Внутри AI | Кейсы ИИ Агентов в бизнесе

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.

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

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

Запустили AI-ассистента для ФК «Динамо» Москва ФК «Динамо» Москва — один из самых известных футбольных клубов России с большой аудиторией болельщиков. У клуба 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» Москва 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» Москва, поэтому получает актуальные данные в реальном времени и передаёт их в LLM модели для формирования ответа. Для команды клуба мы также сделали административную панель. В ней можно настраивать сценарии, отслеживать работу ассистента и контролировать качество ответов. Сейчас вместе с ФК «Динамо» Москва продолжаем расширять функциональность ассистента и добавлять новые точки его присутствия.

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

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 — Agent Platform. Он позволит предметным специалистам самостоятельно создавать агентов и объединять их в цепочки для автоматизации своих процессов без разработчиков. Сейчас проводим закрытые

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.

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 внутренни

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

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 устрое

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.

Переосмысление ценности MCP На всякий случай, MCP — это стандартный протокол подключения тулов к агентам. Идея достаточно очевидна: унифицировать интеграции с LLM, чтобы можно было подключать знания из разных систем. Но на практике возникают проблемы: 1) Если API возвращает большой ответ, то нужно как-то предобрабатывать запрос. Следовательно, интерфейс уже не такой универсальный, и на практике он порождает слой проксей, которые подготавливают данные для конкретной задачи. 2) Возникает дополнительное препятствие для внедрения агентов, так как нужно строить платформу для MCP и продумывать им ролевые модели. Из-за этого приходится делать ооочень много технических приседаний и проходить не меньше согласований, а по итогу выхлоп может быть нулевым. До недавнего времени я был убежден в том, что для этой вашей «ИИ-трансформации» компаниям нужно в обязательном порядке строить MCP-хабы, но переосмыслил эту гипотезу из-за одного практического примера. Мы занимались автоматизацией тестирования приложения на Dev-среде, а для этого нужно было научить агента катить на Dev. У нас настроены динамические окружения, так что каждая ветка может существовать изолированно. Мы подключили GitLab MCP к агенту с выделенным пользователем с ролью developer на проекте. Вот только в MCP не оказалось возможности запускать пайплайны, и сам агент в процессе размышления попытался найти GitLab-токен с правами запуска пайпов. И это натолкнуло меня на мысль: а что, если агенту просто дать GitLab-токен пользователя с ограниченными правами и вызвать API напрямую из агента? Очевидно, это решение сработало. В этот момент и произошло переосмысление: а зачем нам вообще нужен MCP? Почему мы не можем использовать текущие API для интеграции с уже продуманной (и, главное, принятой) ролевой моделью? Агенты поумнее вообще могут в реальном времени писать скрипты интеграции и сразу готовить формат, как себе нужно, а для агентов потупее можно заранее писать набор тулов для интеграции. С помощью агентов поу