Меню для кафе через нейросеть: что получается, а что переписывать

Черновик меню для кафе нейросеть собирает за вечер. Опубликовать то, что она выдала, нельзя ни в зале, ни в доставке. Мы взяли меню реального городского кафе на сорок позиций — завтраки, супы, паста, десерты, кофейная карта — и прогнали его через ИИ по пяти шагам: названия и описания блюд, перевод, допродажи в тексте, картинки, тексты карточек в Яндекс Картах и 2ГИС. После каждого шага фиксировали, что пришлось переписать руками и почему.

Главный вывод получился скучный, зато полезный. Нейросеть экономит часы на черновике и ноль часов на проверке. Текст, который она пишет за минуту, вы читаете пятнадцать минут — потому что читать приходится не как редактор, а как технолог: сходится ли состав, не появился ли в описании ингредиент, которого нет в закупке, не обещает ли фраза «домашний хлеб на закваске» того, что кухня не делает.

Второй вывод про асимметрию цены ошибки. Переписать неудачное описание десерта — десять минут и никаких последствий. Выложить сгенерированную картинку блюда, которое выглядит иначе, — это отзыв «обман», возврат и разговор с гостем за счёт заведения. Поэтому делить работу надо не по сложности, а по тому, кто отвечает за результат перед гостем и перед проверкой.

01Условия эксперимента: что именно отдавали нейросети

Кафе на 34 посадочных места, средний чек невысокий, основной поток — завтраки и обеды. Меню до эксперимента: позиции названы коротко и технически («Паста с курицей», «Суп дня»), описаний почти нет, фотографий нет, карточки в Картах заполнены по минимуму. Типичная история небольшого заведения, где меню верстал тот, у кого был доступ к файлу.

Нейросети мы давали вводные в одном и том же объёме: калькуляция блюда с составом, технология приготовления в двух предложениях, формат подачи, позиционирование кафе и портрет гостя. Промпт — это текстовое задание модели; чем больше в нём конкретики из вашей кухни, тем меньше модель додумывает. Без калькуляции она пишет красиво и мимо.

02Названия блюд: генератор вариантов, а не автор

Здесь ИИ полезен сразу. На каждую позицию он выдаёт по десять-пятнадцать вариантов названия в разных регистрах: нейтральное, разговорное, с указанием главного ингредиента, с отсылкой к способу приготовления. Руками столько не придумаешь, а выбирать из списка легко.

Проблема в том, что модель тянется к вкусным словам, за которые не отвечает. На нашей пасте с грибным соусом она четыре раза предложила «трюфельную» — трюфельного масла в калькуляции не было. Сырники получили прилагательное «деревенские», творог при этом приходит от обычного поставщика. Такое название — это обещание гостю, и спорить с ним в зале будет официант.

Второй частый сбой — названия, которые невозможно произнести на кассе и в телефонном заказе. В доставке это прямой убыток времени: оператор переспрашивает, гость раздражается. Если название не произносится вслух за одно дыхание, его в меню быть не должно.

03Описания: эпитеты вместо фактов

Описание блюда в меню решает одну задачу — снять у гостя вопрос «что это и из чего». ИИ по умолчанию решает другую: он пишет рекламный текст. В первом прогоне почти в каждом описании оказались «нежнейший», «ароматный», «тает во рту» и «любимый вкус детства». Полезной информации при этом меньше, чем в исходной технической строке.

После правки промпта — запрет на оценочные прилагательные, обязательное перечисление основных ингредиентов, ограничение по длине — стало заметно лучше. Но осталась другая беда: модель додумывает происхождение и технологию. Сыр получил «адыгейское» происхождение, хлеб — «закваску двухдневной выдержки», лосось — «дикий». Ни одного из этих фактов в исходных данных не было. Это галлюцинация: нейросеть уверенно выдаёт выдуманный факт тем же тоном, что и настоящий.

Полезный приём: просить модель писать описание в двух частях — состав и способ приготовления. Вторая часть почти всегда идёт в мусор, первая часто остаётся. Про то, как вообще пересобирать структуру меню по данным чеков, мы разбирали отдельно — меню ресторана: как пересобрать его по данным чеков. Нейросеть работает с формулировками, а не с решением о том, какие позиции оставить.

04Вес, состав, аллергены: зона, где ИИ опасен

Этот шаг мы отдали нейросети сознательно, чтобы посмотреть, что будет. Результат предсказуемый: модель расставила выходы блюд по среднему представлению о порциях. Паста получила 320 грамм, суп — 300 миллилитров, десерт — 120 грамм. Ни одна цифра не совпала с технологической картой кафе. Выглядело всё при этом абсолютно уверенно.

Та же история с аллергенами. Орехи в составе соуса модель не увидела, зато дописала «возможно содержит следы орехов» к блюду, где орехов нет вообще. Для гостя с аллергией это не стилистическая неточность.

Практический вывод из этого шага самый жёсткий во всей статье. В файле, который идёт в печать или в электронное меню, цифры должны приходить из учётной системы и техкарт, а не из текста. Если учёт не даёт этих данных в один клик, проблема не в нейросети — посмотрите что должна уметь программа учёта для кафе.

05Допродажи в тексте меню: предложения без экономики

Мы попросили добавить к позициям короткие связки вроде «хорошо идёт с...». Формулировки нейросеть выдаёт складные, а логика за ними пустая. Она предлагает пары по вкусовой сочетаемости из общих представлений и ничего не знает ни о маржинальности, ни о загрузке кухни, ни о том, что половина предложенного — сезонка, которой в январе нет.

