Как SERHANT. масштабировал AI-продукт: Next.js, Vercel и оркестрация моделей

SERHANT., один из крупнейших брокерских домов недвижимости в США, сумел быстро масштабировать свой AI-продукт S.MPLE с внутреннего пилота до полноценного инструмента для сотен риелторов. За несколько месяцев команда прошла путь от 200 до 800–900 активных пользователей, используя Next.js на Vercel, гибкую оркестрацию нескольких языковых моделей и архитектуру, которая позволяет менять AI-провайдеров без остановки разработки. Этот кейс показывает, как компания смогла сохранить скорость и гибкость в условиях стремительно меняющегося AI-ландшафта.

Как SERHANT. построил AI-продукт на Next.js и Vercel

Когда в феврале 2024 года Джереми Бантинг пришёл в SERHANT. на должность вице-президента по инженерии, AI-продукт S.MPLE уже существовал как прототип. Это было прогрессивное веб-приложение на Next.js, развёрнутое на Vercel. Именно эта основа дала команде рычаг: они сохранили API-слой стабильным, одновременно расширяя клиентский опыт, включая разработку iOS-приложения на React Native. Всё это — без перестройки бэкенда.

Перед Бантингом стояла типичная для многих engineering-лидеров проблема: ландшафт AI меняется быстрее, чем большинство команд успевает обновлять инфраструктуру. Нужно было двигаться быстро, масштабироваться уверенно и оставаться достаточно гибкими, чтобы заменять модели, добавлять новые возможности и адаптироваться к быстро меняющейся среде. Традиционные подходы заставляли выбирать между скоростью и гибкостью, но Бантинг хотел и того, и другого.

Почему SERHANT. выбрал Vercel для AI-продукта?

Выбор Vercel в качестве платформы для развёртывания не был случайным. Vercel предоставляет бессерверные функции, автоматическое масштабирование и глобальную сеть доставки контента, что идеально подходит для AI-нагрузок, где требуется низкая задержка и высокая доступность. Кроме того, Vercel тесно интегрирован с Next.js, что позволяет команде сосредоточиться на бизнес-логике, а не на инфраструктуре. Для SERHANT. это означало возможность быстро итерировать и масштабироваться без необходимости нанимать DevOps-инженеров или управлять серверами.

Предыстория и контекст

Рынок AI-инструментов для недвижимости переживает бум. Риелторы тратят до 40% рабочего времени на рутинные задачи: анализ рынка, управление контактами, подготовку документов. Крупные брокерские дома ищут способы автоматизировать эти процессы, но сталкиваются с дилеммой: либо использовать готовые решения, которые не учитывают специфику бизнеса, либо строить собственные AI-системы, что требует значительных инвестиций в инфраструктуру.

SERHANT. выбрал второй путь, но с важным отличием — они не строили собственную AI-платформу с нуля, а использовали Vercel как инфраструктурный слой. Это позволило команде сосредоточиться на AI-дизайне и итерациях, а не на «сантехнике» платформы. Такой подход особенно актуален на фоне стремительного появления новых моделей: GPT-4o, Claude 3.5, Gemini 1.5 — каждая имеет свои сильные стороны.

Как SERHANT. оркестрирует несколько AI-моделей?

Ключевое инновационное решение SERHANT. — использование нескольких моделей для разных задач, а не одной универсальной. Команда разработала систему оркестрации, которая направляет запросы к наиболее подходящей модели в зависимости от требований конкретной задачи.

Для сложных задач, требующих точности и структурированного анализа данных, таких как сравнительный анализ рынка, используется Claude Sonnet. Эта модель демонстрирует сильные способности к рассуждению на основе структурированных данных. Для лёгких задач, где важна скорость, — например, определение намерений пользователя или заполнение полей — применяется Claude Haiku, самая быстрая модель Anthropic. Для разговорного голоса и общих чат-поведений используются модели OpenAI. А для генерации изображений, автоматизации браузера и рабочих процессов с компьютерным зрением, где приоритет — надёжность и скорость, задействуется Gemini.

Технические подробности: архитектура и масштабирование

Архитектура S.MPLE построена на принципе разделения ответственности. Бэкенд на Next.js выступает как единый API-шлюз, который принимает запросы от веб-приложения и мобильного клиента, а затем маршрутизирует их к соответствующей AI-модели через серверные функции Vercel. Это позволяет добавлять новые модели или заменять существующие без изменения клиентского кода.

Масштабирование с 200 до 900+ агентов прошло безболезненно именно благодаря Vercel. Платформа автоматически управляет масштабированием серверных функций, балансировкой нагрузки и кэшированием. Команде не пришлось беспокоиться о provisioning серверов или настройке Kubernetes — всё это взяла на себя платформа.

Важный аспект — управление затратами. Использование разных моделей для разных задач позволяет оптимизировать расходы: дорогие модели применяются только там, где их возможности действительно нужны, а для рутинных операций используются более дешёвые и быстрые альтернативы. По оценкам SERHANT., такой подход позволяет экономить до 30–40% затрат на AI-инференс по сравнению с использованием одной универсальной модели.

Кого затронет и как

Опыт SERHANT. в первую очередь полезен engineering-лидерам и техническим директорам, которые строят AI-продукты в условиях высокой неопределённости. Вместо того чтобы делать ставку на одну модель или одного провайдера, они могут перенять подход оркестрации, который обеспечивает гибкость и устойчивость к изменениям на рынке AI.

Для разработчиков, работающих с Next.js и Vercel, кейс SERHANT. демонстрирует, что та же инфраструктура, которая используется для обычных веб-приложений, может эффективно обслуживать сложные AI-нагрузки. Это снижает порог входа для компаний, которые хотят внедрить AI, но не имеют опыта работы с ML-инфраструктурой.

В российском контексте этот кейс особенно актуален: многие компании ищут способы быстро внедрить AI, но сталкиваются с ограничениями по бюджету и кадрам. Подход SERHANT. — использовать существующую инфраструктуру (Next.js, Vercel) и оркестрировать доступные модели — может быть адаптирован с учётом локальных реалий, например, с использованием YandexGPT или других отечественных моделей.

Что будет дальше

SERHANT. не останавливается на достигнутом. Команда планирует расширять функциональность S.MPLE, добавляя новые AI-агенты для автоматизации более сложных бизнес-процессов. В перспективе — интеграция с внешними системами через API, использование мультимодальных моделей для анализа фотографий объектов недвижимости и генерация персонализированных маркетинговых материалов.

На более широком уровне подход SERHANT. может стать шаблоном для других компаний в сфере недвижимости и смежных отраслях. По мере того как AI-модели становятся всё более специализированными, умение комбинировать их сильные стороны будет давать конкурентное преимущество. Vercel, в свою очередь, продолжает развивать инструменты для AI-разработки, что делает платформу ещё более привлекательной для подобных проектов.

Итог

Кейс SERHANT. показывает, что быстрая AI-итерация возможна без жертвования гибкостью или надёжностью. Используя Next.js на Vercel и оркестрируя несколько AI-моделей, компания смогла масштабироваться с 200 до 900+ пользователей за короткий срок, не перестраивая бэкенд. Главный урок: не нужно выбирать между скоростью и гибкостью — правильная архитектура позволяет получить и то, и другое. Для тех, кто строит AI-продукты сегодня, это не просто история успеха, а практическое руководство к действию.