Внутри AI | Кейсы ИИ Агентов в бизнесе

Поговорим, как AI влияет на OKR: от горизонтов планирования до управленческого мышления 12 мая в 11:30 приглашаем на подкаст с Иваном Лавровым, Head of AI в KTS и основателем OKRsana — платформы для управления OKR с интегрированными AI-агентами. В прямом эфире обсудим: — каковы актуальные горизонты планирования — помогает ли AI формулировать более сильные цели или, наоборот, упрощает мышление — можно ли уйти от таблиц в OKR и не потерять управляемость — какие инструменты реально работают, а какие остаются модными практиками Регистрируйтесь по ссылке, приходите за инсайтами и задавайте вопросы — обещаем, будет интересно!

Этика AI в продаже недвижимости: можно ли прослушивать разговоры с клиентами? Застройщики часто приходят к нам с запросом записывать встречи и прогонять их через LLM: хочется контролировать качество консультаций, собирать все возражения и автоматизировать работу с ними. Технологически это несложно, но на практике подход может сыграть против девелопера. При покупке квартиры люди обсуждают с агентом чувствительные темы: финансовые возможности, семейные обстоятельства, размер первоначального взноса. Если человек понимает, что разговор записывается и анализируется AI, доверие рушится. Прослушка и контроль со стороны искусственного интеллекта пугают клиентов, поэтому сделка может сорваться. Эффективнее внедрить AI-ассистента для продавцов. Он помогает со сложными вопросами в реальном времени: за секунды находит информацию в базе знаний и формулирует точный ответ. Это сохраняет динамику сделки, показывает экспертность и не нарушает приватность клиента.

AI — только для enterprise. Доказываем, что это не так Средний и малый бизнес отказывается от внедрения AI, потому что считает его дорогим инструментом для крупных корпораций с миллионными бюджетами. На самом деле ИИ-решения подходят любому бизнесу, в котором есть повторяющиеся процессы. В новой статье разбираем: ▫️ почему проекты остаются на уровне вечного пилота ▫️ процессы, которые стоит автоматизировать в первую очередь ▫️ какие метрики использовать, чтобы оценить результат ▫️ как платформенный подход меняет экономику AI-проектов ▫️ сроки и этапы запуска кастомного решения Статья будет интересна малому и среднему бизнесу, который думает о внедрении AI, но не знает, с чего начать. Заходите в блог, чтобы узнать, как за 1-2 месяца сделать AI прикладным инструментом с измеримым эффектом.

Мой MCP-стек для Claude Code Сам по себе Claude Code — просто CLI. Реальную пользу ему даёт обвязка из MCP-серверов: они подключают агента к твоим данным и workflow. Делюсь стеком, который использую ежедневно. Разбил его на три контура: ▫️ Автоматизация рутины (менеджерская часть) workbook — самописный MCP, который постепенно наращиваю под свои задачи. Сейчас в нём: работа с Твиттером, Контур.Толк, календарём, почтой, to-do list. yandex-tracker — управляю загрузкой, создаю задачи на основе транскрибации. excel-mcp-server и mcp-google-sheets — читаю локальные xlsx и Google Sheets. Удобно для работы со сметами. ▫️ Исследования arXiv — для поиска и чтения свежих статей, чтобы понимать, как устроены SoTA-подходы. reddit-mcp-buddy — быстро снять пульс сообщества: что обсуждают, какие инструменты хвалят, на что жалуются. Хороший сигнал для продуктовых решений. playwright/computer-use — когда WebSearch и WebFetch не справляются (авторизация, JS-рендеринг, закрытый контент) или нужна автоматизация без API. ▫️ Программирование context7, deepwiki — инструменты, которые дают актуальную документацию для агента. Подробно рассказывал об этом в посте. everything-claude-code (affaan-m) — готовый набор из 47 агентов, 181 скилла и 79 команд: code-review, TDD, planner, build-fix, мультиагентная оркестрация. Беру как стартер и выкидываю лишнее. spec-kit от GitHub — тулкит для spec-driven development. Вместо вайб-кодинга выстраивает пайплайн: constitution → specify → clarify → plan → tasks → implement → verify. Спеки становятся исполняемыми артефактами, агент работает с чёткими входами вместо расплывчатых промптов. #александр_опрышко