Из сорока связок мы оставили шесть. Отвалились предложения с низкой маржой, позиции, требующие отдельной работы повара в пиковый час, и две пары с блюдами, которые кафе вывело из меню месяц назад.

06Перевод меню: сильный шаг с двумя оговорками

Лучший результат за весь эксперимент. Перевод описаний на английский вышел грамотным и заметно быстрее, чем через фрилансера, особенно когда меню меняется каждый сезон. Если в кафе бывают иностранные гости, этот шаг окупается почти сразу.

Оговорка первая: названия блюд. Модель то транслитерирует, то переводит буквально, и «сырники» превращаются в конструкцию, по которой гость не поймёт, что ему принесут. Оговорка вторая: термины подачи и степени прожарки — тут нужен человек, который видел кухню.

07Картинки блюд: самый дорогой риск

Сгенерированная еда выглядит красиво и не выглядит вашей. На нашем меню модель рисовала пасту в посуде, которой в кафе нет, добавляла в кадр зелень и соусы вне состава, завышала порцию примерно вдвое. Самое показательное: сырники она изобразила с ягодным кули и мятой, а подаются они со сметаной в соуснике.

Гость в зале сравнивает тарелку с картинкой, в доставке — тем более. Разрыв между изображением и реальностью читается как обман, и спор идёт не о маркетинге, а о возврате денег. Плюс отдельный риск по требованиям к рекламе и описанию товара — этот вопрос задавайте юристу, а не нам.

Где ИИ-графика в меню уместна: фоны и текстуры, иконки категорий, декоративные элементы обложки, макеты для внутренних примерок вёрстки. Всё, что не изображает конкретное блюдо, которое гость может заказать. Сами фотографии еды — это съёмка, и экономить на ней не получается: позиция без фото в доставке теряет заказы, позиция с неправдивым фото теряет гостя.

08Карточки в Яндекс Картах и 2ГИС

Карточка заведения на картах — это поисковая витрина: описание, услуги, фотографии, меню, ответы на отзывы. Мы попросили нейросеть написать описание кафе и тексты по категориям меню для карточек.

Описание получилось гладким и наполовину выдуманным. Появились «просторная терраса», «детская зона» и «живая музыка по выходным» — ничего этого в кафе нет. Модель достраивает типичный образ заведения, потому что так чаще бывает в текстах, на которых она училась. Для карточки это прямой путь к отзыву «написано одно, пришли — другое».

Что из карточек делегировать можно: переписать описание позиций меню под формат площадки, сократить длинный текст, собрать варианты заголовков для акции. Чего делать не стоит — поручать ИИ ответы на отзывы без правки. Шаблонная вежливость узнаётся с первой строки, а гость писал про конкретный остывший суп. Если меню в карточке ведёт на QR-версию, проверьте заодно, что там всё совпадает: про это есть отдельный разбор — электронное меню и QR как точка контакта.

09Светофор: делегировать, проверять, не отдавать

Итог эксперимента удобнее держать не списком сервисов, а зонами ответственности.

Логика деления простая: зелёная зона — это слова, жёлтая — слова про факты, красная — сами факты и деньги. Нейросеть не отвечает перед гостем и перед проверкой, поэтому в красной зоне её подпись ничего не стоит.

10Сколько часов это экономит и как считать

Экономия считается не в восторге от скорости, а в ваших часах. Посчитайте по шагам: сколько времени уходило без ИИ и сколько уходит с ним, включая проверку. Проверку в расчёт включать обязательно — именно на ней обычно схлопывается вся экономия.

На нашем меню половина работы ускорилась примерно вдвое, а две позиции в списке не ускорились вообще. Это нормальный результат, и планировать стоит именно так: нейросеть сокращает подготовку текста, а не процесс обновления меню целиком.

11Чек-лист и частые ошибки

• Калькуляции под рукой. Промпт содержит состав, выход и технологию, иначе проверять будет нечего.
• Каждое прилагательное подтверждено. «Домашний», «фермерский», «дикий», «на закваске» — либо есть в документах, либо вылетает.
• Вес и аллергены взяты из учёта. Ни одной цифры из текста модели в финальном файле.
• Фото только свои. Любое изображение блюда, которое можно заказать, — со съёмки.
• Карточки сверены с реальностью. Терраса, детская зона, график, услуги — построчно против того, что есть в заведении.
• Допродажи выбраны вами. Пары собраны по марже и загрузке кухни, ИИ только формулирует.
• Перевод вычитан человеком. Особенно названия блюд и состав.
• Финальная подпись одна. Понятно, кто отвечает за файл, который ушёл в печать.

• Публиковать описания без вычитки шефомВыдуманный ингредиент в меню обсуждают не с копирайтером, а с гостем в зале.
• Ставить сгенерированные фото блюдРазрыв между картинкой и тарелкой читается как обман и попадает в отзывы.
• Доверять ИИ вес и аллергеныЦифры выглядят правдоподобно и не совпадают с техкартой. Это риск перед гостем и перед проверкой.
• Отдавать ответы на отзывы на автоматШаблонная вежливость в ответ на конкретную жалобу раздражает сильнее молчания.
• Менять меню «потому что нейросеть предложила»Состав меню решается по чекам и марже, а не по текстовой красоте позиции.
• Считать экономию без часов проверкиПоловина сэкономленного времени уходит на сверку, и это нормально — просто учитывайте это в плане.

Дисклеймер: расчёты учебные, данные площадок по справкам на момент публикации. Требования к информации о блюдах, маркировке и рекламе уточняйте у профильного юриста и технолога.