Я снова поймал себя на мысли: ассистенты, которые живут только на векторном поиске, очень быстро упираются в потолок…
Они идеально пересказывают документы, но в реальных связях между поставщиками, SKU, акциями, инцидентами и ответственными просто не ориентируются
В живом бизнесе вопрос звучит не «GraphRAG или RAG?», а «когда векторного поиска уже недостаточно и сколько будет стоить ошибка в этих связях». Я на это смотрю через ROI и зрелость данных: граф знаний нужен там, где цена промаха выше, чем стоимость всей этой истории.
👉🏻 GraphRAG уместен, когда вопросы про цепочки влияния: supply chain, риск, customer 360, комплаенс
👉🏻 Во многих сценариях (FAQ, регламенты, helpdesk) честно хватает нормально сделанного RAG или гибридного RAG
👉🏻 Без MDM, онтологии и владельцев данных граф просто аккуратно консервирует ваш хаос, а LLM начинает додумывать связи там, где на кону выручка и штрафы
Полный разбор сделал тут: https://bm-it.ru/media/rag-korporativnyh-dannyh
Интересно, где у вас ассистенты уже упёрлись в потолок RAG - можно обсудить в комментариях 👇
Они идеально пересказывают документы, но в реальных связях между поставщиками, SKU, акциями, инцидентами и ответственными просто не ориентируются
В живом бизнесе вопрос звучит не «GraphRAG или RAG?», а «когда векторного поиска уже недостаточно и сколько будет стоить ошибка в этих связях». Я на это смотрю через ROI и зрелость данных: граф знаний нужен там, где цена промаха выше, чем стоимость всей этой истории.
👉🏻 GraphRAG уместен, когда вопросы про цепочки влияния: supply chain, риск, customer 360, комплаенс
👉🏻 Во многих сценариях (FAQ, регламенты, helpdesk) честно хватает нормально сделанного RAG или гибридного RAG
👉🏻 Без MDM, онтологии и владельцев данных граф просто аккуратно консервирует ваш хаос, а LLM начинает додумывать связи там, где на кону выручка и штрафы
Полный разбор сделал тут: https://bm-it.ru/media/rag-korporativnyh-dannyh
Интересно, где у вас ассистенты уже упёрлись в потолок RAG - можно обсудить в комментариях 👇
БизнесМатика
RAG для корпоративных данных: почему без него ваш «корпоративный ChatGPT» не принесёт денег
Я наткнулся на материал о Retrieval-Augmented Generation, где автор честно написал: «LLM без доступа к вашим данным — дорогой собеседник, а не
👍2🤝2❤1
AI может приносить миллиарды долларов в год?
Да, только в российских компаниях эти деньги почти не видны😐
Пилоты, чат-боты, демо есть у многих, а вот карточки товаров, отчёты, договоры, ответы клиентам всё равно делают руками. Для меня LLM – это не игрушка, а слой операционной эффективности: пока он не пришит к данным, процессам и метрикам, всё останется на уровне презентаций
Деньги лежат в десятках скучных операций, от ответа клиенту до маршрута согласования, а не в самой цифре. Ритейл и FMCG уже умеют зарабатывать на ML, и задача LLM – нормально усиливать эти контуры, а не жить отдельным чат-ботом без доступа к данным. Пока в компании десять разрозненных пилотов без общего LLM-слоя и фабрики решений, вы платите за хобби, а не за трансформацию
Здравый вход в тему - начать с ИИ-аудита: честно померить зрелость, выбрать 3–5 сценариев с понятным эффектом и только потом спорить про RAG и импортозамещение
Полный разбор смотрите тут: https://bm-it.ru/media/generativnyi-ii-v-korporatsiyah
Интересно, где у вас сейчас больше всего тонут решения, давайте разберём это в комментариях 👇🏻
Да, только в российских компаниях эти деньги почти не видны😐
Пилоты, чат-боты, демо есть у многих, а вот карточки товаров, отчёты, договоры, ответы клиентам всё равно делают руками. Для меня LLM – это не игрушка, а слой операционной эффективности: пока он не пришит к данным, процессам и метрикам, всё останется на уровне презентаций
Деньги лежат в десятках скучных операций, от ответа клиенту до маршрута согласования, а не в самой цифре. Ритейл и FMCG уже умеют зарабатывать на ML, и задача LLM – нормально усиливать эти контуры, а не жить отдельным чат-ботом без доступа к данным. Пока в компании десять разрозненных пилотов без общего LLM-слоя и фабрики решений, вы платите за хобби, а не за трансформацию
Здравый вход в тему - начать с ИИ-аудита: честно померить зрелость, выбрать 3–5 сценариев с понятным эффектом и только потом спорить про RAG и импортозамещение
Полный разбор смотрите тут: https://bm-it.ru/media/generativnyi-ii-v-korporatsiyah
Интересно, где у вас сейчас больше всего тонут решения, давайте разберём это в комментариях 👇🏻
БизнесМатика
Генеративный ИИ в корпорациях: 4,4 трлн долларов мирового эффекта и как собрать свою долю в российском ритейле и FMCG
Несколько месяцев назад внимание к теме генеративного ИИ снова резко выросло после очередного витка обсуждения оценки McKinsey: generative AI способен приносить мировой экономике
❤3
5 причин, почему Industrial AI с западных презентаций не запускается у вас
Смотрю на западные кейсы по предиктивному обслуживанию с их «минус 20–30% простоев» и ростом и хорошо понимаю, насколько это не похоже на будни российских заводов
К тому же из-за санкций привычное западное оборудование и программы теперь - это риск в деньгах. А в цеху вместо красивой картинки набор реальности: разные SCADA, местами полумёртвый MES, лоскутные АСУТП и Excel‑отчёты по простоям, где каждая смена пишет свою правду
В такой ситуации проект по Industrial AI на инвесткомитете очень быстро проигрывает. Я отношусь к таким историям как к инвестициям, а не к «демонстрации цифровой зрелости»: если не сходится P&L, данные и стек, честнее стопнуть идею, чем запускать ещё один пилот ради красивого отчёта.
Главный барьер не в «плохом ИИ в России», а в том, что западные кейсы опираются на данные и процессы, которых у нас часто просто нет. Копировать целиком чужой кейс бессмысленно, надо понимать логику: ИИ‑слой поверх ваших MES/SCADA/ERP, который переживёт и смену вендоров, и новые ограничения
Полный разбор читайте тут: https://bm-it.ru/media/IndustrialAIprojects
Интересно, где ваши Industrial AI‑проекты ломаются чаще всего: в санкционном стеке, данных или экономике, можно обсудить в комментариях👇
Смотрю на западные кейсы по предиктивному обслуживанию с их «минус 20–30% простоев» и ростом и хорошо понимаю, насколько это не похоже на будни российских заводов
К тому же из-за санкций привычное западное оборудование и программы теперь - это риск в деньгах. А в цеху вместо красивой картинки набор реальности: разные SCADA, местами полумёртвый MES, лоскутные АСУТП и Excel‑отчёты по простоям, где каждая смена пишет свою правду
В такой ситуации проект по Industrial AI на инвесткомитете очень быстро проигрывает. Я отношусь к таким историям как к инвестициям, а не к «демонстрации цифровой зрелости»: если не сходится P&L, данные и стек, честнее стопнуть идею, чем запускать ещё один пилот ради красивого отчёта.
Главный барьер не в «плохом ИИ в России», а в том, что западные кейсы опираются на данные и процессы, которых у нас часто просто нет. Копировать целиком чужой кейс бессмысленно, надо понимать логику: ИИ‑слой поверх ваших MES/SCADA/ERP, который переживёт и смену вендоров, и новые ограничения
Полный разбор читайте тут: https://bm-it.ru/media/IndustrialAIprojects
Интересно, где ваши Industrial AI‑проекты ломаются чаще всего: в санкционном стеке, данных или экономике, можно обсудить в комментариях👇
БизнесМатика
5 причин, почему Industrial AI с западных презентаций не запускается на российских заводах
Открываю очередной западный кейс по Industrial AI: предиктивное обслуживание, минус 20–30% незапланированных простоев, рост OEE, экономия на ремонтах. Для директора по
Channel name was changed to «Иван Кузнецов | Практический ИИ | БизнесМатика»
«Мы запретили сотрудникам ChatGPT, а они всё равно используют его для работы, но с личного телефона, где уже никакого контроля нет»
Это мне на прошлой неделе рассказал закупщик одного крупного промышленного холдинга, и я по-настоящему удивился. В общем, у них выдали доступ к ChatGPT только узкому кругу лиц, а остальным - не выдали, «не доверяют». Звучит как здравое решение с точки зрения информационной безопасности. Но проблема в том, что те, кому доступ НЕ дали, работать удобнее НЕ перестали. Они пользуются ИИ на личных телефонах мимо всякого контроля, мимо любой корпоративной политики 🙂
Сотрудники всегда найдут обходной путь, это предсказуемо, ну и бог с ним)) Поразило меня другое - крупная, зрелая компания с огромной выручкой живёт с такой дырой в безопасности и до сих пор её не закрыла.
