Внутри AI | Кейсы ИИ Агентов в бизнесе
رفتن به کانال در Telegram
Внедрение AI в компании от анализа до запуска - https://kts.tech/ai. AI Агенты и их применение в бизнесе Обзоры, кейсы, практика
نمایش بیشتر4 877
مشترکین
+4724 ساعت
+1347 روز
+27930 روز
در حال بارگیری داده...
کانالهای مشابه
هیچ دادهای
مشکلی وجود دارد؟ لطفاً صفحه را تازه کنید یا با مدیر پشتیبانی ما تماس بگیرید.
ابر برچسبها
اشارات ورودی و خروجی
---
---
---
---
---
---
جذب مشترکین
سپتامبر '26
سپتامبر '26
+288
در 1 کانالها
اوت '26
+624
در 1 کانالها
Get PRO
ژوئیه '26
+409
در 1 کانالها
Get PRO
ژوئن '26
+481
در 0 کانالها
Get PRO
مه '26
+608
در 1 کانالها
Get PRO
آوریل '26
+126
در 0 کانالها
Get PRO
مارس '26
+601
در 0 کانالها
Get PRO
فوریه '26
+573
در 0 کانالها
Get PRO
ژانویه '26
+685
در 0 کانالها
Get PRO
دسامبر '25
+181
در 0 کانالها
Get PRO
نوامبر '25
+484
در 1 کانالها
Get PRO
اکتبر '25
+144
در 3 کانالها
Get PRO
سپتامبر '25
+117
در 4 کانالها
Get PRO
اوت '25
+44
در 0 کانالها
Get PRO
ژوئیه '25
+30
در 1 کانالها
Get PRO
ژوئن '25
+110
در 2 کانالها
Get PRO
مه '25
+126
در 2 کانالها
Get PRO
آوریل '25
+433
در 10 کانالها
| تاریخ | رشد مشترکین | اشارات | کانالها | |
| 23 سپتامبر | +23 | |||
| 22 سپتامبر | +53 | |||
| 21 سپتامبر | +103 | |||
| 20 سپتامبر | +1 | |||
| 19 سپتامبر | +1 | |||
| 18 سپتامبر | +2 | |||
| 17 سپتامبر | +2 | |||
| 16 سپتامبر | +1 | |||
| 15 سپتامبر | +24 | |||
| 14 سپتامبر | +47 | |||
| 13 سپتامبر | +4 | |||
| 12 سپتامبر | +1 | |||
| 11 سپتامبر | +2 | |||
| 10 سپتامبر | +2 | |||
| 09 سپتامبر | +2 | |||
| 08 سپتامبر | +6 | |||
| 07 سپتامبر | +5 | |||
| 06 سپتامبر | 0 | |||
| 05 سپتامبر | 0 | |||
| 04 سپتامبر | +2 | |||
| 03 سپتامبر | +2 | |||
| 02 سپتامبر | +2 | |||
| 01 سپتامبر | +3 |
پستهای کانال
В Agent Platform появились новые языковые модели
Недавно мы обновили работу с изображениями, а теперь добавили Claude Opus 5.5 от Anthropic и шесть моделей OpenAI: GPT-6 Astra, Astra Pro, Luna, Luna Pro, Sol и Sol Pro.
Выбирайте модель и пробуйте её в Agent Platform.
| 2 | Моя работа плохо ложится в трекеры. Поэтому её забрал AI-ассистент
У нашего Head of QA, Романа Авдонина, много задач, которые не оставляют следов в привычных трекерах. За день он может обновить матрицу грейдов, согласовать новый процесс, что-то доработать во внутреннем инструменте, провести несколько встреч. А раз в полгода проходит перформанс-ревью — и приходится по чатам, календарю и заметкам восстанавливать контекст. Раньше на такой квест уходило до двух дней.
Вести рабочий журнал руками Роме не хотелось, поэтому он собрал под свою задачу AI-ассистента из Claude Code, Obsidian и markdown-файлов.
Роман общается с Claude обычным текстом и рассказывает ему, чем занимался, а ещё закидывает транскрипты созвонов. Вся память хранится в markdown-файлах, Obsidian служит интерфейсом к ним, а привязки к конкретной модели нет.
Ассистент раскладывает информацию по нужным разделам и запускает часть автоматизаций по расписанию. Контур состоит из нескольких частей:
Журнал. Каждый день ассистент заводит отдельную запись и фиксирует новости, решения и прогресс. Он сам определяет, что оставить в журнале, превратить в задачу или добавить в заметку о человеке.
Канбан-доска. Сюда переехала вся мелкая работа, которую раньше приходилось держать в голове. Ассистент создаёт и двигает карточки между статусами, фиксирует историю изменений и вносит пометки.
