Прогнозная аналитика
Прогноз спроса, предсказание оттока клиентов, прогноз выручки, оптимизация запасов. Для сетей 30+ точек, доставки продуктов и агрегаторов.
Разработка AI-решений для ресторанного бизнеса под ключ
Кастомные AI-сервисы для вашей ресторанной сети — от computer vision на кухне до AI-агентов и прогнозной аналитики. Российские языковые модели (YandexGPT, GigaChat) для соответствия 152-ФЗ. Опыт KFC face-recognition с точностью 100% на тестовой выборке, KFC DSR на 21 000+ ресторанов глобально, Burger King и Магнита.
Когда ресторану нужны кастомные AI-решения
В 2026 году AI в общепите перестал быть экзотикой — каждый крупный игрок РФ внедряет хотя бы один AI-сценарий. Готовые сервисы (Loona.ai, YandexGPT API, GigaChat API) покрывают типовые задачи, но есть четыре ситуации, когда нужен кастом:
- Сеть от 30 точек с уникальными данными. Готовый AI работает на универсальных моделях; кастом обучается на ваших данных — истории заказов, поведении гостей, особенностях меню. Это даёт точность на 15–30% выше типовых сервисов.
- Чувствительные данные требуют локализации (152-ФЗ). Биометрию сотрудников и гостей, персональные данные миллионов клиентов нельзя отправлять в зарубежные модели — нужны российские (YandexGPT, GigaChat) или собственная инфраструктура.
- Встроенный, а не «надстроенный» интеллект. Нужны не AI-надстройка, а встроенный в продукт интеллект: предложения в приложении клиента, вход по лицу для сотрудников через iPad-кассу, чат-бот с доступом к вашей CRM. Это требует кастомной интеграции.
- Конкурентное преимущество. Если AI работает у всех одинаково (готовая Loona или универсальный API), это не преимущество. Кастом даёт уникальные сценарии, которые конкуренты не повторят.
[ НАПРАВЛЕНИЯ ]
8 направлений AI для ресторанного бизнеса
Современный AI в общепите — не одна задача, а семейство направлений. Каждое можно делать отдельно или как часть единой AI-инфраструктуры; в проектах мы берём 1–2 направления или комплекс из 5–7 сразу.
Прогнозная аналитика
Прогноз спроса, предсказание оттока клиентов, прогноз выручки, оптимизация запасов. Для сетей 30+ точек, доставки продуктов и агрегаторов.
Computer vision
Распознавание лиц сотрудников и VIP-гостей, контроль порций и качества блюд, мониторинг кухни. Для QSR-сетей и премиум-ресторанов.
Анализ отзывов
Оценка тональности, выделение тем, обнаружение проблемных точек по массовому потоку отзывов. Для любой сети с отзывным каналом.
Голосовые ассистенты
Голосовой приём заказа официантом, голосовой бот для бронирования столов, голосовой ассистент клиента. Для премиум-ресторанов, кейтеринга и доставки.
AI-агенты
Ассистент маркетолога, ассистент управляющего сменой, ассистент в чате клиента — автономно выполняют задачи, а не просто отвечают. Для сетей 50+ точек.
Рекомендательная система
Что предложить гостю, допродажа на кассе, персональное меню. Растит средний чек на 5–15%. Для кофеен и ресторанов с CRM.
Динамическое ценообразование
Скидка в часы спада, цена под спрос, повышение цены в пик. Для доставки, гиперлокальных сервисов и dark kitchen.
Оптимизация dark kitchen
Прогноз заказов по локациям, оптимизация загрузки dark kitchen, маршрутизация курьеров. Для quick commerce и доставки.
Эффект и окупаемость: что приносят AI-сценарии
Реальные типы AI-проектов, которые мы делаем для ресторанного бизнеса, и их эффект:
- Предсказание оттока для программы лояльности. Модель видит уход клиента за 2–3 недели до факта, маркетинг отправляет персональную кампанию удержания. Удержание 30–50% клиентов из сегмента уходящих окупает разработку за 6–12 месяцев.