Managed Agents от Anthropic: зачем агентам своя операционная система Anthropic опубликовал инженерный разбор Managed Agents — своего сервиса для запуска агентов. Это интересное объяснение того, как стоит проектировать инфраструктуру агентов в 2026. Проблема. Агент — это не один вызов LLM, а длинный цикл: модель думает → вызывает инструмент → получает результат → думает дальше. Если жёстко зашить этот цикл под текущее поколение моделей, через полгода придётся переписывать инфраструктуру. Авторы формулируют это одной фразой, которую уже растащили на цитаты: «Harnesses encode assumptions that go stale as models improve». Идея. Решение не новое — так операционные системы в своё время справились с «программами, которых ещё не существует». Они не пытались угадать будущие приложения, а виртуализировали железо в стабильные абстракции: процесс, файл, сокет. Приложения менялись, абстракции оставались. Anthropic применяет этот приём к агентам — раскладывает их на три независимые сущности: ▪️Session — append-only лог всего, что произошло. Живёт отдельно от модели и её контекстного окна. Это «память» агента, к которой можно обращаться произвольно. ▪️Harness — цикл, который крутит модель и маршрутизирует tool calls. Stateless, одноразовый, заменяемый. ▪️Sandbox — среда, где исполняются инструменты. Тоже одноразовая: упала — подняли новую. Подробный разбор можно прочитать по ссылке. #александр_опрышко

6 сценариев внедрения ИИ в девелопмент Собрали решения, которые можно быстро встроить в работу и получить измеримый результат: снизить количество ошибок, увеличить производительность команд и оптимизировать расходы. ▪️AI-ассистент менеджера по продажам Чат-бот подключается к привычным каналам: CRM, сайту, Telegram. Помогает найти ответы на вопросы клиентов и даёт подсказки по документам. ▪️Консультант по недвижимости Обрабатывает запросы на естественном языке, точнее выявляет потребности и подбирает персональные объекты. Может работать как плагин на сайте, в мессенджере или личном кабинете. ▪️Голосовой помощник для колл-центра или шоурума Работает как дополнение к телефонии или робот-консультант. Воспринимает вопросы клиентов, отвечает по базе знаний и формирует персонализированные подборки решений. ▪️Анализ диалогов операторов колл-центра Выявляет ошибки и отклонения от сценариев, классифицирует причины отказа и помогает оценить качество работы сотрудников. ИИ-ассистент может анализировать диалоги как в реальном времени, так и в ретроспективе. ▪️ИИ-помощник для управляющей компании Чат-бот или голосовой робот отвечает на частые вопросы жителей, фиксирует обращения и снижает нагрузку на операторов. ▪️Компьютерное зрение на стройке Программно-аппаратный комплекс, веб- и мобильное приложение для мониторинга целевых событий. Фиксирует передвижение техники и персонала, контролирует опасные зоны и выявляет простои. Подробнее о том, какие AI-решения можно внедрить в девелопмент уже сейчас, смотрите в презентации коммерческого директора KTS Александра Баталова.

Продолжаем развивать Agent Platform. Ниже — ключевые изменения за последний месяц. ▫️Повысили планку доступности и надежности системы. ▫️Добавили прозрачный мониторинг. Теперь по каждой модели пользователям доступны метрики времени отклика и доступности. ▫️Детализировали траты токенов и списания в личном кабинете. Появилась разбивка по периодам и возможность выгрузки данных. Упрощает контроль затрат и подготовку отчетности. ▫️Улучшили работу с графическими моделями OpenAI, включая GPT Image и DALL·E. ▫️Запустили партнерскую программу в бета режиме. Если вы работаете с AI-проектами или ведете блог на AI-тематику, напишите нам на почту agentplatform@kts.tech, мы открыты к сотрудничеству

Александр Опрышко, один из основателей KTS, прямо сейчас на круглом столе конференции GoCloud 2026. Обсуждаем проблемы при развертывании CI/CD-пайплайна, ограничения облачных и on-premise решений и где оправдан гибрид. А также делимся, как AI помогает в этом направлении на примере своих кейсов. Прямая трансляция конференции по ссылке.