Встречи и люди. Из транскрибации созвонов ассистент вытаскивает договорённости, экшн-айтемы и обновляет заметки о людях. Перед следующей встречей может собрать план разговора.
Автоматизации. Сейчас их две: вечером ассистент синхронизирует цели между Google-таблицей и журналом, а к утру понедельника готовит дайджест для 1:1 с руководителем. Раньше такую картину приходилось собирать по чатам час-полтора.
Копилка достижений. Заметные результаты параллельно складываются в отдельную папку. Перед следующим перформанс-ревью ассистент составит черновик селф-ревью с датами и ссылками на журнал.
В статье Роман подробно показал, как устроен контур, описал правила безопасности и оставил готовый промпт, который можно вставить в Claude Code, Cursor или другой инструмент. Агент проведёт небольшое интервью и соберёт похожее решение уже под вас.
Почитать статью и забрать промпт себе | 403 |
| 3 | Больше возможностей для работы с изображениями в Agent Platform
▪️ Добавили топовые графические модели от ведущих провайдеров:
— Google, Nano Banana 2: отличается высоким уровнем детализации, может создавать изображения в разрешении до 4K и точнее понимает контекст сложных запросов
— OpenAI, GPT Image 2: корректно добавляет текст на изображения, стабильнее работает в сериях и генерирует реалистичный UI и скриншоты
— Black Forest Labs, Flux.2: умеет делать фотореалистичные кадры и учитывает данные из открытых источников в реальном времени
Полный список моделей смотрите в комментариях.
▪️ Расширили функциональность для работы с изображениями. Теперь кроме анализа с помощью модели и генерации, доступно редактирование уже созданных иллюстраций через текстовое описание.
Тестируйте обновления в Agent Platform и делитесь впечатлениями | 664 |
| 4 | Эпоха жирного SaaS заканчивается
Ещё лет пять назад мы жили так: нужна функциональность — ищешь подходящий инструмент, смотришь его возможности и решаешь, что в своих процессах переделать, с чем смириться, а что донаращивать надстройками и плагинами. И только после этого начинается работа.
Классический пример — JIRA. Инструмент с кучей ограничений, вокруг которого вырос целый рынок плагинов, пытавшихся донастроить отсутствующую функциональность. В итоге получалось дорогое решение, прикрученное скотчем и верёвочкой: вроде работает, но каждая смена процесса — риск, что что-то отвалится или придётся докупать очередную надстройку.
С приходом AI-инструментов для разработки скорость поставки решений выросла, а трудозатраты сократились. Появился ряд продуктов — в их числе моя OKRsana, — которые можно гибко настраивать под себя и запрашивать у поставщика кастомизации, если это по карману (а по карману это обычно только энтерпрайзу).
Но часть лидов, приходивших ко мне, вообще не хотели внедрять систему целиком и перекраивать процессы под неё. Им были нужны точечные автоматизации. Например, быстрые проверки OKR перед тем, как драфт уйдёт на встречу, или на выравнивание целей по горизонтали и вертикали. И тогда, и сейчас это были кастомные задачи — «возьмётесь ли сделать».
Сегодня мы можем предложить доменным специалистам самим создавать таких агентов без разработки. И дело здесь не только в стоимости — решение у опытной команды дешёвым не бывает.
Суть в том, что кастомных агентов нужно поддерживать и развивать: процессы меняются, появляются новые вводные, всегда хочется что-то докрутить. Если агента настраивает и обновляет сам специалист, цикл «есть идея — реализовали — проверили» сокращается в разы. Про этот сдвиг отдельно писали в постах о Spec-Driven Development как новом уровне no-code и агентских автоматизациях.
Долгое время это была задача из элитарных. В больших компаниях сложность создавали согласования: почему разработка должна ставить в приоритет внутренние проекты с трудносчитаемой экономикой, а не задачи внешнего контура. В маленьких своих разработчиков нет, поэтому делать просто некому. Сейчас мы в эпохе новых возможностей ИИ, и вопрос в другом: как сделать среду для создания, проверки и мониторинга агентов настолько простой и дружелюбной, чтобы желание автоматизировать не гасло через пять минут после входа.
KTS разрабатывает продукт — Agent Platform, который закрывает эту потребность. Он даёт доменным специалистам создавать агентов и объединять их в цепочки для автоматизации своих процессов без разработчиков.
В основе — три принципа:
Простой интерфейс. Как сборка шведской мебели: в комплекте все детали и инструкции, идёшь по шагам, и решение собирается.