- Рекомендательная система для среднего чека. «Гости, которые брали пасту карбонара, часто берут вино X» — в приложении, на iPad-кассе официанта, в чат-боте. Плюс 5–15% к среднему чеку.
- Распознавание лиц сотрудников. Биометрический учёт рабочего времени с защитой от подмены (как в кейсе KFC) — убирает ручной табель и «передачу карты другу».
- Контроль порций и качества блюд. Камера над станцией сравнивает блюдо с эталоном, дисциплинирует кухню (подробнее — на странице computer vision для кухни).
- Прогноз спроса для закупок. Модель учитывает историю продаж, погоду, события в городе — снижает списания на 20–40%.
- AI-сегментация кампаний. Поведенческие сегменты, похожие аудитории, оптимальное время отправки push (применяется в программе лояльности) — плюс 30–50% к конверсии push-кампаний.
Кастомный AI-проект от 5 млн ₽ окупается за 12–24 месяца у сетей 30+ точек.
Готовые AI-сервисы или кастомная разработка
На рынке есть готовые AI-инструменты, которые можно подключить за дни. Альтернатива — кастом от 2 млн ₽.
| Параметр | Готовое (Loona.ai, YandexGPT API) | Кастомная разработка |
|---|---|---|
| Цена входа | от 30–200 тыс. ₽/мес за API плюс интеграция | от 2 млн ₽ единоразово |
| Срок до запуска | 2–30 дней | от 2–9 месяцев |
| Точность | на универсальных моделях (≈70–85%) | на ваших данных (90–99% в узких задачах) |
| Кастомизация | через API в рамках вендора | любая логика, любые модели |
| 152-ФЗ | зависит от вендора (зарубежные — нельзя для ПД, YandexGPT — можно) | полная независимость, серверы в РФ |
| Зависимость от вендора | полная (API может закрыться, цены вырасти) | полная независимость |
Готовое уместно для стартапа или пилота, сети 1–30 точек со стандартными задачами (типовой чат-бот, тональность отзывов), бюджета 200–500 тыс. ₽ и когда нет чувствительных данных. Кастом нужен для сети от 30 точек с большим объёмом собственных данных, чувствительных данных (биометрия, ПД миллионов клиентов), уникальных задач без готовых решений и глубокой интеграции в CRM, ERP и POS. Часто работает гибрид: типовые задачи на готовых API, специфичные — на кастомных моделях.
Языковые модели для российского foodtech
Большие языковые модели — основа большинства AI-сценариев 2026. В РФ зарубежные API недоступны с 2024, но реальных вариантов четыре:
| Модель | Кто | Когда выбирать |
|---|---|---|
| YandexGPT | Яндекс | Лучшая для русского языка: чат-боты, ответы на вопросы, генерация контента. API в Yandex Cloud, соответствие 152-ФЗ |
| GigaChat | Сбер | Фокус на бизнес-задачи, доступна в SberCloud, хорошо работает с длинными документами |
| T-Bank LLM (Saiga и др.) | Т-Банк | Открытые русские модели для собственного хостинга, когда нужна полная независимость от API |
| Открытые модели (LLaMA 3, Mistral, Qwen) | Meta, Mistral, Alibaba | Для решений на своих серверах с дообучением под бренд |
В стандартном проекте мы используем 2–3 модели в гибриде: YandexGPT для общения с клиентом и контента, открытую модель для специальных задач (классификация отзывов, тональность) и собственную дообученную модель для уникальных бизнес-сценариев.
AI-агенты и голосовые ассистенты
AI-агент — это не чат-бот, а автономный исполнитель задач. В 2026 он реален в нескольких сценариях:
- Голосовой приём заказа официантом. Официант диктует «два капучино без сахара, латте средний, два чизкейка» — голос превращается в позиции меню. Полезно на больших столах (8+ человек).
- Голосовой бот для бронирования. Гость звонит, бот узнаёт дату, время и число гостей, предлагает выбрать стол по фото — полное бронирование без администратора.
- Ассистент маркетолога. «Покажи сегменты, которые не покупали 30+ дней» — агент выбирает сегмент в CRM; «создай push-кампанию со скидкой 15%» — готовит черновик, маркетолог только утверждает.