Причем их безопасник уже ищет решение полгода с маскированием данных, чтобы перед отправкой в модель из текста автоматически вырезались имена, реквизиты, номера договоров и прочая чувствительные данные. То есть решение, при которой ИИ-модель видит обезличенный запрос, пользу приносит ту же, но на внешние сервера не уходит ничего, что запрещает ИБ. Непонятно, почему до сих пор не нашел такое решение, но отличная новость (и для клиента, и для нас) в том, что у нас такое решение есть. Значит дыру скоро закроем 😎
Это мне на прошлой неделе рассказал закупщик одного крупного промышленного холдинга, и я по-настоящему удивился. В общем, у них выдали доступ к ChatGPT только узкому кругу лиц, а остальным - не выдали, «не доверяют». Звучит как здравое решение с точки зрения информационной безопасности. Но проблема в том, что те, кому доступ НЕ дали, работать удобнее НЕ перестали. Они пользуются ИИ на личных телефонах мимо всякого контроля, мимо любой корпоративной политики 🙂
Сотрудники всегда найдут обходной путь, это предсказуемо, ну и бог с ним)) Поразило меня другое - крупная, зрелая компания с огромной выручкой живёт с такой дырой в безопасности и до сих пор её не закрыла.
Причем их безопасник уже ищет решение полгода с маскированием данных, чтобы перед отправкой в модель из текста автоматически вырезались имена, реквизиты, номера договоров и прочая чувствительные данные. То есть решение, при которой ИИ-модель видит обезличенный запрос, пользу приносит ту же, но на внешние сервера не уходит ничего, что запрещает ИБ. Непонятно, почему до сих пор не нашел такое решение, но отличная новость (и для клиента, и для нас) в том, что у нас такое решение есть. Значит дыру скоро закроем 😎
Корпоративные ассистенты красиво пересказывают PDF, но виснут на вопросе:
Классический RAG видит только куски текста, он не знает, что «этот контрагент» в договоре и «этот поставщик» в WMS - одна и та же сущность, связи между данными теряются. Вы получаете красивый пересказ вместо управленческого инсайта, а цена ошибки - затоваренные склады, штрафы и потерянная выручка
Что делать? Нужен не просто поиск по документам, а знания, где сущности и связи живут в единой модели
Полный разбор читайте тут:
https://bm-it.ru/media/vector-search-technology
А у вас ассистент уже приносит пользу или пока только создает видимость умной работы, поделитесь в комментариях 👇🏻
«Кто отвечает за риск и как он связан с поставщиками?»
Классический RAG видит только куски текста, он не знает, что «этот контрагент» в договоре и «этот поставщик» в WMS - одна и та же сущность, связи между данными теряются. Вы получаете красивый пересказ вместо управленческого инсайта, а цена ошибки - затоваренные склады, штрафы и потерянная выручка
Что делать? Нужен не просто поиск по документам, а знания, где сущности и связи живут в единой модели
Полный разбор читайте тут:
https://bm-it.ru/media/vector-search-technology
А у вас ассистент уже приносит пользу или пока только создает видимость умной работы, поделитесь в комментариях 👇🏻
БизнесМатика
Когда векторного поиска уже недостаточно бизнесу?
В какой-то момент все корпоративные ассистенты начинают вести себя одинаково: красиво перефразируют фрагменты документов, но не видят связи между людьми, договорами, процессами и
❤1👍1
«Дефицит кадров в России сокращается» - с таких заголовков начался год (РБК, РИА, январь 2026), а по свежему мониторингу предприятий ЦБ индекс обеспеченности кадрами подрос с минус 23,2 пункта в конце 2025-го до минус 21,6 пункта во втором квартале 2026-го.
Однако когда я открыл комментарии ЦБ к этому мониторингу, стало понятно, что радоваться росту этого индекса рано. Минус 21,6 пункта этого индекса - это баланс ответов в опросе предприятий, то есть доля компаний, где работников больше, чем нужно, минус доля тех, где работников не хватает. Пока этот баланс в минусе, компаний с нехваткой работников среди опрошенных больше, чем компаний с запасом работников. Примерно такой же перевес был в среднем в 2023 году - тогда это был рекорд за всю недолгую историю замеров этого индекса (ЦБ ведёт их с 2020 года), а к концу 2025-го нехватка работников стала ещё острее. В комментарии по итогам первого квартала 2026-го ЦБ прямо писал, что обеспеченность предприятий работниками остаётся крайне низкой по сравнению с временами до 2022 года. И главное - откуда взялся этот рост индекса? Планы компаний по набору персонала, по тому же мониторингу, упали на минимум с ковидного 2020-го. Кадровый голод отступил на 1,6 пункта этого индекса, потому что наниматели затянули пояса.
А структурная часть дефицита кадров (та, что создана демографией) никуда не делась. Минтруд ещё в начале 2025-го посчитал, что к 2030 году экономике не хватит 3,1 миллиона человек. И отдельно - что до того же 2030-го работодателям придётся найти замену 11 миллионам работников, уходящих на пенсию. Демографию индексом обеспеченности кадрами не переспоришь.
Поэтому я считаю, что двигатель у внедрения ИИ в российском бизнесе ровно один - это нехватка рабочих рук. Рядом с этой нехваткой мода, хайп и страх отстать от конкурентов вторичны. Типовую работу (ввод документов, ответы на однотипные письма, разбор резюме) компании отдают машинам, чтобы не тратить на неё людей, которых и так не хватает. Показательно, что бизнес уже автоматизирует работу самих кадровиков. По опросу hh.ru осени 2025 года 57% опрошенных компаний используют ИИ в работе с персоналом, а почти треть - прямо в подборе. Найм при кадровом голоде - это самое узкое место в работе с персоналом, вот его компании и отдают машине 🙂
Практический вопрос из всего этого один. Откройте свой список вакансий и честно ответьте, какие из них существуют только потому, что типовую работу в компании до сих пор делают руками. Кто отдаст эту работу машинам сейчас, тому в 2030-м не придётся искать на рынке труда людей, которых там просто нет.
Однако когда я открыл комментарии ЦБ к этому мониторингу, стало понятно, что радоваться росту этого индекса рано. Минус 21,6 пункта этого индекса - это баланс ответов в опросе предприятий, то есть доля компаний, где работников больше, чем нужно, минус доля тех, где работников не хватает. Пока этот баланс в минусе, компаний с нехваткой работников среди опрошенных больше, чем компаний с запасом работников. Примерно такой же перевес был в среднем в 2023 году - тогда это был рекорд за всю недолгую историю замеров этого индекса (ЦБ ведёт их с 2020 года), а к концу 2025-го нехватка работников стала ещё острее. В комментарии по итогам первого квартала 2026-го ЦБ прямо писал, что обеспеченность предприятий работниками остаётся крайне низкой по сравнению с временами до 2022 года. И главное - откуда взялся этот рост индекса? Планы компаний по набору персонала, по тому же мониторингу, упали на минимум с ковидного 2020-го. Кадровый голод отступил на 1,6 пункта этого индекса, потому что наниматели затянули пояса.
А структурная часть дефицита кадров (та, что создана демографией) никуда не делась. Минтруд ещё в начале 2025-го посчитал, что к 2030 году экономике не хватит 3,1 миллиона человек. И отдельно - что до того же 2030-го работодателям придётся найти замену 11 миллионам работников, уходящих на пенсию. Демографию индексом обеспеченности кадрами не переспоришь.
Поэтому я считаю, что двигатель у внедрения ИИ в российском бизнесе ровно один - это нехватка рабочих рук. Рядом с этой нехваткой мода, хайп и страх отстать от конкурентов вторичны. Типовую работу (ввод документов, ответы на однотипные письма, разбор резюме) компании отдают машинам, чтобы не тратить на неё людей, которых и так не хватает. Показательно, что бизнес уже автоматизирует работу самих кадровиков. По опросу hh.ru осени 2025 года 57% опрошенных компаний используют ИИ в работе с персоналом, а почти треть - прямо в подборе. Найм при кадровом голоде - это самое узкое место в работе с персоналом, вот его компании и отдают машине 🙂
Практический вопрос из всего этого один. Откройте свой список вакансий и честно ответьте, какие из них существуют только потому, что типовую работу в компании до сих пор делают руками. Кто отдаст эту работу машинам сейчас, тому в 2030-м не придётся искать на рынке труда людей, которых там просто нет.