Надёжность. Перед выходом в прод агент проходит эвал-, юнит- и интеграционные тесты. Получается решение для промышленного использования, где исключена случайность в качестве ответов.
Дешёвый и простой вход. Можно начать в облаке, а при необходимости (масштаб, требования безопасности) перейти в закрытый контур, сохранив всех агентов и их работу.
Если вам нужно автоматизировать через ИИ часть бизнес-процессов до конца года, пишите, попробуем помочь. Мы предлагаем удочку, а не подсаживаем на постоянные походы в рыбный магазин.
#иван_лавров | 830 |
| 5 | Разработали AI-поиск по сотням документов Level Group и получили точность ответов выше 90%
В базе знаний девелопера хранится множество регламентов и инструкции по разным направлениям. При этом данные для ответа на один вопрос могут быть разбросаны сразу по нескольким источникам, объём информации растёт, появляются дубли и устаревшие документы. Всё это замедляет работу с базой знаний и отнимает время сотрудников.
Чтобы инженеры и менеджеры быстрее получали точные ответы, мы вместе с командой Level Group запустили ИИ-ассистента. Обычно для ускорения поиска используют классический RAG, где система ищет фрагменты по семантической близости. Но для процессов в девелопменте у такого подхода есть ограничения: модель не видит связей между разрозненными чанками и теряет общий контекст.
Для ИИ-ассистента Level Group мы спроектировали архитектуру на базе KTS AI Platform и подключили к ней корпоративную wiki. При разработке решения использовали фреймворк LightRAG, который объединяет векторный и графовый поиск. Такой подход позволяет связывать разрозненные документы в единые смысловые кластеры.
Например, сотрудник спрашивает о порядке действий при обнаружении дефекта. Векторный поиск найдёт шаблон акта осмотра. Графовый свяжет его с регламентами по расчётам с подрядчиками, строительными ГОСТами и сроками устранения. LLM получит полный контекст и сможет точнее сформулировать ответ.
Чтобы быстрее получить измеримый результат и подтвердить эффективность решения перед масштабированием, мы сначала запустили пилот на одном источнике. На подготовленном массиве данных точность ответов превысила 90%.
Подробнее о том, как подготовили базу данных к подключению LLM и объединили два подхода к поиску, читайте в статье. | 751 |
| 6 | Агенты и агентские автоматизации
В прошлом посте писал про Spec-Driven Development, который даёт новый уровень абстракции в nocode-разработке. Теперь сузим скоуп и посмотрим на агентские автоматизации.
Классический сценарий AI-агента — это чат для взаимодействия с пользователем. Сначала такие чатики практически ничего не умели и выступали в роли поисковиков и собеседников. Потом появились инструменты (MCP), которые подключают агента к внешним системам и позволяют выполнять действия. Но принцип оставался тем же: пользователь что-то попросил — ИИ сделал.
Агентская автоматизация работает иначе. Она даёт возможность автономного запуска агентов и делает их полноценными участниками бизнес-процессов.
По сути, это набор детерминированных шагов, внутри которого агенты выполняют действия и при необходимости обращаются к человеку за согласованием плана или подтверждением. Так называемый human in the loop.
Простой пример: есть Excel-таблица, каждую строку которой нужно проскорить по определённым критериям. Процесс можно собрать так:
▫️ сценарий получает строки из таблицы;
▫️ запускает агента и последовательно скорит строки;
▫️ передаёт результат обратно в таблицу или отправляет во внешнюю систему.
Это сочетание жёсткой логики и нейросетевой гибкости даёт два важных плюса.
Предсказуемость. Агент не выдумывает процесс, а идёт по заранее определённым этапам. При необходимости инженеры могут собрать датасеты и улучшить качество агентских шагов.
Экономика. Для подобных задач агент может использовать быстрые и дешёвые модели, что увеличивает его ценовую эффективность.
Конечно, сценарии могут быть гораздо сложнее: один агент вызывает другого, отдельные шаги запускают дополнительные сценарии. Но в основе остаётся детерминированный цикл.
Именно в этой парадигме мы развиваем новый продукт — AgentBuilder. Он позволит предметным специалистам самостоятельно создавать агентов и объединять их в цепочки для автоматизации своих процессов без разработчиков.
Сейчас проводим закрытые пилоты. Скоро расскажем подробнее про работу продукта и откроем запись на демо.