Как я использую Claude в менеджерских задачах Чтобы AI выдавал хороший результат, он должен знать всё, что знаешь ты. Не «напиши правильный промпт» — а дай весь контекст. Для этого нужно создать базу знаний и регулярно загружать в неё данные. Сделать это задним числом — сложно и муторно. Намного проще «скормить» предыдущие заметки, начать вести базу знаний в понятном для Claude формате и регулярно к нему обращаться. С чего я начал в январе: ▫️ создал git-репу, описал себя и свои цели за 3 года ▫️ подключил календари, почту и ремайндеры через MCP ▫️ написал скилл для старта дня: Claude скачивает повестку на сегодня/завтра и ведёт архив ▫️ разложил артефакты по проектам Через 3 месяца: ▫️ goals/ — цели и стратегия ▫️ projects/ — все проекты с артефактами и контекстом ▫️ meets/ — записи и саммари встреч ▫️ memory/ — персональная память Claude, которой я управляю вручную ▫️ schedule/ — расписание, синхронизированное с календарём ▫️ todolist/ — задачи из Apple Reminders ▫️ tgposts/ — автоматизация контента для Telegram-канала ▫️ main_mcp.py — единая точка входа для собственных автоматизаций: код автоматизаций лежит рядом с базой знаний, база знаний в формате Markdown Обычный иерархический текст превратился в динамическую базу знаний, которая кумулятивно увеличивает свою ценность. При этом управление контекстом я не отдаю на откуп AI. Модель не определяет самостоятельно, что важно — я вручную управляю необходимой информацией. Ещё один инсайт: многие процессы можно автоматизировать через человекопонятные алгоритмы на базе скиллов Claude Code. Пишешь по шагам, что нужно сделать — и получаешь не просто детерминированную автоматизацию, а процессы с интеллектом внутри: декомпозиция смет, саммари встреч и собеседований, анализ новостей из Twitter, разбор стартапов из YC. С удивлением обнаружил, что лидеры индустрии приходят к похожему. Karpathy на этой неделе описал концепцию LLM Wiki: складываешь сырые источники в папку, LLM компилирует из них wiki с бэклинками и категоризацией. Его главная мысль — память AI должна быть явной (видишь, что он знает и не знает), в файлах (не привязана к провайдеру) и интероперабельной (любая модель работает с теми же файлами). #александр_опрышко #ai #claude_code