РБК
ЦБ оценил дефицит кадров в России
По итогам последнего квартала 2025 года дефицит кадров продолжил постепенно сокращаться. Однако он остается высоким в сравнении с показателями 2020–2022 годов, следует из опроса ЦБ
❤1
В СберСтраховании жизни, как утверждает компания, каждую четвёртую выплату теперь одобряет ИИ. Сам, без сотрудника. Медианное время такой ИИ-выплаты - это три с половиной минуты.
Об этом в июне 2026-го написал ПРАЙМ, а пресс-релиз компании разошёлся по страховой прессе. ИИ-агент без выходных и перерывов на обед читает документы по кредитному страхованию жизни и выносит решение о выплате. Таким способом, по данным страховщика, выплачено уже больше 300 миллионов рублей, а к концу года компания планирует довести долю ИИ-выплат с четверти до половины.
Обратите внимание, ЧТО именно Сбер отдал машине. Решение о деньгах. Это, пожалуй, самый чувствительный к ошибке процесс страховой компании - вокруг него страховщики десятилетиями выстраивали регламенты, комиссии по урегулированию и цепочки подписей. Дискуссия «можно ли доверять ИИ решения о выплатах» закончилась де-факто, буднично и без круглых столов)) Лидер рынка страхования жизни просто взял и разрешил машине решать самой.
Для остальных страховщиков эти 3,5 минуты меняют ожидания клиентов по срокам выплат. Норму здесь долго определял закон - на выплату по ОСАГО у страховщика есть 20 календарных дней (не считая нерабочих праздничных), и хотя ОСАГО и кредитное страхование жизни - это разные продукты, ожидание около трёх недель клиент годами считал делом обычным. Человек, услышавший от знакомого про такую скорость, ждать три недели уже не готов. И Сбер тут не одинок - Ингосстрах, если верить его новости 2026 года, выдаёт направление на ремонт по КАСКО онлайн за минуту. Направление на ремонт - это ещё не выплата денег, но эту минуту клиент тоже запоминает как новую норму скорости.
Деталь, которую я советую разглядеть страховщикам поменьше. Судя по релизу, самостоятельность машина получила на одном продукте с однотипными случаями - кредитном страховании жизни. Рецепт из этого кейса простой - взять один типовой сегмент и отдать машине конвейер выплат по нему. От себя мы в БизнесМатике добавляем к этому рецепту ещё один пункт - спорные случаи должен решать живой человек. И, по нашему опыту внедрений ИИ, целиком перестраивать ИТ-ландшафт для такого конвейера не нужно.
Такой конвейер урегулирования мы сейчас и проектируем - прицельно под средних страховщиков, от разбора документов до антифрода, с человеком на спорных случаях. Считать в этой истории осталось одно - сколько стоит каждый месяц, пока Сбер с Ингосстрахом мерят скорость минутами, а клиент остальных привык ждать неделями 😎
Об этом в июне 2026-го написал ПРАЙМ, а пресс-релиз компании разошёлся по страховой прессе. ИИ-агент без выходных и перерывов на обед читает документы по кредитному страхованию жизни и выносит решение о выплате. Таким способом, по данным страховщика, выплачено уже больше 300 миллионов рублей, а к концу года компания планирует довести долю ИИ-выплат с четверти до половины.
Обратите внимание, ЧТО именно Сбер отдал машине. Решение о деньгах. Это, пожалуй, самый чувствительный к ошибке процесс страховой компании - вокруг него страховщики десятилетиями выстраивали регламенты, комиссии по урегулированию и цепочки подписей. Дискуссия «можно ли доверять ИИ решения о выплатах» закончилась де-факто, буднично и без круглых столов)) Лидер рынка страхования жизни просто взял и разрешил машине решать самой.
Для остальных страховщиков эти 3,5 минуты меняют ожидания клиентов по срокам выплат. Норму здесь долго определял закон - на выплату по ОСАГО у страховщика есть 20 календарных дней (не считая нерабочих праздничных), и хотя ОСАГО и кредитное страхование жизни - это разные продукты, ожидание около трёх недель клиент годами считал делом обычным. Человек, услышавший от знакомого про такую скорость, ждать три недели уже не готов. И Сбер тут не одинок - Ингосстрах, если верить его новости 2026 года, выдаёт направление на ремонт по КАСКО онлайн за минуту. Направление на ремонт - это ещё не выплата денег, но эту минуту клиент тоже запоминает как новую норму скорости.
Деталь, которую я советую разглядеть страховщикам поменьше. Судя по релизу, самостоятельность машина получила на одном продукте с однотипными случаями - кредитном страховании жизни. Рецепт из этого кейса простой - взять один типовой сегмент и отдать машине конвейер выплат по нему. От себя мы в БизнесМатике добавляем к этому рецепту ещё один пункт - спорные случаи должен решать живой человек. И, по нашему опыту внедрений ИИ, целиком перестраивать ИТ-ландшафт для такого конвейера не нужно.
Такой конвейер урегулирования мы сейчас и проектируем - прицельно под средних страховщиков, от разбора документов до антифрода, с человеком на спорных случаях. Считать в этой истории осталось одно - сколько стоит каждый месяц, пока Сбер с Ингосстрахом мерят скорость минутами, а клиент остальных привык ждать неделями 😎
🔥1
«Лемана ПРО» (бывший Леруа Мерлен) снизила стоимость написания одной карточки товара больше чем на 95%. Если верить кейсу Yandex Cloud, раньше готовое описание попадало на сайт минимум через две недели, а теперь появляется в тот же день, что и сам товар. Карточки пишет YandexGPT, и работает это буднично - сотрудник даёт нейросети название и характеристики товара, она возвращает описание, а SEO-проверка идёт автоматически.
Тут есть о чём задуматься любому среднему ритейлеру. Пока на конференциях спорят про чат-ботов на витрине, самая быстрая отдача от ИИ прячется в самом скучном углу каталога - в описаниях товаров. По нашим оценкам, генерация карточек окупается за 2-4 месяца, режет стоимость контента на 60-95% и ускоряет выпуск карточки в 10-14 раз. Скучно - и именно поэтому недооценено.
И Лемана тут не одна. Свои описания на YandexGPT пишет и Яндекс Маркет. Крупные игроки уже перевели этот кусок работы на машину, а средний ритейл к этому пока только присматривается.
Но есть нюанс, ради которого стоит дочитать. Тот же ИИ, что срезает 95% стоимости, умеет и врать. Та же Лемана поймала свою модель на том, что та придумала товару цену, которую ей никто не давал. В карточке, по которой покупатель принимает решение, выдуманная цена превращается в претензию и возврат - и никакая экономия на тексте этого не окупит. Поэтому самые чувствительные атрибуты (цену, размеры, состав) машине нельзя отдавать без присмотра, их должен проверять человек.
Мы в БизнесМатике именно такой конвейер товарного контента для среднего ритейла собираем на заказ, под конкретный каталог - с обязательной ручной проверкой чисел. Начинаем с описаний - они технологически самые обкатанные, дальше тем же конвейером подключаются подписи к картинкам и ответы на отзывы.
Напоследок практическое задание. Посчитайте, сколько дней у вас проходит от прихода товара до его карточки на сайте и во сколько обходится одна карточка. Если это недели и не три копейки, то самый скучный ИИ в ритейле окупится у вас быстрее любого модного чат-бота 🙂
Тут есть о чём задуматься любому среднему ритейлеру. Пока на конференциях спорят про чат-ботов на витрине, самая быстрая отдача от ИИ прячется в самом скучном углу каталога - в описаниях товаров. По нашим оценкам, генерация карточек окупается за 2-4 месяца, режет стоимость контента на 60-95% и ускоряет выпуск карточки в 10-14 раз. Скучно - и именно поэтому недооценено.
И Лемана тут не одна. Свои описания на YandexGPT пишет и Яндекс Маркет. Крупные игроки уже перевели этот кусок работы на машину, а средний ритейл к этому пока только присматривается.
Но есть нюанс, ради которого стоит дочитать. Тот же ИИ, что срезает 95% стоимости, умеет и врать. Та же Лемана поймала свою модель на том, что та придумала товару цену, которую ей никто не давал. В карточке, по которой покупатель принимает решение, выдуманная цена превращается в претензию и возврат - и никакая экономия на тексте этого не окупит. Поэтому самые чувствительные атрибуты (цену, размеры, состав) машине нельзя отдавать без присмотра, их должен проверять человек.