#александр_опрышко | 861 |
| 7 |  +7🔥 Вместе с Selectel собрали коллег на встречу «ИИ-шашлыки: Well done. Доводим AI до окупаемости»
Своим опытом поделились Александр Опрышко, управляющий партнёр KTS, и Владислав Кирпинский, директор направлений облачной интеграции Selectel. Вместе обсудили:
💬 сценарии автоматизации поверх базы знаний
💬 выбор инфраструктуры для AI-решения: облако, изоляция или on-prem
💬 переход от RAG к фабрике агентов и окупаемость ИИ на масштабе
Было много инсайтов, интересных знакомств и жарких дискуссий. А атмосферу встречи лучше покажут фотографии — листайте, чтобы узнать, как это было 👀 | 890 |
| 8 |  MCP для Яндекс Трекера пробил 100 звёзд на GitHub⭐️
Когда-то давно мы сделали сервер для собственных процессов: с ним AI-ассистенты создают и обновляют задачи, дополняют описания, оставляют комментарии и фиксируют затраты времени прямо в Трекере.
Потом открыли код на GitHub. И теперь видим больше 100 звёзд и радуемся, что инструмент пригодился и другим командам.
К первой сотне выпустили обновление 0.8.0. Главное изменение: MCP научился работать с проектами, портфелями и целями. Добавили 39 инструментов для поиска, создания, обновления и удаления этих сущностей, а также работы с комментариями.
Теперь агенту можно поручить создать проект, обновить статус цели или собрать информацию по портфелю. Меньше данных придётся переносить вручную между AI-ассистентом и Трекером.
В релизе есть и другие изменения. Полный список собрали в changelog.
Спасибо всем, кто пользуется сервером, ставит звёзды и помогает его развивать! 💚 | 2 455 |
| 9 | Какие процессы можно автоматизировать поверх корпоративной базы знаний от KTS × Selectel
ИИ-поиск помогает сотрудникам быстрее находить и проверять информацию. Следующий уровень работы с корпоративными знаниями — автоматизированные цепочки под конкретные процессы компании.
Решение KTS и Selectel можно использовать для различных сценариев:
— подготовки черновиков документов;
— проверки отчётной документации;
— контроля контрактов с поставщиками;
— мониторинга рисков;
— поиска аналогов неисправностей;
— поддержки сотрудников по вопросам техники безопасности и обслуживания оборудования.
Такие цепочки сокращают ручную работу в регламентированных операциях и ускоряют подготовку и согласование документов.
В совместном решении KTS отвечает за платформенный слой: мы разрабатываем ассистентов на базе собственного решения AI Platform. Настраиваем RAG (Retrieval-Augmented Generation), сценарий и логику работы агента, встроенные механизмы контроля (guardrails) и интеграции с источниками данных и корпоративными системами.
Наш партнёр Selectel обеспечивает инфраструктуру: ассистент может быть развернут как в облаке, так и в контуре заказчика — в этом случае Selectel предоставляет серверы с GPU (графическими процессорами) в аренду, размещая и обслуживая их на площадке клиента.
Обработка данных и эксплуатация — совместная зона: Selectel держит ресурсы и связность, а KTS контролирует индекс, качество и сценарии.
✅ Протестировать решение на собственных документах | 1 421 |
| 10 | Запустили AI-ассистента для ФК «Динамо»
ФК «Динамо» — один из самых известных футбольных клубов России с большой аудиторией болельщиков. У ФК «Динамо» много информационных поводов, а у пользователей регулярно возникают повторяющиеся вопросы: когда следующий матч, где купить билеты, что нового в команде, какие товары доступны в магазине.
Чтобы быстрее обрабатывать такие запросы и снизить нагрузку на поддержку, мы запустили для ФК «Динамо» AI-ассистента. Он уже работает в онлайн-чате на сайте и во внутреннем портале для болельщиков.
Ассистент помогает подобрать товары в интернет-магазине, рассказывает новости, показывает расписание матчей, объясняет, как купить билеты, и предоставляет статистику по игрокам.
Решение разработали за несколько дней на собственной платформе AI Assistant. Агент интегрирован с внутренними системами ФК «Динамо», поэтому получает актуальные данные в реальном времени и передаёт их в LLM модели для формирования ответа.
Для команды ФК «Динамо» мы также сделали административную панель. В ней можно настраивать сценарии, отслеживать работу ассистента и контролировать качество ответов.
Сейчас вместе с ФК «Динамо» продолжаем расширять функциональность ассистента и добавлять новые точки его присутствия.
Если у вашего продукта или сервиса есть большая аудитория, которой регулярно нужна помощь, AI-ассистент возьмёт на себя типовые запросы и даст пользователям быстрый доступ к актуальной информации. Запишитесь на демо — покажем, как запустить такое решение на данных вашей компании. | 1 114 |
| 11 | KTS × Selectel создали ИИ-поиск для компаний, где каждый ответ нужно подтвердить документом
В строительстве, производстве, добывающей отрасли и финансах сотрудники работают с большими массивами регламентов, ГОСТов и внутренних документов. При подготовке отчёта, прохождении проверки или аудита данные приходится искать в нескольких системах и сверять с первоисточниками. На это может уходить до нескольких часов в день.