Стоит ли бизнесу маскировать AI-ассистента под человека? На демо AI-ассистента для крупной сети фитнес-центров нам задали ожидаемый вопрос: должен ли робот мимикрировать под человека? Ведь посетители сайта легко могут определить, что перед ними ИИ. Моя точка зрения: нет никакого смысла скрывать виртуальную сущность ассистентов. Объясню, почему: 1. В попытке «очеловечивания» робот отходит от своей агентской задачи, что иногда приводит к фейлам. ИИ-ассистент австралийской сети Woolworths рассказывал клиентам про свою маму и дядю, убеждая в своей «кожаности», пока компания не отключила эти скрипты после волны возмущения. Есть и данные: по исследованию Nielsen Norman Group, добавление «человеческой теплоты» снижает точность ответов ИИ на 10—30%. 2. Решение вопросов через ИИ может вызвать даже бОльшее доверие со стороны людей. На моём опыте компании с действительно топовой коммуникацией редкость. У части компаний сервис заложен в ценностях, но это исключения. В остальных случаях робот выполняет работу/дает ответы быстрее и точнее, чем человек, а это именно то, что мы ожидаем от профессионального сервиса. Порог качества, ожидаемого от людей, тоже вырастет: зачем средний сервис от человека, если можно получить такой же или лучше от робота? В конечном счёте это хорошо для клиента. 3. Человеку проще спросить у робота, чем у другого человека, в чувствительных, а может и где-то постыдных вопросах. Перед роботом не нужно оправдываться за «глупый» вопрос, не страшно переспрашивать. 4. В какой-то момент раскрытие ИИ при предоставлении сервиса станет законодательно обязательным и в РФ. В ЕС это уже закон — с августа 2026 AI Act обязывает сообщать пользователю, что он общается с ИИ. Россия обычно перенимает регуляторные тренды с лагом в пару лет — лучше быть готовым заранее, чем перестраиваться потом. Но есть важный момент! Не прятать робота за человеком — не значит убирать людей из процесса. Наоборот, стоит подчеркивать их роль: кто разрабатывает, обучает, анализирует работу ИИ-системы. Доверие клиента строится не на иллюзии, что с ним говорит человек, а на понимании, что за роботом стоит команда, которая его обучила на специфике конкретного бизнеса. Отдельная тема — гибридные схемы. Где люди проверяют и улучшают работу ИИ-агентов. В каких ситуациях необходимо подключение живого специалиста. Совместная работа, где ИИ подсказывает решения, но ответственность и коммуникация остается за человеком. Это не костыль на переходный период, а живая целевая модель. Что мы ответили фитнес-сети? Сейчас нет необходимости притворяться, что это не виртуальный помощник. Их посетителю не нужен фальшивый друг на ресепшен. Ему нужен тот, кто за минуту ответит на все вопросы, подберет клуб с подходящим расположением и расписанием и поможет оформить абонемент, что напрямую влияет на бизнес-метрики. #иван_лавров

RAG без облака: как запустить LLM для FinTech и уложить inference в одну H100 В KTS обратился крупный клиент из FinTech с запросом на корпоративную базу знаний. Сначала мы собрали демоверсию на собственной облачной инфраструктуре. По качеству она устраивала клиента и показывала нужный результат. Но облачные AI-инструменты для FinTech часто не подходят из-за высоких требований к безопасности данных. В таких проектах обычно используют open source LLM. У этого подхода есть две проблемы: качество таких моделей часто ниже, чем у облачных, а inference обходится дорого. Мы рассчитали инфраструктуру для решения. Оценили стоимость видеокарт, которые понадобятся для запуска модели, и возможный экономический эффект.На старте экономика выглядела неочевидной — стоимость видеокарт могла съесть значительную часть потенциальной выгоды. Поэтому мы начали экспериментировать с демоверсией продукта и искать способ повысить качество и снизить стоимость inference. В итоге решение удалось запустить полностью на одной карте h100 с требуемым качество (более 94% процентов корректных ответов на базе знаний). В результате задача, которая изначально выглядела слишком дорогой для on-premise инфраструктуры, стала экономически оправданной. Для FinTech и других регулируемых отраслей это важный кейс Облачные AI-сервисы часто недоступны из-за требований к данным, а стоимость локальной инфраструктуры останавливает такие проекты ещё на старте. #александр_опрышко

KTS на GoCloud 2026: поговорим про AI и облака 9 апреля в Москве пройдёт конференция GoCloud от Cloud.ru. В этом году ключевая тема — простые и безопасные инструменты для работы с AI, которые можно использовать уже сейчас. Что ждёт участников: ■ 4 трека про AI, Data, инструменты разработки и облачную инфраструктуру ■ 50+ спикеров из ведущих российских компаний ■ 15+ демозон с live-демонстрациями облачных и AI-сервисов, партнёрских продуктов и нетворкинг с экспертами ■ 7 воркшопов под руководством экспертов Александр Опрышко, управляющий партнёр и системный архитектор KTS, примет участие в круглом столе на тему «DevOps-инструменты в облаке». Вместе с коллегами он обсудит, как AI помогает в этом направлении, и поделится опытом организации процесса. Конференция проходит в двух форматах: офлайн и онлайн-трансляция на сайте. Когда: 9 апреля, 10:00 Где: кинотеатр «КАРО 11 Октябрь», ул. Новый Арбат, д. 24 Для участия нужно зарегистрироваться. До встречи на GoCloud 2026!