Мы в БизнесМатике именно такой конвейер товарного контента для среднего ритейла собираем на заказ, под конкретный каталог - с обязательной ручной проверкой чисел. Начинаем с описаний - они технологически самые обкатанные, дальше тем же конвейером подключаются подписи к картинкам и ответы на отзывы.
Напоследок практическое задание. Посчитайте, сколько дней у вас проходит от прихода товара до его карточки на сайте и во сколько обходится одна карточка. Если это недели и не три копейки, то самый скучный ИИ в ритейле окупится у вас быстрее любого модного чат-бота 🙂
❤1🔥1
«Технологии Доверия» (бывший PwC в России) запустили ИИ, который проверяет сделки, не отправляя клиентские документы во внешнее облако. Если верить CNews, в феврале 2026 ТеДо представила ИИ-платформу TeDo Intelligence с агентами для финансового анализа, налогов и проверки сделок, и всё это работает on-premise. Отдельным продуктом у них идёт и «Анализатор договоров», его тоже можно развернуть локально, ради конфиденциальности.
Тут важно понять, какую отговорку убил этот запуск. Причина, по которой юристы и аудиторы держали ИИ на расстоянии, звучала железно - клиентские документы защищены адвокатской и аудиторской тайной, в чужое облако их не отдашь. On-premise это возражение закрывает - модель работает внутри периметра самой юридической компании, ни строчки клиентских данных наружу не уходит. То есть «нам нельзя» перестало быть правдой.
Теперь к самому due diligence, на котором ИИ снимает с юристов недели ручной работы. Проверка контрагента перед сделкой - это сотни документов, которые юристы вычитывают неделями. ИИ проходит эти документы за часы и находит в них обременения, риски и спорные пункты договоров. Итоговое решение по сделке всё равно за управляющим партнёром.
И вот здесь средней юридической компании или аудитору стоит остановиться. Внедрять ли ИИ, за вас уже решил рынок. Теперь на кону другое - сколько сделок вы теряете, пока конкурент закрывает за часы ту проверку, на которую у вас уходят недели. На сделке скорость решает, кому клиент доверит работу.
Крупная компания может собрать такую платформу у себя силами своего ИТ. Средней это не по карману. Мы в БизнесМатике собираем on-premise разбор договоров и due diligence на заказ под средние юридические компании и аудиторов (в их контуре, без выноса данных, под их типы документов). Начинаем с самого частого - извлечения условий и рисков из клиентских договоров.
Прикиньте на своей практике. Сколько человеко-недель ваша команда потратила на последнюю крупную проверку и сколько из этого было чтением, которое машина сделала бы за вечер. Вот столько сейчас стоит осторожность 🙂
Тут важно понять, какую отговорку убил этот запуск. Причина, по которой юристы и аудиторы держали ИИ на расстоянии, звучала железно - клиентские документы защищены адвокатской и аудиторской тайной, в чужое облако их не отдашь. On-premise это возражение закрывает - модель работает внутри периметра самой юридической компании, ни строчки клиентских данных наружу не уходит. То есть «нам нельзя» перестало быть правдой.
Теперь к самому due diligence, на котором ИИ снимает с юристов недели ручной работы. Проверка контрагента перед сделкой - это сотни документов, которые юристы вычитывают неделями. ИИ проходит эти документы за часы и находит в них обременения, риски и спорные пункты договоров. Итоговое решение по сделке всё равно за управляющим партнёром.
И вот здесь средней юридической компании или аудитору стоит остановиться. Внедрять ли ИИ, за вас уже решил рынок. Теперь на кону другое - сколько сделок вы теряете, пока конкурент закрывает за часы ту проверку, на которую у вас уходят недели. На сделке скорость решает, кому клиент доверит работу.
Крупная компания может собрать такую платформу у себя силами своего ИТ. Средней это не по карману. Мы в БизнесМатике собираем on-premise разбор договоров и due diligence на заказ под средние юридические компании и аудиторов (в их контуре, без выноса данных, под их типы документов). Начинаем с самого частого - извлечения условий и рисков из клиентских договоров.
Прикиньте на своей практике. Сколько человеко-недель ваша команда потратила на последнюю крупную проверку и сколько из этого было чтением, которое машина сделала бы за вечер. Вот столько сейчас стоит осторожность 🙂
У розницы есть потери, за которые никто не отвечает. Списали скоропортящееся - в отчёте это привычная строка. Держали цены вручную и продали дешевле, чем могли, - этой разницы в отчётах нет. Клиент не дождался ответа и ушёл - его никто и не считал.
Дайджест глобальных технологических трендов СберПро (издания Сбера для бизнеса) за 2026 год пишет, что генеративный ИИ больше не ограничивается ответами на вопросы сотрудников и начинает сам выполнять рутинные операции и предупреждать ответственных о рисках. В переводе на розницу, по-моему, это значит, что в каждую такую точку потерь (списания, ручные цены, очередь на линии поддержки) можно поставить узкую ИИ-систему с одной задачей.
Я собрал разбор на сайте, как это работает в рознице, - с пятью проектами БизнесМатики и замерами до и после внедрения. ML-прогноз спроса для федеральной продуктовой сети поднял точность с 55-60% до 85%, а списания скоропортящейся продукции срезал на 17%. ML-алгоритмы ценообразования в DIY-сети (товары для дома и ремонта) из 50 магазинов подняли валовую маржу на 9%. ИИ-ассистент поддержки в другой DIY-сети отвечает круглосуточно, и ожидание ответа на линии упало с 4 минут до 40 секунд.
Думаю, в рознице ИИ быстрее всего окупается именно в таких точках потерь - у системы с одной задачей внедрение короче, чем у платформы на весь бизнес, а экономия начинается сразу после него. Мы в БизнесМатике такие проекты начинаем с бесплатного аудита - сначала считаем потери в деньгах, потом выбираем узкие ИИ-системы под них 😎
Дайджест глобальных технологических трендов СберПро (издания Сбера для бизнеса) за 2026 год пишет, что генеративный ИИ больше не ограничивается ответами на вопросы сотрудников и начинает сам выполнять рутинные операции и предупреждать ответственных о рисках. В переводе на розницу, по-моему, это значит, что в каждую такую точку потерь (списания, ручные цены, очередь на линии поддержки) можно поставить узкую ИИ-систему с одной задачей.
Я собрал разбор на сайте, как это работает в рознице, - с пятью проектами БизнесМатики и замерами до и после внедрения. ML-прогноз спроса для федеральной продуктовой сети поднял точность с 55-60% до 85%, а списания скоропортящейся продукции срезал на 17%. ML-алгоритмы ценообразования в DIY-сети (товары для дома и ремонта) из 50 магазинов подняли валовую маржу на 9%. ИИ-ассистент поддержки в другой DIY-сети отвечает круглосуточно, и ожидание ответа на линии упало с 4 минут до 40 секунд.
Думаю, в рознице ИИ быстрее всего окупается именно в таких точках потерь - у системы с одной задачей внедрение короче, чем у платформы на весь бизнес, а экономия начинается сразу после него. Мы в БизнесМатике такие проекты начинаем с бесплатного аудита - сначала считаем потери в деньгах, потом выбираем узкие ИИ-системы под них 😎
БизнесМатика
Как розничные компании находят потери продаж и запасов между отделами и сокращают эти потери с помощью ИИ. Разбор с пятью проектами…
Дайджест глобальных технологических трендов СберПро (издания Сбера для бизнеса) за 2026 год фиксирует сдвиг в том, как бизнес пользуется генеративным ИИ. По…
❤1
Российские банки уже автоматизировали 2/3 обращений клиентов в чатах, но меньше 1/4 входящих звонков.
Обе эти цифры - из пресс-релиза, который Сбер выпустил в июне 2026 года. Сбер отчитался, что автоматизация у него дошла до 71% клиентских обращений в чатах и до 66% в звонках. Рядом в том же релизе - эти же два показателя в среднем по банковскому рынку в 2026 году (замеры Frank RG, аналитической компании, которая с 2008 года исследует банковский рынок). Эти средние значения интереснее собственных цифр Сбера. В чатах банковский рынок почти догнал Сбер - в среднем автоматизация 67%. В звонках этот же рынок отстал от Сбера почти втрое - в среднем автоматизация только 23%.