Совместное решение KTS и Selectel помогает значительно сократить время поиска информации. Сотрудник задаёт вопрос на естественном языке и получает структурированный ответ со ссылкой на документ и конкретную страницу.
Также ассистент умеет:
— подключаться к wiki, СЭД, файловым хранилищам и нормативным источникам;
— суммаризировать длинные документы;
— выделять тезисы, обязательства и риски;
— экспортировать ответы в Word и PDF;
— учитывать права пользователей через системы управления доступом (IAM и SSO).
Безопасность заложена в архитектуру решения на нескольких уровнях. Система автоматически маскирует чувствительные данные, а встроенные механизмы контроля (guardrails) проверяют запросы и ответы ИИ на соответствие заданным политикам безопасности.
ИИ-ассистент может закрывать большинство рутинных типовых запросов. Благодаря готовой инфраструктуре KTS AI Platform пилот можно запустить за две недели.
Проверьте решение на собственных документах: загрузите их в настроенную базу знаний и оцените качество ответов.
Протестировать ИИ-ассистента | 2 119 |
| 12 |  Покупатели часто выбирают квартиры вечером, ночью или в выходные, когда отдел продаж не на связи. Если в этот момент клиент не получает быстрый ответ на вопрос, его интерес остывает.
Мы запустили ИИ-ассистента для девелоперов, который помогает сохранить конверсию воронки продаж и разгрузить менеджеров.
🟢 Ассистент круглосуточно консультирует пользователей, подбирает подходящие лоты по свободному запросу и переводит диалог в запись на просмотр, когда клиент готов.
🟢 Покупатели, которые еще не готовы к разговору с отделом продаж, могут задать вопросы о проекте, ценах и условиях, не опасаясь навязчивых звонков.
🟢 Первичные справочные диалоги ассистент берет на себя, поэтому менеджер подключается сразу к разговору с теплым клиентом.
😎 Подключим ассистента за 2 дня, а если он не принесет больше лидов, пилот будет за наш счёт. Оставить заявку | 803 |
| 13 | Как ИИ работает в девелопменте: 8 практических сценариев
Девелоперы накапливают огромные объёмы информации: регламенты, проектную документацию, BIM-отчёты, записи звонков и переписки в CRM. Эти данные находятся в разрозненных источниках, поэтому ручной поиск отнимает время. Сотрудники тонут в операционке, а решения принимаются медленнее.
Ускорить работу с данными и автоматизировать частотные операции, помогают AI-решения. Наш опыт показывает, что большинство прикладных сценариев внедрения строятся на двух механиках:
▫️ анализ базы знаний и контекстный поиск по корпоративным источникам;
▫️ генерация текстовых и визуальных материалов на основе реальных данных компании.
В статье показали 8 рабочих сценариев, для трёх основных этапов: продажи и маркетинг, строительство и эксплуатация.
Например, AI-ассистент во время разговора подсказывает менеджеру ответы по ипотеке и юридическим нюансам. А помощник жителей составляет и регистрирует обращение в УК по короткому голосовому сообщению вроде: «В лифте нет света».
Для каждого решения разобрали требования к данным, сроки запуска проекта и ожидаемый бизнес-эффект.
💬 Заходите почитать | 1 067 |
| 14 | Nocode умер, да здравствует nocode
Всю дорогу разработчики пытались упрощать создание программ. Начинали с Assembler, с каждым новым языком программирования повышали уровень абстракции, создавали библиотеки / фреймворки для упрощения и ускорения разработки.
В итоге мы дошли от Assembler до Python, Go, TypeScript и других языков. Попытались пойти дальше и сделать инструменты nocode — ещё одну абстракцию, которая позволит создавать системы не программистам.
В итоге получали очень нишевый инструмент автоматизации или очередной язык программирования мышкой с проблемами версионируемости и наблюдаемости. Характерный пример — n8n. Кто на нём пытался собрать что-то больше прототипа, неизбежно сталкивался с множеством проблем, которые решались большими костылями.
С приходом кодинговых агентов целесообразность в ноукоде драматически упала: агенты кратно лучше работают с кодом, чем с платформами ноукода, е2е реализуют более сложные системы без болей ноукода, так как системы построены на коде, для которого придумали механизмы версионирования, стабильного обновления и наблюдаемости.
Но все же возникает вопрос, как построить систему с идеологией ноукода, где разрабатывают и обновляют не программисты, есть простой деплой без девопсов и наглядная визуализация. При этом без минусов ноукода, описанных выше.