От умного справочника к агентам действия: как меняются требования к AI-инструментам AI-ассистент обучается по базе данных, действует по заданному сценарию и коммуницирует с пользователем — например, подбирает товары или отвечает на вопросы. Такой формат взаимодействия уже стал привычным, его часто используют, чтобы автоматизировать рутину и обеспечить поддержку 24/7. Но сегодня этого недостаточно — рынок переходит от ассистентов к агентам действия. Они работают в корпоративных системах, планируют шаги и принимают решения без постоянного участия человека. При проектировании платформы AI Assistant мы изначально планировали работу наших агентов в формате действий, которые позволяют максимально автоматизировать ответ на запрос клиента — от фиксации заявки в системе до анализа конверсионных диалогов. Чтобы реализовать подобные сценарии, мы настраиваем мультиагентную архитектуру и интеграцию с системами заказчика. При этом работа с RAG никуда не уходит — он остаётся памятью решения. В текущих реализациях возможен перевод клиента с ассистента на живого человека. Доступен детальный анализ статистики общения AI-агентов для проверки качества и полноты ответов. Иван Лавров, Head of AI KTS

«LLM и технологии, на которых построена платформа автоматизации KTS, постоянно улучшаются. Мы прогнозируем, что роль операторов постепенно будет снижаться и усилится автономность — за качеством выполнения заданий одних AI-агентов будут следить другие. Это позволит улучшить их работу за счёт обновления сценариев, интегрируемых систем и подгружаемых данных. Когда настанет этот момент — вопрос открытый. И обычные ассистенты, и агенты действия требуют актуальной информации в источниках данных, правило GIGO никуда не ушло. Теперь тем, кто планирует выстраивать гибридную работу люди + роботы, нужно задуматься над подходами к формированию базы знаний и обеспечением качества данных»

Сейчас мы чаще внедряем агентов действия в процессы, где можно быстро посчитать экономический эффект и вернуть вложенные средства. Это решения для поддержки продаж, которые увеличивают конверсию и количество лидов, и ассистенты для высокочастотных сценариев — они помогают сократить затраты на ФОТ. Постепенно единичные автоматизации процессов будут объединяться в общую систему для интеграции в сложные сценарии работы.

Ускоряем запуск специализированных AI-агентов: от идеи до production за месяц Рынок ИИ переходит к гиперперсонализации и внедрению узкопрофильных AI-ассистентов для конкретных ролей: HR, поддержки, продаж, управления. Обычно разработка кастомного решения занимает несколько месяцев, требует значительных расходов и сложно масштабируется. Мы нашли способ упростить и ускорить внедрение — разработали платформу автоматизации, которая построена на мультиагентной архитектуре и RAG-технологии. Она позволяет быстрее запускать специализированных AI-ассистентов в единой инфраструктуре. Как работает система автоматизации: ◾️ AI-ассистент индексирует вашу базу знаний — PDF, таблицы, инструкции, схемы — и отвечает на вопросы пользователей в мультимодальном режиме со ссылками на источники. Данные обновляются автоматически без остановки системы. ◾️ Подключается к корпоративным сервисам: CRM, ERP, тикет-системами и базами данных. Ассистент видит историю клиента, статус заказа, остатки на складе и использует актуальные данные. ◾️ Ассистент встраивается в привычные каналы коммуникации: виджет на сайте, Telegram, мобильное приложение. Единая база знаний и логика ответов работают на всех площадках. ◾️ AI получает оценки ответов от пользователей, учитывает обратную связь и автоматически корректирует сценарий и поведение. ◾️ Платформа интегрируется с SSO-системами для авторизации пользователей. Диалоги проходят аудит, доступно маскирование персональных данных и разграничение прав доступа. Система разворачивается в облаке, по гибридной схеме или полностью on-premise и позволяет обрабатывать данные в соответствии с 152-ФЗ. Предлагаем начать с демо на ваших данных с дальнейшим переходом в пилот, проверить гипотезу на реальных пользователях и масштабировать решение по мере роста задач. Запишитесь на демо — покажем, как AI-агент работает в ваших бизнес-процессах.