- Ассистент управляющего сменой. «Что важного произошло за смену?» — агент собирает данные из POS, кухонных экранов и CRM: «3 жалобы на ожидание дольше 20 минут, выручка ниже среднего на 12%, проблема с поставкой томатов в 14:30».
- Ассистент в чате клиента. «Какой у вас веганский вариант?», «Можно прийти со своим тортом?» — отвечает с доступом к меню и правилам заведения, снимает нагрузку с операторов.
Интеграции
AI-решение редко работает само по себе — это сервис, встроенный в существующий стек ресторана.
| Интеграция | Зачем |
|---|---|
| iiko / R-Keeper / Frontpad | Источник данных о заказах для моделей |
| CRM (Bitrix24, amoCRM, кастом ) | Источник данных о клиентах для сегментации |
| ERP | Источник данных о персонале и операциях |
| POS-кассы | AI-функции прямо на кассе — рекомендации, контроль |
| Кухонные камеры (Hikvision, Intel RealSense) | Вход для computer vision: контроль порций и качества |
| Бэк-офис 1С | Данные о закупках и списаниях |
| Каналы коммуникации (push, SMS, email, Telegram) | Триггерные кампании от AI |
| Голосовые каналы (Asterisk, Voximplant, Mango Office) | Голосовые боты и ассистенты |
| Vector DB (Pinecone, Weaviate, ChromaDB, pgvector) | Семантический поиск и память для LLM-агентов |
| MLOps (MLflow, Weights & Biases) | Управление экспериментами и моделями |
[ ПОЧЕМУ SURF ]
За 14+ лет создали 300+ мобильных и веб-продуктов
300+ реализованных проектов, 100 международных наград, №1 в мобильной разработке, 250 специалистов в команде. AI-инфраструктура для сетей федерального уровня — KFC (распознавание лиц с точностью 100% на тестовой выборке), Магнит (рост частоты втрое), Burger King (7 млн пользователей).
Точность распознавания лиц в KFC
За месяц тестирования, защита от подмены
Рост частоты использования приложения Магнита
После AI-сегментации лояльности
В разработке приложений для крупного бизнеса
Штатных специалистов
ML, computer vision, backend, дизайн, QA, DevOps
Точность распознавания лиц в KFC
За месяц тестирования, защита от подмены
Рост частоты использования приложения Магнита
После AI-сегментации лояльности
В разработке приложений для крупного бизнеса
Штатных специалистов
ML, computer vision, backend, дизайн, QA, DevOps
[ КЕЙСЫ ]
Кейсы Surf
Мы создаём foodtech-продукты для лидеров рынка — от стартапов до федеральных сетей. Несколько релевантных проектов из портфеля (полный — на странице foodtech-практики):
[ ПРОЦЕСС ]
Процесс разработки AI-проекта
[ 01 ]
AI Discovery
2–3 недели. Перевод бизнес-задачи в постановку для модели, аудит данных (что есть, что собрать, как разметить), оценка окупаемости.
[ 02 ]
Подготовка данных
3–6 недель, часто параллельно. Сбор и очистка данных, разметка, подготовка признаков.
[ 03 ]
Прототип модели
2–4 недели. Базовая модель, метрики, демо результатов на небольших данных.
[ 04 ]
Обучение для продакшена
4–8 недель. Обучение на полных данных, подбор гиперпараметров, валидация.
[ 05 ]
Интеграция в продукт
4–8 недель. API, мобильные и веб-интерфейсы, интеграция с CRM, POS, ERP.
[ 06 ]
MLOps и мониторинг
Постоянно. Конвейер обновления моделей, мониторинг деградации качества, A/B-тесты в продакшене.
[ 07 ]
Поддержка и итерации
Дообучение моделей, новые сценарии по мере роста сети.