Этот подход — Spec-Driven Development.
Давайте вспомним подход enterprise-компаний: есть бизнес аналитики, которые формируют требования и скоуп, есть системные аналитики и архитекторы — они придумывают, как система вписывается в текущий ландшафт и взаимодействует с другими системами. Программисту в таких компаниях остаётся транслировать проработанные требования в код, доработав детали, которые не учли на этапе проектирования.
В итоге получается, что текущие процессы компании уже заточены под формирование требований и только процесс создания кода остаётся всё ещё на людях. А что, если принять документацию как код, и на её основе генерировать код с помощью агентов.
В итоге мы получим новый уровень абстракции nocode в виде спецификации и детерминированную реализацию в формате кода и тестов, которая лишена минусов ноукод-систем. При этом полностью отходим от участия кодера (намеренно использовал эту формулировку вместо «разработчика») в создании кода.
Возникает справедливое возражение: агенты же нейрослоп кодовый генерируют. Через некоторое время это невозможно будет поддерживать.
Да, всё так. Поэтому нужно строить принципы-правила-навыки, по которым агент будет работать. То есть задача разработчика смещается от ручной трансляции требований из спецификации в код в создание конвейера для агентов, мониторинга качества «продукции» и оперативного реагирования на нарушение технологического процесса.
Как это реализовать, поделюсь в следующем посте. Чтобы сузить скоуп, расскажу про агентские автоматизации, а не системы общего назначения.
#александр_опрышко | 1 155 |
| 15 |  +8Про ИИ говорят много. Про то, где он реально помогает девелоперам — значительно меньше.
На карточках собрали конкретные сценарии, которые уже используют наши клиенты: с форматом и ожидаемым эффектом. Большинство из них запускается на базе того, что у девелопера уже есть: внутренние документы, регламенты, данные из CRM.
💬 Листайте и оставляйте заявку, чтобы связаться с нашим экспертом и обсудить внедрение ИИ в вашей компании | 1 247 |
| 16 | ИИ вне разработки
В прошлых постах много писал про разработку. А что поменялось в процессах других команд?
Сегодня поговорим про эволюцию отдела продаж. За последние несколько месяцев попробовали много инструментов.
Начиналось всё, думаю, как и у всех, с того, что сейлзы начали использовать нейро-инструменты. Например, пробовали обсуждать с ChatGPT свои сделки.
Сами лиды при этом лежат в CRM, сметы считаются в таблицах, КП готовится в Фигме, а процесс выработки решения довольно сложный и состоит из встреч с партнёрами, клиентом, технической командой и т. д.
Когда сейлзы начали использовать ИИ-инструменты, это, как и в случае с разработкой, ускорило работу и сделало её местами более качественной за единицу времени. Но это всё ещё не кратное ускорение / улучшение.
Мы смогли продвинуться чуть дальше. Но сначала нужно понять классические проблемы отдела продаж (не только наших). Изучение кейсов и продуктов компании обычно занимает пару месяцев, адаптация сейлза к процессу сбора КП, синхронизация с командой — всё это приводит к продолжительному онбордингу, на который накладывается ещё и длинный цикл сделки. В итоге сейлз может начать что-то приносить через полгода. При этом капитализация отдела продаж в основном в:
▫️ контактах в CRM
▫️ отработанных лидах и кейсах (которые часто неструктурированы и разбросаны по системам)
▫️ всяческих шаблонах и готовых упаковках
▫️ опыте конкретных людей
Соответственно, чтобы выходить на новый уровень качества и скорости, нужно усиливать эту капитализацию с ИИ.
Все перечисленные пункты на самом деле раскладываются на 2 задачи:
— накопление знаний: чёткая структура, быстрый и простой доступ
— типовые кросс-командные решения
Поэтому первое, что мы сделали — ИИ-агента с поиском по нашим решениям. Он позволяет быстрее ориентироваться в продуктах и кейсах (которых, на минуточку, несколько сотен, и никто не знает про все). А второе — агент, который помогает оценивать уровень качества КП по оформлению и принятым практикам. Таким образом регламенты и подходы становятся не просто рекомендациями (которые на практике быстро деградируют), а правилами, заложенными в систему.
Но этого было недостаточно. Во-первых, оба инструмента находятся в нашей внутренней системе. Получается, сейлз работает в CRM, сидит в чатах и почте, звонит по телефону, готовит КП вместе с GPT и ещё кучу всего делает. И тут ему ещё одну вспомогательную систему дали. Мотивации туда заходить не так много. Новые инструменты добавляются централизованно, а значит долго, и не извлекают экспертизу и знания конкретного сейлза в общие практики. Артефакты подготовки конкретного КП всё также передаются в гугл-папках, CRM, чатах и т. д.
