Brele Signal — как мы за 7 дней собрали AI-радар для проектов

В Brele мы делаем цифровые продукты для бизнеса. Как в любом агентстве, одновременно ведём несколько проектов, которые находятся на разных этапах: Discovery, дизайн, разработка, поддержка. У каждого свой ритм — встречи, чаты, задачи, договорённости, изменения сроков, эмоции клиента и состояние команды.

Чтобы держать всё это под контролем, нужна отдельная роль — человек, который понимает, что происходит в проектах каждый день. Не по статусам в таск-трекере или ощущениям менеджера, а по реальному контексту.

Например:

• клиент уже недоволен, но пока высказывается нейтрально;
• команда устала, но ещё не озвучивает это напрямую;
• сроки начинают сдвигаться, но все молчат о рисках;
• на встрече прозвучала фраза, которая означает нарастающее напряжение.

В агентском бизнесе такие проблемы редко появляются внезапно. Почти всегда до этого есть слабые сигналы, которые рискуют стать дорогими последствиями.

Мы хотели видеть реальное состояние всех проектов одновременно. Проблема была не в отсутствии данных — их как раз слишком много. Переписки, комментарии, статусы, вопросы, созвоны. Вся информация существует, но она разрознена и теряется в потоке коммуникации.

Чтобы понять, что происходит с проектом, руководителю приходилось вручную собирать картину: читать сообщения, ходить на встречи, вспоминать договорённости, сопоставлять всё со сроками, бюджетом и настроем клиента. Это отнимало не меньше часа в день. На одном проекте это ещё работает. На нескольких — появляются слепые зоны, где обычно рождаются самые дорогие проблемы.

Мы хотели собрать данные из разных источников в одном месте и автоматически выделять тревожные и позитивные сигналы, которые влияют на ход проекта. Это помогло бы снизить зависимость от ручного контроля и экономить время.

Можно было нанять операционного директора, который отвечал бы за мониторинг проектов. Но вместо этого мы решили создать систему, которая показывает реальное состояние всех проектов одновременно. И собрать рабочий MVP без команды разработки — с помощью вайбкодинга.

Так появился Brele Signal — AI-сервис для анализа проектного контекста. Он помогает руководителю и менеджерам замечать сигналы, которые влияют на работу в целом.

Brele Signal собирали через вайбкодинг. Без классического процесса: большого ТЗ, команды и бюджета на разработку. Но с нормальными продуктовыми итерациями: идея → прототип → тестирование → выводы → новый цикл.

CEO Brele Саша сформулировал продуктовую логику, тестировал сценарии и интерфейсы, и дорабатывал модель. AI при этом стал не просто генератором кода, а техническим напарником, которому Саша описывал, что хочет получить, проверял результат и снова уточнял детали.

За неделю (без отрыва от операционки) появился рабочий внутренний инструмент с:

• проектами,
• сигналами,
• встречами,
• чатами,
• дашбордами,
• канбан-доской с задачами,
• админкой,
• динамикой здоровья проектов,
• 2 языками: русским и английским,
• светлой и тёмной темой оформления,
• настройкой AI-промптов.

По сути, получился инструмент, который можно адаптировать под процессы любого агентства.

Раньше такая идея автоматически превратилась бы в среднего масштаба проект с командой разработки. Сейчас руководитель может сам собрать первую рабочую версию сервиса, если хорошо понимает проблему и умеет работать с продуктовой логикой.

Со стороны может показаться, что всё делается «по кнопке» с помощью нейронки. Но AI здесь ускоритель, а не волшебная палочка. Да, важно уметь работать с AI, но куда важнее: уметь проверять гипотезы, проектировать и формулировать бизнес-логику тестировать сценарии, замечать ошибки и принимать архитектурные решения. Прежде чем превратиться в Brele Signal, продукт прошёл через десятки итераций и развивался по этапам.

Собрали в одной системе всё, что обычно живёт отдельно:

• записи и расшифровки встреч — добавляются автоматически через интеграцию с почтой;
• Telegram-чаты по проекту: внутренние и клиентские;
• комментарии менеджеров в системе;
• показатели NPS от клиента.

Система подключается к этим источникам, анализирует коммуникацию и выделяет сигналы: например, риск по срокам, недовольство клиента, усталость команды или наоборот — позитивную динамику и уверенность в проекте.

Мы не дали AI «фантазировать». Вместо этого создали управляемый справочник сигналов, который настраивается в админке.

Например:

• «Угроза срокам».
• «Клиент недоволен».
• «Команда демотивирована».
• «Угроза бюджету».
• «Клиент доволен».
• «Коммуникационный разрыв».

AI анализирует контекст проекта и относит события к конкретным типам сигналов. Каждый сигнал имеет вес и влияние на показатели проекта.

В админке можно создавать новые типы сигналов, настраивать их вес и влияние на показатели проекта, а также управлять логикой оценки.

Состояние проектов оцениваем по трём важным для нас параметрам:

• здоровье проекта;
• настроение клиента;
• настроение команды.

На основе этих данных настроили дашборды, которые помогают быстро увидеть общую картину и понять, где требуется внимание. Это заменило постоянное ручное сканирование чатов и встреч.

С помощью основного дашборда мы видим:

• список активных проектов,
• общую «температуру» по каждому из них,
• риски,
• ключевые сигналы.

Есть ещё дашборд проекта. Здесь мы отслеживаем динамику: как меняется здоровье проекта, где появляются просадки, какие события на это влияют и почему ухудшается настроение клиента или команды.

Чтобы не терять важные договорённости в чатах и созвонах, внутри Signal сделали канбан-доску с клиентскими задачами.

Система каждый день анализирует переписки и встречи, а затем автоматически создаёт задачи. Например, клиент задал вопрос и мы обещали вернуться с обратной связью, или нам нужна дополнительная информация от заказчика.

Карточки можно перемещать между колонками с помощью drag'n'drop, фильтровать по проектам и исполнителям.

От идеи до рабочей версии канбана прошло около двух часов: сформулировать логику, настроить промпты, проверить результат и немного доработать интерфейс.

Отдельно собрали всё, что влияет на работу системы:

• логику анализа,
• AI-промпты,
• пересчёт показателей,
• системные сценарии обработки сигналов.

В итоге Signal стало проще настраивать: менять веса сигналов, оттачивать промпты и тонко корректировать логику.

Подключили NPS, чтобы каждый спринт собирать обратную связь от клиентов. Это помогает видеть общую оценку работы по проекту и отслеживать её динамику, не теряясь в отдельных позитивных или негативных сигналах, которые возникают в течение недели.

Создали бота Бориса Брелева. Его имя — производное от бюро Brele. Бот вежливо напоминает клиентам заполнить NPS, сидит в проектных чатах, делает саммари и помогает фиксировать сигналы, которые появляются по ходу работы.