен без раздела об ошибках. Вот главные из тех, что мы прошли на своём опыте.

Ошибка 1: агенты существовали, но не были подключены

Однажды обнаружил, что половина AI-команды несколько недель молчала. Не потому что сломана — просто я не подключил агентов к боту. Агенты были в Paperclip, боты, которые должны их активировать, — в другой системе. Никто никому не сообщил об этом. SEO-агенту писали вопросы про позиции — тишина. Агенту продаж скидывали лиды — тишина. Это как нанять команду, раздать красивые визитки, посадить в офис и забыть дать ключи от двери.

Ошибка 2: автоматизация без аудита — деньги в трубу

Когда система разрасталась, мы не проверяли реальную стоимость каждого агента. Итог: проекция $1 000/мес при плановом бюджете $200. Половина — пустые пробуждения агентов. Один агент на дорогой модели без причины. Урок: автоматизация без регулярного аудита — это бизнес без бухгалтера. Работает, деньги тратятся, куда — никто не смотрит.

Ошибка 3: слишком много уведомлений убивает внимание

В начале я хотел видеть всё. Каждый переведённый запрос, каждую проверку системы, каждый лид. В итоге приходило 50-70 уведомлений в день. Я начал их игнорировать. И в этом потоке пропустил несколько важных. Настоящая автоматизация — это тишина. Только исключения, только то, что требует человека.

Ошибка 4: данные в коде вместо базы данных

На начальном этапе списки групп, ключевых слов и ответственных были прямо в коде агентов. Каждое изменение требовало деплоя. Переезд на хранение в PostgreSQL занял несколько дней, но полностью изменил гибкость системы. Теперь добавить новую виллу или новый регион — это строка в базе данных, не изменение кода.

С чего начать, если вы управляете виллами или похожим бизнесом

Мы прошли этот путь за два года — от ручного управления в Excel до полной AI-корпорации. Вот последовательность, которую я рекомендую тем, кто начинает:

Главный принцип, который я усвоил: не пытайтесь автоматизировать хаос. Сначала выстройте процесс в голове (или на бумаге), убедитесь что он работает вручную, и только потом автоматизируйте. AI-агент не исправляет плохой процесс — он умножает его на скорость. Плохой процесс × скорость машины = быстрый плохой процесс.

Следующий шаг: что будет дальше с AI-корпорацией Solar Property

Система работает и продолжает развиваться. Вот что запланировано и уже начато:

Пхукет — в полную силу. 150 групп уже мониторятся, Sales AI адаптирован для тайского рынка. Следующий этап — запустить Operations AI для пхукетских объектов, интегрировать с местными channel managers.

Голосовой AI для гостей. Уже есть прототип голосового ассистента, который отвечает на вопросы гостей по вилле на их языке. Следующий шаг — встроить его в процесс заселения.

Predictive maintenance. Finance AI уже строит прогнозы выручки. Следующий уровень — предиктивное обслуживание вилл: на основе истории поломок и сезонности предсказывать, что нужно проверить до того, как сломается.

Клонирование модели для других управляющих компаний. Система достаточно зрелая, чтобы её можно было адаптировать для других игроков рынка. Это уже делается — прокат машин на Пхукете работает на той же кодовой базе.

Если вы управляете виллами на Бали, Пхукете или в другом туристическом регионе и хотите построить похожую систему — мы прошли этот путь и готовы помочь пройти его быстрее. Напишите в Telegram, расскажите о вашем бизнесе. Первый разговор — бесплатно.