И тут становится понятно, что эти проблемы давно решены в разработке:
▫️ экспертиза, знания и правила — это скиллы для ИИ-агентов
▫️ общее хранилище данных — репозитории, где работают все инженеры (вместе с ИИ-агентами) в одном контексте
▫️ генерация артефактов с кодинговыми агентами работает лучше всяких чатов с GPT
Поэтому решение стало очевидным: сейлзы должны начать накапливать знания о своих пресейлах и генерить решения вместе с техническими командами так же, как это делают разработчики. Мы сделали один общий git-репозиторий для продаж. Он содержит: схему данных о клиентах и их заявках для накопления всех артефактов, MCP CRM, набор скиллов для работы с кодинговыми агентами.
Процесс выглядит так: когда поступает новая заявка, сейлз получает данные о ней из CRM с помощью скилла. Другой скилл делает предварительный анализ клиента и заявки. Сейлз может поразгонять его в глубину вместе с агентом. Дальше первичный созвон с клиентом. Запись попадает в папку лида в репозитории, и агент может использовать её для помощи в генерации первичного решения. Аналогично с записью брейншторма команды. На основе собранных артефактов сейлз составляет план КП. А партнёр или архитектор решения сразу получает весь набор артефактов, просто спуллив апдейт репозитория. | 1 077 |
| 17 | Как управлять LLM в закрытом контуре и не потерять контроль над безопасностью и бюджетом
Завершаем обзор AI Platform. Сегодня разберём фундамент всего стека — LLM-платформу.
Обычно для решения разных задач одной модели недостаточно. Для части запросов нужен уровень качества мировых SOTA. В других задачах критически важно обрабатывать чувствительную информацию локально. В промышленной эксплуатации используются десятки LLM. У них могут быть разные размеры, расположение в контурах и типы обрабатываемых данных.
LLM-платформа позволяет контролировать безопасность и бюджет на уровне инфраструктуры. Это единый OpenAI-совместимый шлюз, который входит в реестр российского ПО.
Встроенный ПДн-роутер распределяет запросы на основании содержимого и политик безопасности заказчика:
▪️ локальная инфраструктура — персональные и конфиденциальные данные, чувствительные задачи
▪️ в российские облака — YandexGPT, GigaChat, Cloud.ru — если важна юрисдикция и нужно масштабирование без собственных GPU
▪️ к мировым SOTA-моделям — OpenAI, Anthropic, Google, DeepSeek — только запросы без ПДн, где критично качество ответа
Функциональность платформы позволяет отслеживать токены, стоимость, латентность по каждому запросу и контролировать лимиты и расходы в реальном времени.
Локальные модели разворачивается по запросу из админки, поддерживается разделение GPU для эффективной утилизации ресурсов.
Платформы агентов, данных и LLM образуют единый стек для внедрения AI в закрытом контуре. Компании получают готовую инфраструктуру с контролем безопасности, качества и бюджета, что позволяет быстрее переходить от пилотов к промышленной эксплуатации и масштабировать AI-сценарии без пересборки архитектуры.
Проверьте, как AI Platform работает на ваших данных. Запишитесь на демо | 825 |
| 18 | Монорепы на пути к AI SDLC
В прошлом посте рассказывал про то, как мы перенесли документацию в гит и сделали удобный инструмент согласования бизнес-требований с заказчиками.
Следующий шаг «сближения» данных и сбора общего контекста для разработчиков и агентов — создание монорепы / общего воркспейса с несколькими репозиториями у проекта.
Классическая картинка выглядит так: есть репа с бекендом, есть с фронтендом, и еще несколько вспомогательных реп на какие-то смежные сервисы.
Сама структура репозиториев не позволяет одним коммитом добавить функционал: нужно, например, сделать бек, потом фронт, а часто это еще и разные специалисты и разные задачи в трекере, за синхронизацией которых между собой следят менеджеры и тимлиды.
Это очевидная точка оптимизации на пути к AI SDLC. Если я могу (утрированно) сгенерить код фронта за час, но мне нужно ждать целый день, чтобы его передать следующему спецу, который сделает бек, а потом это все сливать в стейдж, чтобы отдельно интеграционно потестит, то я теряю уйму времени на передаче контекста и отслеживание статусов атомарных задачек и контроля их синхронизации. Никаким кратным ускорением не пахнет.