Два подхода к разработке голосового AI: LLM-агент vs конечный автомат В проектах с голосовыми AI-ассистентами мы в KTS чаще всего используем два подхода к управлению диалогом: LLM-агенты и конечные автоматы с отдельными компонентами. Выбор архитектуры влияет на гибкость диалога и уровень контроля системы. LLM-агент. С помощью realtime API мы встраиваем ассистента в голосового робота. LLM-агент управляет диалогом, адаптируется под контекст и принимает решения в зависимости от ситуации. Взаимодействие получается естественным и живым, без жёстких скриптов и шаблонных ответов. Но поведение модели не всегда предсказуемо, и у нас меньше возможностей для контроля. Конечный автомат с отдельными компонентами. Этот подход был единственно возможным до появления LLM. В нём мы разбиваем процесс взаимодействия голосового робота и пользователя на стадии: — расшифровка аудио в текст; — принятие решения на основе текущей фазы диалога; — обновление состояния в конечном автомате или своей системе хранения контекста; — генерация текста и преобразование обратно в речь. Каждый шаг контролируется отдельно. Диалог детерминирован — мы точно знаем, как ассистент поведёт себя в каждой ситуации. Как мы выбираем подход в проектах: LLM-агент подходит для задач, где важна гибкость и естественное общение — консультации, сложные запросы, неструктурированные разговоры. Конечный автомат — надёжное решение для строго регламентированных процессов: банковские операции, медицинские протоколы, юридические вопросы. #александр_опрышко

Три инструмента, которые дают AI-кодерам актуальную документацию — и чем они отличаются. Andrew Ng выпустил Context Hub — open-source CLI, который подтягивает актуальную API-документацию прямо в контекст кодинг-агента. Проблема знакомая: LLM уверенно пишет код под устаревший API, потому что его training data отстаёт на месяцы. Агент не знает, что endpoint переименовали или параметр убрали — и генерирует код, который компилируется, но падает в проде. Инструменты для решения этой проблемы уже существуют. Я пользовался двумя из них: Context7 и DeepWiki. И у каждого свой подход. ▫️Context7 — MCP-сервер от Upstash. 73 000+ библиотек, автоматическая индексация документации. Подключается к Cursor, Claude и другим AI-редакторам. Агент вызывает два инструмента: resolve-library-id и query-docs — и получает version-specific документацию с code snippets. Плюс — огромное покрытие. Минус — документация иногда устаревает, а механизма обратной связи нет. ▫️DeepWiki — AI-генерация документации по любому GitHub-репозиторию. Не индексирует готовые доки, а анализирует исходный код и создаёт wiki на лету. Полезен, когда нужно быстро разобраться в чужом репозитории: архитектура, зависимости, ключевые модули. Но это не замена API-документации — скорее инструмент для понимания кодовой базы. Чем же отличается Context Hub? Context Hub от Andrew Ng — CLI-утилита chub. Курированная, версионированная документация в markdown. Покрытие скромнее (~100+ пакетов), зато две уникальные фичи. Первая — annotations: агент может оставить заметку (например, «для Stripe webhooks нужен raw body, а не parsed JSON»), и эта заметка автоматически подтянется при следующем запросе. Агент накапливает знания между сессиями. Вторая — feedback: голосование за качество документации, которое улучшает доки для всего сообщества. Context7 берёт широтой покрытия, DeepWiki — глубиной понимания кода, Context Hub — точностью и обучаемостью агента. В комментариях под постом Ng десятки людей спрашивают «чем это отличается от Context7?» — и ответ именно в annotation layer. Это попытка дать агентам persistent memory: не просто актуальные доки, а доки с накопленным опытом использования. На практике эти инструменты не конкурируют, а дополняют друг друга. Context7 для широкого покрытия, DeepWiki для незнакомых репозиториев, Context Hub может выиграть там, где важна точность — annotations накапливают найденные edge cases и workarounds прямо в доках, и агент не наступает на те же грабли дважды. #александр_опрышко

