Кейс Pinskiy & Co: как ресторанный бизнес дополнительно зарабатывает до 4 млн рублей на каждой точке

Недавно посмотрел отрывок интервью с Пинским о том, как AI используют в его ресторанной группе.

Это хороший пример того, что искусственный интеллект нужен в первую очередь не для текстов и картинок, а для сбора данных и проверки гипотез.

Ресторанный бизнес максимально физический: зал, кухня, сотрудники, продукты, столы. Но именно здесь AI уже находит потери и предлагает управленческие решения.

В понедельник ресторан делает 300 тысяч рублей выручки, и в смене работают 30 человек.

В субботу выручка доходит до 2 миллионов, а людей выходит столько же.

По одному показателю нельзя понять, где проблема. Возможно, в понедельник сотрудников слишком много. Возможно, в субботу их не хватает и ресторан теряет в качестве сервиса.

Поэтому система анализирует:

• отзывы и жалобы из интернета;
• скорость отдачи блюд и оборачиваемость столов;
• данные машинного зрения;
• выручку и численность смены;
• показатели других ресторанов группы.

Если субботняя нагрузка не ухудшила сервис, система делает вывод: резерв находится в понедельнике.

После этого управляющий получает рекомендацию по конкретным ролям и сменам.

Главная ценность AI — широкий контекст

Пинский говорит, что в основу системы легла методика, которую он написал сам.

Это принципиальный момент. Сначала собственник формулирует методологию на основе своего опыта. Затем AI применяет её ко всему массиву данных.

По сути, система тиражирует управленческую логику собственника на каждую точку и каждую смену.

Она не заменяет опыт руководителя. Она помогает регулярно применять этот опыт там, куда собственник физически не успевает погрузиться.

Для ресторанной сети это особенно важно: небольшая потеря на одной точке масштабируется на всю группу.

В показанном интерфейсе система разбирает выручку, маржинальность блюд, работу официантов, график смен, остатки ингредиентов, погоду и ожидаемую нагрузку.

На выходе управляющий видит, что проверить, где изменить расписание, на каких сотрудниках сфокусироваться и какие запасы пополнить.

Дашборд показывает, что произошло. AI-система сопоставляет сигналы, объясняет отклонение и предлагает следующий шаг.

Рекомендации нужно выполнять

Недостаточно выдать управляющему 30 рекомендаций. Нужно увидеть, сколько он выполнил, какие отклонил и какой эффект получил.

Если управляющий принял 28 рекомендаций из 30 и получил результат, система работает.

Если выполнил две, а остальные проигнорировал, проблема уже может быть не в аналитике. Возможно, руководителю не хватает полномочий или способности договориться с командой.

Почему я бы начинал внедрение AI с аналитики

Большинство предпринимателей начинают с генерации: тексты, презентации, протоколы встреч. Это полезно, но обычно даёт локальную экономию времени.

Аналитика влияет на более дорогие решения:

• где бизнес теряет маржу;
• какие процессы работают хуже нормы;
• где раздуты затраты;
• какой участок требует внимания руководителя.

У бизнеса уже есть нужное сырьё: CRM, продажи, звонки, отзывы, склад, финансы, рекламные кабинеты и задачи сотрудников.

AI помогает смотреть на эти данные в связке. Именно в связях часто находятся деньги.

Если AI уже помогает управлять офлайн-сетью ресторанов, прогнозировать загрузку и находить потери, вопрос «применим ли AI в моём бизнесе?» постепенно теряет смысл.

Полезнее спросить:

какое регулярное управленческое решение у нас до сих пор принимается на глаз, хотя данные для него уже существуют?

Пинский называет эффект от программы: от 600 тысяч до 4 миллионов рублей дополнительной прибыли в месяц на ресторан. Точность прогноза выручки — 98%.

В этом направлении я вижу реальную ценность AI для бизнеса.