Банковский чат-бот перестал быть конкурентным преимуществом. Когда автоматизация чатов по банковскому рынку дошла до 67%, чат-бот в банке стал гигиеническим минимумом, как когда-то мобильное приложение. В переписке с клиентами гонка банков идёт уже за качество машинных ответов. В апреле 2026-го vc.ru рассказывал, что Альфа-Банк с конца 2025 года держит в поддержке клиентов 10 ИИ-операторов на базе LLM. За первые месяцы работы эти 10 операторов разобрали больше 500 тысяч клиентских обращений, а качество их ответов в Альфе оценивают в 90 баллов из 100 (это уровень её лучших живых специалистов). Правда, 14% клиентов Альфы просят живого человека сразу, ещё при открытии чата - эти 14% её ИИ-операторам не достаются вовсе.
Звонок же обходится банку дороже чата (живой оператор занят одним звонящим от «алло» до «всего доброго», в чатах тот же оператор ведёт несколько диалогов сразу), а уровень автоматизации звонков у банков - это те самые 23%. Загнать все звонки в чат банк не может (канал связи выбирает сам клиент). Автоматизированный звонок - это звонок, где живой оператор не понадобился. Если считать так, из каждых 100 входящих звонков у банка со среднерыночными 23% автоматизации живой оператор нужен на 77 звонках, у Сбера с его 66% - на 34 звонках. За каждым таким звонком стоят оплаченные рабочие минуты живого оператора, то есть деньги банка. Выходит, банк со средними 23% автоматизации оплачивает на 43 звонка из каждых 100 больше, чем Сбер, - вот откуда берётся разрыв в себестоимости обслуживания клиентов в звонках, и эта переплата набегает заново каждый день, пока клиенты звонят. Думаю, через год этот разрыв станет только шире.
Мы в БизнесМатике как раз собираем голосовых агентов для банковских контакт-центров (на языковой модели, с доступом к базе знаний самого банка и с передачей сложных звонков живому оператору) 😎
Обе эти цифры - из пресс-релиза, который Сбер выпустил в июне 2026 года. Сбер отчитался, что автоматизация у него дошла до 71% клиентских обращений в чатах и до 66% в звонках. Рядом в том же релизе - эти же два показателя в среднем по банковскому рынку в 2026 году (замеры Frank RG, аналитической компании, которая с 2008 года исследует банковский рынок). Эти средние значения интереснее собственных цифр Сбера. В чатах банковский рынок почти догнал Сбер - в среднем автоматизация 67%. В звонках этот же рынок отстал от Сбера почти втрое - в среднем автоматизация только 23%.
Банковский чат-бот перестал быть конкурентным преимуществом. Когда автоматизация чатов по банковскому рынку дошла до 67%, чат-бот в банке стал гигиеническим минимумом, как когда-то мобильное приложение. В переписке с клиентами гонка банков идёт уже за качество машинных ответов. В апреле 2026-го vc.ru рассказывал, что Альфа-Банк с конца 2025 года держит в поддержке клиентов 10 ИИ-операторов на базе LLM. За первые месяцы работы эти 10 операторов разобрали больше 500 тысяч клиентских обращений, а качество их ответов в Альфе оценивают в 90 баллов из 100 (это уровень её лучших живых специалистов). Правда, 14% клиентов Альфы просят живого человека сразу, ещё при открытии чата - эти 14% её ИИ-операторам не достаются вовсе.
Звонок же обходится банку дороже чата (живой оператор занят одним звонящим от «алло» до «всего доброго», в чатах тот же оператор ведёт несколько диалогов сразу), а уровень автоматизации звонков у банков - это те самые 23%. Загнать все звонки в чат банк не может (канал связи выбирает сам клиент). Автоматизированный звонок - это звонок, где живой оператор не понадобился. Если считать так, из каждых 100 входящих звонков у банка со среднерыночными 23% автоматизации живой оператор нужен на 77 звонках, у Сбера с его 66% - на 34 звонках. За каждым таким звонком стоят оплаченные рабочие минуты живого оператора, то есть деньги банка. Выходит, банк со средними 23% автоматизации оплачивает на 43 звонка из каждых 100 больше, чем Сбер, - вот откуда берётся разрыв в себестоимости обслуживания клиентов в звонках, и эта переплата набегает заново каждый день, пока клиенты звонят. Думаю, через год этот разрыв станет только шире.
Мы в БизнесМатике как раз собираем голосовых агентов для банковских контакт-центров (на языковой модели, с доступом к базе знаний самого банка и с передачей сложных звонков живому оператору) 😎
❤1
ИИ может приносить российским девелоперам до 900 млрд рублей в год. Пока что девелоперы учат этот ИИ продавать квартиры.
Эта оценка - из июньской статьи 2026 года в ИТ-издании ComNews про ИИ в стройке, и речь там про комплексное внедрение по всей отрасли (те же деньги - это 0,4% ВВП России). Оценка есть оценка, спорить с ней можно. Мне интереснее другое - куда девелоперы ставят этот ИИ в первую очередь.
Витриной девелопмента стал ИИ в продажах. Отраслевой портал Всеостройке.рф рассказывал, как у Самолёта нейросеть подбирает планировки под предпочтения конкретного покупателя - за полгода работы доля подборок, которые покупатели согласовали, выросла на 4 процентных пункта, а сам подбор принёс Самолёту 96 дополнительно проданных квартир (красивый кейс, такое любит любой совет директоров).
А прибыль у девелоперов тем временем тает на стройке. Брак, который нашли только на приёмке. Простой бригады, который никто не записал. Отделка, которую переделывают за счёт девелопера. Свести эти потери в одну цифру мало кто берётся - они расползаются по разным бумагам, а кое-что и вовсе остаётся только в памяти прораба. Скептик скажет, что на стройке грязь, хаос и подрядчики - какой там ИИ. А Самолёт, который тот же портал называет лидером девелоперов по цифровизации, выгоду от ИИ ищет ровно на стройке. Камеры на стройках Самолёта следят, как идут работы, и сверяют увиденное с графиком. На внутренней приёмке сотрудник Самолёта идёт по объекту с камерой на каске, и ИИ сам фиксирует прогресс отделки. По оценкам девелоперов, приведённым на Всеостройке.рф, одно внедрённое ИИ-решение (любое - хоть в продажах, хоть на стройке) может приносить компании от 0,5 до 1% прибыли.
Девелоперу поменьше Самолёта я бы ставил ИИ на стройку даже раньше, чем в отдел продаж. Продажи у девелоперов давно посчитаны до рубля, а стройконтроль у многих держится на бумажных журналах и личных обходах прораба - потому на стройке до сих пор лежат так и не посчитанные проценты прибыли. Думаю, ближайшую пару лет ИИ у девелоперов будет окупаться быстрее всего именно на этом - на устранении невидимых потерь стройки.
Мы в БизнесМатике собираем такую механику для девелоперов среднего размера - компьютерное зрение на стройплощадке плюс языковая модель, которая по видео со стройплощадки пишет отчёты для строительного директора (что отстаёт от графика, где брак, что приняли с замечаниями) 😎
Эта оценка - из июньской статьи 2026 года в ИТ-издании ComNews про ИИ в стройке, и речь там про комплексное внедрение по всей отрасли (те же деньги - это 0,4% ВВП России). Оценка есть оценка, спорить с ней можно. Мне интереснее другое - куда девелоперы ставят этот ИИ в первую очередь.
Витриной девелопмента стал ИИ в продажах. Отраслевой портал Всеостройке.рф рассказывал, как у Самолёта нейросеть подбирает планировки под предпочтения конкретного покупателя - за полгода работы доля подборок, которые покупатели согласовали, выросла на 4 процентных пункта, а сам подбор принёс Самолёту 96 дополнительно проданных квартир (красивый кейс, такое любит любой совет директоров).
А прибыль у девелоперов тем временем тает на стройке. Брак, который нашли только на приёмке. Простой бригады, который никто не записал. Отделка, которую переделывают за счёт девелопера. Свести эти потери в одну цифру мало кто берётся - они расползаются по разным бумагам, а кое-что и вовсе остаётся только в памяти прораба. Скептик скажет, что на стройке грязь, хаос и подрядчики - какой там ИИ. А Самолёт, который тот же портал называет лидером девелоперов по цифровизации, выгоду от ИИ ищет ровно на стройке. Камеры на стройках Самолёта следят, как идут работы, и сверяют увиденное с графиком. На внутренней приёмке сотрудник Самолёта идёт по объекту с камерой на каске, и ИИ сам фиксирует прогресс отделки. По оценкам девелоперов, приведённым на Всеостройке.рф, одно внедрённое ИИ-решение (любое - хоть в продажах, хоть на стройке) может приносить компании от 0,5 до 1% прибыли.
Девелоперу поменьше Самолёта я бы ставил ИИ на стройку даже раньше, чем в отдел продаж. Продажи у девелоперов давно посчитаны до рубля, а стройконтроль у многих держится на бумажных журналах и личных обходах прораба - потому на стройке до сих пор лежат так и не посчитанные проценты прибыли. Думаю, ближайшую пару лет ИИ у девелоперов будет окупаться быстрее всего именно на этом - на устранении невидимых потерь стройки.