Соответственно, возможность, которую хочется использовать в AI SDLC — атомарной задачей должна стать сама фича, а не ее кусочки. А для этого мне нужно в одном месте собирать все артефакты: от бизнес-требований (см предыдущий пост) до автотестов. Это место — в идеале монорепа. Тогда я смогу одним коммитом вмержить целый блок функционала: и актуальные бизнес-требования, и техническую спецификацию, и реализацию, и автотесты.
Это гарантирует синхронизацию артефактов между собой, сократит время на менеджмент подзадач, позволит агентам точнее выполнять задачу.
Идеальный процесс тогда может выглядеть так:
– Аналитик собирает требования, кладет расшифровки звонков в репу, любые другие артефакты в процессе анализа, и генерит документацию по бизнес требованиям. Все это в ветке монорепы.
– Опционально аналитик может даже сгенерировать прототип в реальном коде на основе своих же бизнес-требований и показать клиенту (автоматический деплой из фича-ветки, такая вот нативная интеграция наших услуг)
– Менеджер / тимлид в этой же ветке может загрумить задачки, поразгоняв с агентом. И сразу же завести их в трекере по mcp, если нужно. Автоматически приложив в задачу ссылку на документацию в нашем же сервисе.
– Разработчик вместе с агентом реализует фичу в этой же ветке, глядя на согласованные бизнес-требования и прототип (который он потом просто выкинет) прямо в этой же ветке. Обновляет автоматически документацию, если есть изменения в процессе.
– Ветка проходит ревью у тимлида целиком.
– Тестировщик тестит эту же ветку (снова нативная интеграция фича-стендов) в изолированном окружении и дописывает автотесты.
Фича стала набором связанных артефактов и они все одной транзакцией попали в основную ветку при мерже.
Я специально на каждом шаге в примере приводил разных специалистов, хотя уже видно, что следующие шаги на пути к AI SDLC — это скиллы, которые позволяют с должным уровнем качества делать эти шаги с помощью агентов. А потом какие-то шаги делать автономно. Про это буду писать в следующих постах по мере реализации на практике.
#сергей_чернобровкин | 838 |
| 19 | Безопасно ли запускать AI-агента на корпоративных данных?
Продолжаем разбирать AI Platform для закрытого контура. В прошлый раз рассказали, как агентская платформа ускоряет создание агентов в десятки раз. Сегодня поговорим о работе с базами знаний.
Корпоративные данные — один из основных барьеров внедрения AI в enterprise. Компании хотят их контролировать, поэтому требуют создавать контуры индексации на базе собственной инфраструктуры. Для этого нужны готовые решения по работе с структурированными (базами, таблицами) и неструктурированными данными (PDF-документами).
Платформа данных устраняет этот барьер. Мы встроили в неё 6 инструментов для разных типов запросов с проверкой на качество и безопасность данных:
▪️ Парсинг PDF с таблицами, схемами и сложными структурами, поддержка работы с DOCX, PPTX, XLS.
▪️ Классический RAG — гибридный поиск: BM25 + векторный. Подходит для быстрого семантического поиска по большим массивам информации.
▪️ Графовый RAG — поиск по многосвязанным данным, где важны связи между фактами, а не отдельные фрагменты.
▪️ Табличный доступ — SQL, API, CSV, DWH подключаются как инструменты через MCP.
▪️ Валидация данных — подсветка конфликтов и дублей в документах. Позволяет найти конфликты, устранить их и таким образом значительно снизить галлюцинации решений.
▪️ Сквозной RBAC — ролевая модель из корпоративной AD/Keycloak на каждом запросе. Агент видит только ту информацию, которая доступна конкретному пользователю.
Чувствительные данные не попадают в LLM и внешние контуры. Запрос проходит через маскировку и гардрейлы по правилам безопасности.
В наших проектах запуск AI-агентов на корпоративных данных даёт измеримый результат: поиск информации ускоряется на 50-80%, а обработка документов — на 70-90%. Как это работает, показали в кейсе с Альфа-Банком. | 837 |
| 20 | 👀 Новые модели в Agent Platform
Хорошая новость для тех, кто тестирует разные LLM под агентские сценарии, внутренние ассистенты, работу с текстом и изображениями. Недавно добавили несколько новых моделей:
Новые модели Anthropic:
— anthropic/claude-fable-5 нашумевшая fable-5
— anthropic/claude-sonnet-5 для задач, где важны качество ответа, работа с контекстом и сложными инструкциями.
Новые опенсорсные модели, которые показывают хорошие результаты в кодировании, с хостингом в РФ у нашего партнера Cloud.ru:
— cloudru/MiniMaxAI/MiniMax-M3
— cloudru/zai-org/GLM-5.2
Новая модель для работы с изображениями:
— google/gemini-3.1-flash-lite-image
Заходите в Agent Platform протестировать | 944 |