KTS на Rosbuild 2026. Покажем, как устроена мультиагентная AI-платформа для PropTech С 4 по 6 марта команда KTS будет на Rosbuild. На стенде 2C53 разберём, как устроен AI ассистент для автоматизации подбора квартир и торговых площадей и обработки клиентских обращений в PropTech. Ассистент заменяет поиск по фильтрам диалоговым интерфейсом. Пользователь спрашивает в свободной форме, система уточняет параметры и предлагает релевантные объекты из базы. Решение интегрируется в сайт, мобильные приложения и мессенджеры. AI ассистент построен на мультиагентной архитектуре с использованием RAG и интеграцией в корпоративные данные и системы. Персональные данные хранятся в контуре заказчика и не используются для обучения внешних моделей. Решение можно адаптировать под другие направления, включая поддержку, HR и продажи. Все подробности расскажем на Rosbuild. До встречи!

Релиз приложения OKRsana: выводим операционное управление на новый уровень Ранее мы рассказывали об OKRsana — AI-помощнике руководителя для стратегической работы с целями. Инструмент интегрировался с текущими системами и работал в формате чат-окна. Теперь мы выпустили полноценное приложение, в котором реализовали весь цикл работы с OKR — от проработки до мониторинга: ▪️ дашборды для отслеживания KR: контроль ключевых результатов и причин отставаний ▪️ дерево связей: согласование целей между подразделениями, анализ рисков и конфликтов метрик ▪️ встроенный AI-помощник: экспертная проверка OKR-планов, выявление ошибок и рекомендации по улучшению Вы можете кастомизировать OKRsana под управленческие особенности компании: менять логику работы AI-помощника и правила целеполагания. Приложение OKRsana сокращает рутину, делает процессы прозрачнее и ускоряет работу с целями. Чтобы убедиться на практике, запишитесь на демо — покажем возможности системы и ответим на вопросы. Если интересно глубже разобраться в управлении через OKR, советуем посетить конференцию наших партнёров OKR Russia, которая пройдёт в Москве 25 февраля. Здесь вы можете поделиться опытом и обсудить практические кейсы.

Кейс GigaChat: маркетплейс AI-агентов вместо универсального ИИ GigaChat хотел перейти от одного чат-бота к экосистеме специализированных агентов. KTS участвовал в проектировании маркетплейса, где каждый ассистент решает конкретную задачу: от бизнес-аналитики до записи на услуги.Начали с нескольких агентов и уже получили 1000 заявок на публикацию в маркетплейс. Ключевая идея — use-case first. Пользователь не настраивает универсальный ИИ и не объясняет ему контекст с нуля. Он выбирает агентов, каждый из которых решает прикладную задачу. Это снижает когнитивную нагрузку и даёт предсказуемый результат. Что сделали: - Спроектировали UX/UI, разработали веб-версию и мобильное приложение для iOS и Android. - Создали модули системы AI-агентов под узконаправленные сценарии: бизнес-задачи, карьера, запись на услуги. - Разработали UI части персональных агентов. Например, туристического помощника по Сахалину и ассистента, который ведёт календарь пользователя. Маркетплейсная модель снижает барьер входа для пилотов. Вместо разработки универсального решения можно начать с одного агента, проверить гипотезу на реальных пользователях и масштабировать успешные сценарии. Time-to-market для нового агента — несколько дней против месяцев разработки кастомного бота. Артем Бакулев, технический лид в KTS:

Мы видим чёткий тренд: переход от универсальных чат-ботов к специализированным агентам. Прежняя модель требует от пользователя постоянного контекстного онбординга — объясняй каждый раз, кто ты, что делаешь, чего хочешь Специализированный ассистент уже знает домен и говорит на языке пользователя. 1000 заявок на публикацию агентов за первые недели — это сигнал, что рынок готов к гиперперсонализации через набор узкопрофильных ассистентов. Это изменение паттерна взаимодействия с ИИ.