Мы в БизнесМатике собираем такую механику для девелоперов среднего размера - компьютерное зрение на стройплощадке плюс языковая модель, которая по видео со стройплощадки пишет отчёты для строительного директора (что отстаёт от графика, где брак, что приняли с замечаниями) 😎
❤1
БизнесМатика
179 закупок за неделю, наших из них - пять. Как ИИ-конвейер находит их сам
За одну обычную июльскую неделю 2026 года рынок опубликовал 179 закупок с нашими ключевыми словами. Вручную мы в БизнесМатике разбирали около 12 тендеров в…
Доверял ли я тому, что наша тендерная система видит весь рынок? Нет, и правильно делал. В конце июля рассылкой стороннего агрегатора мне пришёл конкурс на внедрение ИИ-агентов. Ближе этой темы для нас ничего не бывает, и система его вообще не видела - в её базе конкурса не было.
Система в тот день обнаруживала тендеры, подставляя слова нашего словаря в поиск агрегатора закупок TenderGuru. Ни одно слово того словаря в название конкурса не попало. Дальше стало ещё интереснее. Добавить в словарь слово «ИИ-агент» не помогло бы, потому что поиск TenderGuru по этому слову наш конкурс не находит, хотя оно стоит прямо в названии. Обнаружение работало, только когда мы угадали формулировку и чужой поисковый индекс с нами согласился.
Поэтому поиск по словам мы из обнаружения убрали совсем. Теперь система читает у TenderGuru ленты целевых площадок целиком и отбирает своё сама, по собственным правилам профиля. Обычный код без всякого ИИ прогоняет через эти правила каждое название закупки и отсеивает всё, в чём нашей работы нет. А каждый тендер, заведённый руками, система ищет у TenderGuru и записывает себе промах, если не находит.
Дыру в обнаружении мы закрыли не до конца, потому что закупки с площадки, ленту которой мы ещё не читаем, система по-прежнему не увидит. Система, которая ведёт реестр собственных промахов, вызывает больше доверия, чем система, у которой промахов «не бывает».
Как устроена вся система, от объявления до подачи заявки, - в кейсе, который мы на прошлой неделе выложили на сайт.
Система в тот день обнаруживала тендеры, подставляя слова нашего словаря в поиск агрегатора закупок TenderGuru. Ни одно слово того словаря в название конкурса не попало. Дальше стало ещё интереснее. Добавить в словарь слово «ИИ-агент» не помогло бы, потому что поиск TenderGuru по этому слову наш конкурс не находит, хотя оно стоит прямо в названии. Обнаружение работало, только когда мы угадали формулировку и чужой поисковый индекс с нами согласился.
Поэтому поиск по словам мы из обнаружения убрали совсем. Теперь система читает у TenderGuru ленты целевых площадок целиком и отбирает своё сама, по собственным правилам профиля. Обычный код без всякого ИИ прогоняет через эти правила каждое название закупки и отсеивает всё, в чём нашей работы нет. А каждый тендер, заведённый руками, система ищет у TenderGuru и записывает себе промах, если не находит.
Дыру в обнаружении мы закрыли не до конца, потому что закупки с площадки, ленту которой мы ещё не читаем, система по-прежнему не увидит. Система, которая ведёт реестр собственных промахов, вызывает больше доверия, чем система, у которой промахов «не бывает».
Как устроена вся система, от объявления до подачи заявки, - в кейсе, который мы на прошлой неделе выложили на сайт.
❤1👍1🔥1
В конце июля мы не пустили в своё предложение три позиции одной услуги. Они прожили внутри ровно сутки. Появились в рабочем черновике и были вычеркнуты на следующий день, клиентам мы их не показывали.
Во всех трёх у клиента не появлялось ничего нашего. Мы настраивали бы ему чужие готовые сервисы и брали за это деньги плюс годовое сопровождение, а подписку он покупал бы напрямую у поставщика. На второй год платить нам стало бы не за что, потому что всё настроенное осталось бы внутри его же подписки.
Речь про протоколирование встреч. Контур.Толк сам фиксирует принятые решения и собирает список задач с ответственными и дедлайнами, если их обсуждали. Работает это на тарифах «Бизнес Плюс» и «Безлимит», а на «Старте», «Профи» и «Бизнесе» опцию видно в интерфейсе, но нужно обновить тариф. Краткий пересказ идёт на всех облачных тарифах, кроме «Старта». Встречу при этом надо записывать. У МТС Линка расшифровка и резюме есть на Enterprise, Enterprise Total и академических тарифах, а на линейке «Встречи» их нет. Это по справкам вендоров, открытым 4 августа.
Задача при этом настоящая. Когда мы её разбирали, счёт выходил такой. Партнёры и менеджеры консалтинговой компании проводят по три-шесть клиентских встреч в день и после каждой тратят от получаса до часа на расшифровку, резюме, решения, задачи и запись всего этого в CRM. От полутора до шести часов в день уходит на протоколы. Просто закрывает их теперь тариф.
Четвёртая позиция услуги осталась, и это единственное место в ней, где у клиента появляется что-то наше. Мы собираем черновик нового коммерческого предложения по архиву прошлых. Сейчас менеджер ищет похожие руками и правит их, это два-восемь часов на каждое предложение. И берёмся мы, только если на эту работу уходит от девятисот часов в месяц, а это 5,6 человека полного дня. Ниже пилот не окупается за четыре месяца по нашему счёту, и мы его не предлагаем.
Критерий у нас после этого разбора один. Появляется ли у клиента что-то наше. Если задача целиком закрывается чужой подпиской, мы за неё не берёмся. Проверяем это на бесплатной дискавери-встрече, и иногда самый выгодный для вас вывод там - ничего не покупать 🙂
Во всех трёх у клиента не появлялось ничего нашего. Мы настраивали бы ему чужие готовые сервисы и брали за это деньги плюс годовое сопровождение, а подписку он покупал бы напрямую у поставщика. На второй год платить нам стало бы не за что, потому что всё настроенное осталось бы внутри его же подписки.
Речь про протоколирование встреч. Контур.Толк сам фиксирует принятые решения и собирает список задач с ответственными и дедлайнами, если их обсуждали. Работает это на тарифах «Бизнес Плюс» и «Безлимит», а на «Старте», «Профи» и «Бизнесе» опцию видно в интерфейсе, но нужно обновить тариф. Краткий пересказ идёт на всех облачных тарифах, кроме «Старта». Встречу при этом надо записывать. У МТС Линка расшифровка и резюме есть на Enterprise, Enterprise Total и академических тарифах, а на линейке «Встречи» их нет. Это по справкам вендоров, открытым 4 августа.
Задача при этом настоящая. Когда мы её разбирали, счёт выходил такой. Партнёры и менеджеры консалтинговой компании проводят по три-шесть клиентских встреч в день и после каждой тратят от получаса до часа на расшифровку, резюме, решения, задачи и запись всего этого в CRM. От полутора до шести часов в день уходит на протоколы. Просто закрывает их теперь тариф.
Четвёртая позиция услуги осталась, и это единственное место в ней, где у клиента появляется что-то наше. Мы собираем черновик нового коммерческого предложения по архиву прошлых. Сейчас менеджер ищет похожие руками и правит их, это два-восемь часов на каждое предложение. И берёмся мы, только если на эту работу уходит от девятисот часов в месяц, а это 5,6 человека полного дня. Ниже пилот не окупается за четыре месяца по нашему счёту, и мы его не предлагаем.
Критерий у нас после этого разбора один. Появляется ли у клиента что-то наше. Если задача целиком закрывается чужой подпиской, мы за неё не берёмся. Проверяем это на бесплатной дискавери-встрече, и иногда самый выгодный для вас вывод там - ничего не покупать 🙂
🔥2
«Обновления, которые вендор выпускал для других клиентов, могли влиять на наше качество». Эту строчку опубликовал крупный российский интегратор в разборе собственного ИИ-ассистента по внутренним документам.
Это разбор КРОКа на Хабре, март 2026 года. Ассистент по регламентам, методичкам, договорам и проектной документации, целиком внутри закрытого контура. Ядро системы они купили готовым у внешнего поставщика. В списке того, что далось им с этой платформой тяжелее всего, первым пунктом стоят его апдейты, менявшие качество, и метрика при них 85 процентов и 70. Что именно считают этими процентами, статья не поясняет.