Стек технологий
| Слой | Технологии |
|---|---|
| ML-фреймворки | PyTorch, TensorFlow, Hugging Face Transformers, scikit-learn, XGBoost |
| Computer vision | Ultralytics YOLO, Mask R-CNN, SAM, OpenCV |
| Языковые модели | YandexGPT, GigaChat, T-Bank LLM, открытые LLaMA 3 / Mistral / Qwen |
| Vector DB | Pinecone, Weaviate, ChromaDB, pgvector |
| MLOps | MLflow, DVC, Weights & Biases, Airflow |
| Backend для AI-сервисов | Python (FastAPI, Django), Go |
| Сервер инференса | NVIDIA Triton, TorchServe, ONNX Runtime |
| Edge AI | NVIDIA Jetson, Intel NUC — для computer vision на месте, без облака |
| Мобайл-интеграция | Flutter, iOS, Android — для AI-функций в приложениях |
| Облако | Yandex Cloud / VK Cloud / SberCloud — данные в РФ по 152-ФЗ |
Для ускорения собственной работы мы используем AI-генерацию кода — это часть нашей AI-методологии.
Стоимость и сроки
Цены указаны «от» — финальная зависит от объёма данных, набора направлений и нужных моделей.
| Формат | Состав | Срок | Стоимость «от» |
|---|---|---|---|
| Узкий AI-модуль (одна задача) | обучение модели, API, базовая интеграция | 2–3 месяца | от 2 млн ₽ |
| AI для одного ресторана (2–3 задачи) | прогнозы, рекомендации, базовый computer vision или чат-бот | 3–5 месяцев | от 5 млн ₽ |
| AI для сети (30–100 точек, 5–7 задач) | полный комплекс с интеграцией в CRM / ERP / POS, AI-агенты | 6–9 месяцев | от 10 млн ₽ |
| Уровень федеральной сети (1000+ точек) | полный комплекс, собственная дообученная модель, MLOps-инфраструктура, поддержка 24×7 | от 9 месяцев | от 20 млн ₽ |
Что влияет на цену: объём и качество данных (если собирать с нуля — плюс 2–6 месяцев на подготовку), собственная дообученная модель (плюс 3–8 млн ₽), computer vision на месте (плюс расходы на оборудование), биометрия (плюс 2–5 млн ₽ и 3D-камеры), мультитенант для франшизы (плюс 1–3 млн ₽). С готовым ТЗ этап AI Discovery сокращается на 2–3 недели.
[ ОТЗЫВЫ ]
Клиенты о работе с нами
[ FAQ ]
Клиенты часто спрашивают
AI-агент — это автономный исполнитель задач, в отличие от чат-бота, который только отвечает. Например, AI-ассистент маркетолога сам выбирает сегмент в CRM, готовит push-кампанию и показывает черновик человеку для утверждения.
Формально нет — крупные зарубежные API прекратили работу с клиентами из РФ в 2024, а персональные данные в них нельзя по 152-ФЗ. Реалистичные варианты: YandexGPT, GigaChat, T-Bank LLM и открытые модели (LLaMA 3, Mistral).
От 2 млн ₽ за 2–3 месяца — узкий AI-модуль на одну задачу (например, предсказание оттока для существующей CRM или распознавание лиц для одного ресторана). С готовыми данными — от 1,5 млн ₽.
Тремя вещами: точность на ваших данных на 15–30% выше (готовые работают на универсальных моделях), соответствие 152-ФЗ (биометрию и ПД нельзя в зарубежные сервисы) и долгосрочный актив, который масштабируется и принадлежит бизнесу.
По нашему опыту: предсказание оттока окупается за 6–12 месяцев (удержание 30–50% уходящих клиентов), рекомендательная система даёт +5–15% к среднему чеку, прогноз спроса — −20–40% списаний. Кастомный AI-проект от 5 млн ₽ окупается за 12–24 месяца у сетей 30+ точек.
Зависит от задачи: для предсказания оттока — история заказов за 2+ года (минимум 5–10 тыс. клиентов), для контроля порций — 5–15 тыс. размеченных фотографий, для рекомендательной системы — 50 тыс.+ транзакций. Часть данных помогаем собрать и разметить на этапе подготовки данных.
Да, этим часто и заканчивается путь: компания пробует готовую платформу, упирается в точность или 152-ФЗ, затем переходит на кастом. Делаем перенос данных и плавный переход за 2–3 месяца параллельно со старой системой.