Задача, с которой они начинали, знакома всем, у кого документов много. Поиск по внутренним документам формально работает, но нужное находится не сразу, и сотрудники нередко тратят часы, вспоминая формулировку документа, его место и контекст. Заметнее всего это для новых сотрудников и для любого, кто полез в документы, с которыми раньше не работал.
Сложнее техники, по их же словам, оказались процессы с поставщиком. Выстраивать пришлось, дословно, «регулярные статусы; прозрачность поставок; понятную схему согласования изменений».
Качество ответов они при этом меряют на собственных данных. Формируют эталонные документы и вопросы, прогоняют по ним систему и измеряют метрику. Фактический ответ сличается с ожидаемым по заданным критериям, сначала это делали руками, потом отдали отдельной модели, а случаи из живой работы пополняют библиотеку тестов. Свои наборы документов и типовых вопросов они готовили ещё на этапе выбора поставщика и по ним мерили качество ответов у кандидатов.
Дальше моё, в статье этого нет. Выглядит эталонный набор буднично. Профильный эксперт заказчика сам пишет список вопросов и правильные ответы к ним. Этот список и есть эталон, с которым дальше сверяют машину. У нас таких расчётов по пилотам одиннадцать, и в десяти из них этап, где заказчик собирает эталон и прогоняет по нему проверку, оказывается самым дорогим по его времени, от 32 до 82 часов его собственных специалистов.
У КРОКа история кончилась хорошо, система дошла до рабочего состояния. Но дошла она через почти год совместной работы с поставщиком. Мне кажется, граница между теми, у кого ИИ работает, и теми, у кого он однажды перестал, проходит именно здесь, по наличию своего эталона. Мы этот этап ставим в план пилота отдельной строкой, потому что без него о качестве ответов приходится верить подрядчику на слово.
Это разбор КРОКа на Хабре, март 2026 года. Ассистент по регламентам, методичкам, договорам и проектной документации, целиком внутри закрытого контура. Ядро системы они купили готовым у внешнего поставщика. В списке того, что далось им с этой платформой тяжелее всего, первым пунктом стоят его апдейты, менявшие качество, и метрика при них 85 процентов и 70. Что именно считают этими процентами, статья не поясняет.
Задача, с которой они начинали, знакома всем, у кого документов много. Поиск по внутренним документам формально работает, но нужное находится не сразу, и сотрудники нередко тратят часы, вспоминая формулировку документа, его место и контекст. Заметнее всего это для новых сотрудников и для любого, кто полез в документы, с которыми раньше не работал.
Сложнее техники, по их же словам, оказались процессы с поставщиком. Выстраивать пришлось, дословно, «регулярные статусы; прозрачность поставок; понятную схему согласования изменений».
Качество ответов они при этом меряют на собственных данных. Формируют эталонные документы и вопросы, прогоняют по ним систему и измеряют метрику. Фактический ответ сличается с ожидаемым по заданным критериям, сначала это делали руками, потом отдали отдельной модели, а случаи из живой работы пополняют библиотеку тестов. Свои наборы документов и типовых вопросов они готовили ещё на этапе выбора поставщика и по ним мерили качество ответов у кандидатов.
Дальше моё, в статье этого нет. Выглядит эталонный набор буднично. Профильный эксперт заказчика сам пишет список вопросов и правильные ответы к ним. Этот список и есть эталон, с которым дальше сверяют машину. У нас таких расчётов по пилотам одиннадцать, и в десяти из них этап, где заказчик собирает эталон и прогоняет по нему проверку, оказывается самым дорогим по его времени, от 32 до 82 часов его собственных специалистов.
У КРОКа история кончилась хорошо, система дошла до рабочего состояния. Но дошла она через почти год совместной работы с поставщиком. Мне кажется, граница между теми, у кого ИИ работает, и теми, у кого он однажды перестал, проходит именно здесь, по наличию своего эталона. Мы этот этап ставим в план пилота отдельной строкой, потому что без него о качестве ответов приходится верить подрядчику на слово.
❤2👍1
БизнесМатика
Рейтинг LLM-платформ для внедрения в контуре компании. Семь российских платформ 2026 года
Сравнение 7 российских LLM-платформ для установки в инфраструктуре заказчика, включая закрытый контур. Критерии сравнения включают сменяемость LLM, маскирование персональных данных и журнал действий.
Мы выпустили рейтинг LLM-платформ, в котором наша ИИ-платформа Svaya заняла первое место.
Это рейтинг про отдельную категорию софта. Банкам, страховым и промышленным компаниям часто нельзя выпускать перс. данные клиентов и внутренние документы за периметр своей сети, а прикладные задачи для LLM у них во многом те же, что у остальных. Под это ограничение сложились платформы, которые ставятся в инфраструктуре заказчика, включая закрытый контур без доступа в интернет. Мы сравнили 7 российских платформ по шести критериям - платформ, которые заявляют такую поставку или, как минимум, хранение данных внутри периметра заказчика. По нашему опыту, эти 6 пунктов заказчики выясняют у вендора первыми: от работы в контуре и поиска по документам компании до того, получает ли заказчик исходный код.
В тексте рейтинга объяснили, почему в рейтинге нет самих GigaChat и YandexGPT, хотя платформа GigaChat Enterprise в нём есть. LLM отвечает на запрос. Платформа отвечает за то, что происходит вокруг него. Кто имеет право его задать и по каким документам. Что замаскировать до отправки текста в LLM. Что записать в журнал для службы безопасности. Как заменить LLM, когда выйдет лучшая версия.
В конце статьи собраны пять вопросов заказчика к вендору перед выбором ИИ-платформы (любому, включая нас самих). Например, что нужно для старта (покупка программно-аппаратного комплекса или установка на имеющиеся серверы) или сколько инженеров (вендора или своих) потребует сопровождение.
Полный текст рейтинга тут.
Это рейтинг про отдельную категорию софта. Банкам, страховым и промышленным компаниям часто нельзя выпускать перс. данные клиентов и внутренние документы за периметр своей сети, а прикладные задачи для LLM у них во многом те же, что у остальных. Под это ограничение сложились платформы, которые ставятся в инфраструктуре заказчика, включая закрытый контур без доступа в интернет. Мы сравнили 7 российских платформ по шести критериям - платформ, которые заявляют такую поставку или, как минимум, хранение данных внутри периметра заказчика. По нашему опыту, эти 6 пунктов заказчики выясняют у вендора первыми: от работы в контуре и поиска по документам компании до того, получает ли заказчик исходный код.
В тексте рейтинга объяснили, почему в рейтинге нет самих GigaChat и YandexGPT, хотя платформа GigaChat Enterprise в нём есть. LLM отвечает на запрос. Платформа отвечает за то, что происходит вокруг него. Кто имеет право его задать и по каким документам. Что замаскировать до отправки текста в LLM. Что записать в журнал для службы безопасности. Как заменить LLM, когда выйдет лучшая версия.
В конце статьи собраны пять вопросов заказчика к вендору перед выбором ИИ-платформы (любому, включая нас самих). Например, что нужно для старта (покупка программно-аппаратного комплекса или установка на имеющиеся серверы) или сколько инженеров (вендора или своих) потребует сопровождение.
Полный текст рейтинга тут.
❤2👍2
БизнесМатика
Платформа для внедрения языковых моделей - это не обертка над GigaChat. Как устроена наша Svaya, от маскирования персональных данных…
БизнесМатика - это ИТ-компания, которая работает с 2012 года. Мы занимаемся заказной разработкой ПО и внедряем проекты на базе языковых моделей (LLM) для…
В России подписан закон об ИИ, 243-ФЗ, с 1 сентября он вступает в силу. Сам закон про большие фундаментальные ИИ-модели, включая LLM, и про господдержку их развития. Выглядит темой для разработчиков, а на деле задевает и обычные внедрения, где языковая модель встроена в рабочий процесс.
Закон описывает большие фундаментальные модели, от миллиарда параметров, и вводит для них две категории. Суверенная модель разработана российским юрлицом, контролируется им на всех стадиях жизненного цикла и живёт в российских дата-центрах. Национальную тоже разрабатывает российское юрлицо, но она может использовать зарубежные компоненты с открытой лицензией. Обе категории дают господдержку и доступ к государственным данным для обучения. Ещё одна норма отдаёт государству право требовать только российские модели в отдельных госсистемах и других чувствительных сферах.
Для внедрений это меняет порядок вопросов. Модель привыкли выбирать по тому, как она справляется с конкретной задачей. Теперь рядом с бенчмарком встаёт регуляторный статус. Какая модель лучшая, решает замер. Какая допустимая, решает регулятор, причём перечень чувствительных сфер закон оставляет за государством, и ответ может измениться после того, как ваш проект уже запущен.
Кроме этого, закон обязывает крупные площадки дать пользователям возможность помечать созданные нейросетями аудио- и визуальные материалы, а разработчикам разрешает обучать модели на правомерно доступных объектах авторского права. Детали в новости на Хабре.
Практический вывод архитектурный. Внедрение не должно прирастать к конкретной модели. Такая жёсткая связка превращает любой поворот регулятора в переписывание прикладной части, по цене нового проекта. Мы поэтому заложили сменяемость LLM в архитектуру своей ИИ-платформы Svaya. GigaChat, YandexGPT и открытые модели меняются в ней как компонент, прикладная часть остаётся на месте. Как это устроено, описано на сайте. Спросите свою команду, во что обойдётся замена модели в том, что у вас уже работает, и лучше до 1 сентября.
Закон описывает большие фундаментальные модели, от миллиарда параметров, и вводит для них две категории. Суверенная модель разработана российским юрлицом, контролируется им на всех стадиях жизненного цикла и живёт в российских дата-центрах. Национальную тоже разрабатывает российское юрлицо, но она может использовать зарубежные компоненты с открытой лицензией. Обе категории дают господдержку и доступ к государственным данным для обучения. Ещё одна норма отдаёт государству право требовать только российские модели в отдельных госсистемах и других чувствительных сферах.
Для внедрений это меняет порядок вопросов. Модель привыкли выбирать по тому, как она справляется с конкретной задачей. Теперь рядом с бенчмарком встаёт регуляторный статус. Какая модель лучшая, решает замер. Какая допустимая, решает регулятор, причём перечень чувствительных сфер закон оставляет за государством, и ответ может измениться после того, как ваш проект уже запущен.
Кроме этого, закон обязывает крупные площадки дать пользователям возможность помечать созданные нейросетями аудио- и визуальные материалы, а разработчикам разрешает обучать модели на правомерно доступных объектах авторского права. Детали в новости на Хабре.
Практический вывод архитектурный. Внедрение не должно прирастать к конкретной модели. Такая жёсткая связка превращает любой поворот регулятора в переписывание прикладной части, по цене нового проекта. Мы поэтому заложили сменяемость LLM в архитектуру своей ИИ-платформы Svaya. GigaChat, YandexGPT и открытые модели меняются в ней как компонент, прикладная часть остаётся на месте. Как это устроено, описано на сайте. Спросите свою команду, во что обойдётся замена модели в том, что у вас уже работает, и лучше до 1 сентября.
❤2👍1
Вышел Рейтинг Чиллнета 2026. БизнесМатика в нём на 26-м месте из ста в разделе аутстаффа и на 64-м из ста в разделе мобильной разработки. Разница между этими двумя строчками объясняется механикой рейтинга, и её стоит разобрать.
Чиллнет устроен непривычно. Он не собирает заявки и анкеты. Автор берёт четыре давно живущих рейтинга подрядчиков, Рейтинг Рунета, Workspace, Tagline и Digirate, и складывает места компаний в них. Правило сформулировано прямо. «Чем в большем количестве рейтингов компания участвует и чем выше ее места в них, тем больше баллов». Разделов пять, по сотне компаний в каждом. Сайты, мобильные приложения, аутстафф, дизайн, seo.
Отсюда следует, что балл здесь измеряет присутствие компании в чужих рейтингах. Наши две строчки это показывают. Раздел аутстаффа собран из трёх источников, и мы есть во всех трёх, правда не в верхах, на 36-м, 24-м и 57-м местах. В сумме 62 балла и 26-я строка. Раздел мобильной разработки собран из четырёх источников, и мы попали ровно в один. В сумме 41 балл и 64-я строка. О том, как мы делаем мобильные проекты, эта разница не говорит ничего.
Тому, кто выбирает подрядчика, отсюда следует простое. Агрегатор годится как список кандидатов. Оценкой работы он быть не может по устройству. Компания, которая не подавалась ни в один рейтинг, получит ноль, как бы она ни вела проекты. Смотреть надо методику первоисточника. Что там вообще ранжируется, отзывы, выручка, кейсы или аккуратно заполненная анкета.
Поэтому свои 26-е и 64-е места мы называем как есть, вместе с механикой, по которой они получились. Если рейтинг попадётся вам при выборе подрядчика, откройте его методику и спросите самого подрядчика, за что он получил своё место. Сам Рейтинг Чиллнета тут.
Чиллнет устроен непривычно. Он не собирает заявки и анкеты. Автор берёт четыре давно живущих рейтинга подрядчиков, Рейтинг Рунета, Workspace, Tagline и Digirate, и складывает места компаний в них. Правило сформулировано прямо. «Чем в большем количестве рейтингов компания участвует и чем выше ее места в них, тем больше баллов». Разделов пять, по сотне компаний в каждом. Сайты, мобильные приложения, аутстафф, дизайн, seo.
Отсюда следует, что балл здесь измеряет присутствие компании в чужих рейтингах. Наши две строчки это показывают. Раздел аутстаффа собран из трёх источников, и мы есть во всех трёх, правда не в верхах, на 36-м, 24-м и 57-м местах. В сумме 62 балла и 26-я строка. Раздел мобильной разработки собран из четырёх источников, и мы попали ровно в один. В сумме 41 балл и 64-я строка. О том, как мы делаем мобильные проекты, эта разница не говорит ничего.
Тому, кто выбирает подрядчика, отсюда следует простое. Агрегатор годится как список кандидатов. Оценкой работы он быть не может по устройству. Компания, которая не подавалась ни в один рейтинг, получит ноль, как бы она ни вела проекты. Смотреть надо методику первоисточника. Что там вообще ранжируется, отзывы, выручка, кейсы или аккуратно заполненная анкета.
Поэтому свои 26-е и 64-е места мы называем как есть, вместе с механикой, по которой они получились. Если рейтинг попадётся вам при выборе подрядчика, откройте его методику и спросите самого подрядчика, за что он получил своё место. Сам Рейтинг Чиллнета тут.
❤1🔥1
БизнесМатика
БизнесМатика — Заказная разработка, искусственный интеллект и усиление команд
Системный интегратор: ИИ-трансформация, ИТ-аутстаффинг, заказная разработка для среднего и крупного бизнеса.
Подрядчик, который считает вам смету, редко говорит, что проект вам не нужен. Сегодня мы выложили на сайт числа, ниже которых сами не берёмся за ИИ-проект.
Их десять, по одному на задачу нашей ИИ-платформы Svaya. Каталог примерно от 15 150 позиций для карточек товаров. От 750 часов аудитора в месяц для разбора финансовой отчётности. От 10 человек, занятых вычиткой документов полный день. И так по каждой строке, с ролями и оговорками.
Там же честно написано, чего эти числа стоят. Ни один расчёт ещё не проверен живым проектом. Четыре порога из 10 мы пересчитали 8 августа, потому что старые не сходились с нашим же калькулятором. А одиннадцатую задачу посчитали и пока не продаём. Внутри открыт спор, у кого в ней на самом деле высвобождается время, и мобильное рабочее место для неё пока не построено.
Зачем это читать вам. Найдёте свою строку и до всякой встречи с нами поймёте, проходит ли ваш масштаб. Если не проходит, вы узнали это заранее и бесплатно. Задача остаётся задачей, просто под неё не нужен такой проект. А если ИИ вам предлагает другой подрядчик, в конце есть четыре вопроса ему. Ниже какого объёма вы за эту задачу не берётесь?
Лонгрид целиком лежит по ссылке, читается минут за семь.
Их десять, по одному на задачу нашей ИИ-платформы Svaya. Каталог примерно от 15 150 позиций для карточек товаров. От 750 часов аудитора в месяц для разбора финансовой отчётности. От 10 человек, занятых вычиткой документов полный день. И так по каждой строке, с ролями и оговорками.
Там же честно написано, чего эти числа стоят. Ни один расчёт ещё не проверен живым проектом. Четыре порога из 10 мы пересчитали 8 августа, потому что старые не сходились с нашим же калькулятором. А одиннадцатую задачу посчитали и пока не продаём. Внутри открыт спор, у кого в ней на самом деле высвобождается время, и мобильное рабочее место для неё пока не построено.
Зачем это читать вам. Найдёте свою строку и до всякой встречи с нами поймёте, проходит ли ваш масштаб. Если не проходит, вы узнали это заранее и бесплатно. Задача остаётся задачей, просто под неё не нужен такой проект. А если ИИ вам предлагает другой подрядчик, в конце есть четыре вопроса ему. Ниже какого объёма вы за эту задачу не берётесь?
Лонгрид целиком лежит по ссылке, читается минут за семь.
❤1🔥1