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 😎

«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 🙂

«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 🙂

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 😎

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) 😎

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) 😎

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.

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 🙂

«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.

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.

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.

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.

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.

Компания, у которой больше ста собственных проектов на генеративном ИИ, публично объяснила, почему один только запрет нейросетей для сотрудников ничего не решает.

Вот как это формулирует «АльфаСтрахование» в свежем августовском пресс-релизе в Ведомостях. «Формальный запрет на использование нейросетей не означает, что сотрудники откажутся от них в работе. Не получив безопасного внутреннего инструмента, они могут загружать договоры, персональные сведения и другую служебную информацию в общедоступные сервисы».

Так говорит страховщик, который сам ведёт больше 100 GenAI-проектов, по его же майской новости на CNews. Внутренний помощник «НейроМаша» уже работает примерно у 10 тысяч страховых агентов компании. Помогает со сложными страховыми продуктами, оценивает клиентскую ситуацию, говорит, попадает ли случай под перечень рисков и какие документы нужны для оформления.

Пока в компаниях обсуждают, «внедрять ли ИИ», сотрудники уже внедрили его себе сами, в первый попавшийся бесплатный чат-бот. Этот вопрос закрыт, и закрыли его не на совете директоров. Открытым остаётся вопрос, что уходит наружу вместе с запросами, которые ваши люди набирают в чужой модели. У страхового агента в руках договоры, паспорта, справки, и удобный внешний сервис не спрашивает, можно ли ему всё это показывать.

Пара этих новостей складывается в одну картину. Спрос сотрудников на нейросети компания признала фактом, с которым бесполезно воевать одним запретом, и дала агентам своё место для рабочих вопросов. Внутренний помощник заточен под продукты самой компании, под то, что агент иначе понёс бы в чужое окно.

Если у вас запрет уже написан, а внутреннего инструмента нет, то пауза во внедрении ИИ вам только кажется. На деле у вас внедрение, которым никто не управляет. Я бы на ближайшей планёрке задал два вопроса. Куда сейчас уходят наши документы? И что мы дадим людям взамен?

Мы в БизнесМатике как раз строим такие инструменты, собираем защищённый контур с языковой моделью внутри периметра, маскируем персональные данные, разграничиваем доступ по ролям. Запретами не занимаемся, ими рынок и так обеспечен 😎

Перевозчикам пообещали отсрочку штрафов за бумажные накладные. Мы пошли смотреть, какие именно штрафы откладывают, и не нашли ни одного, адресованного компании.

В июне на совещании у Президента глава Минтранса предложил до 1 марта 2027 года ограничиваться устным предупреждением, если инспектор при остановке машины получит бумажный документ вместо электронного. Поручение по итогам того совещания опубликовано 19 июля, и круг адресатов в нём шире. Устное замечание обещано участникам перевозочного процесса, а это уже и компании. По федеральным лентам поручение разошлось как отсрочка штрафов.

Ближайшее к такому штрафу в КоАП это часть 2 статьи 12.3, и она про водителя, у которого нет при себе положенных документов, включая товарно-транспортные. Наказание по ней это «предупреждение или наложение административного штрафа в размере пятисот рублей». А решения, которые МВД и Ространснадзор должны принять по июльскому поручению, к концу августа не опубликованы. Принять их велено к 1 сентября.

Зато 1 сентября меняется сама статья 8 Устава автомобильного транспорта. Сегодня она разрешает выбирать форму документа, а с сентября общим правилом становится электронная. «Транспортная накладная формируется в виде электронной транспортной накладной», говорит новая редакция. Восемь случаев, где бумага законна и после этой даты, перечислены приказом Минтранса № 262.

Вот где настоящая цена перехода на электронные накладные. Электронная накладная по формату ФНС включает четыре обязательных файла обмена, и подписывают их три стороны перевозки (грузоотправитель, перевозчик и грузополучатель). Пока хоть одна из них остаётся на бумаге, электронной накладной по вашей перевозке не будет и у вас, как бы рано вы сами ни подключились к оператору информационной системы электронных перевозочных документов.

Одного вашего подключения к оператору мало. За дни, что остались до 1 сентября, имеет смысл обзвонить тех, с кем вы возите, это ваши грузоотправители, грузополучатели и перевозчики, если возите не сами, и задать каждому два вопроса, с каким из таких операторов он работает и на какую дату намечено подключение. Кто не ответит внятно, тот и есть ваша сентябрьская бумага, а её объём меряется в перевозках в неделю, и посчитать его можно прямо сейчас.

В статье эти 8 случаев перечислены с оговорками, которые спрятаны внутри формулировок приказа. Там же разобрано, что приказ выписан до 1 сентября 2032 года, и почему такой срок ничего вам не обещает. Там же свежая деталь про готовность самого государства. Один документ успели дооформить буквально на днях, за двенадцать дней до 1 сентября. Бумагу от неготовых контрагентов разберёт наша ИИ-платформа Svaya. Обзвон, с которого всё начинается, она за вас не сделает.

Лонгрид целиком лежит по ссылке, читается минут за семь.

LeaderChat ставит онлайн-чаты на сайты компаний, клиенты пишут туда про цену, оплату, доставку. В августе о сервисе вышла статья на Хабре по мотивам интервью с CEO Дмитрием Бусовым. «Около 90% обращений состояли из одних и тех же вопросов».

Типовые вопросы там передали языковой модели, сложные диалоги оставили операторам. Стоимость обработки одного лида упала примерно в десять раз против работы живых операторов, качество обработки обращений осталось прежним. Этой экономикой, по статье, заказчиков и убеждали принять переход.

Обработка обращений заказчику действительно обходится значительно дешевле, чем работа живых операторов. Статья говорит это прямо, и я не спорю.

Операторы при этом остались. Сотрудники «перестали тратить время на однотипные консультации и сосредоточились на действительно сложных обращениях», а отдельным пунктом в выводах стоит «Не пытаться заменить человека полностью». Одна фраза статьи читается наоборот. Про отдельный сервис работы с языковыми моделями там сказано, что он «просто заменил прежнее рабочее место оператора». Читаю это как фразу про устройство продукта. Штата она не касается. А расходы на операторов статья с самого начала числит расходами компаний. Бизнесу, по её словам, «содержать полноценную команду операторов дорого». Чего она не говорит, так это какую долю обращений забрала языковая модель.

И вот из-за чего я взялся за этот кейс. Десятикратное удешевление посчитано в расчёте на лид. Стоимость обработки лида и расходы на людей - это разные величины, и падение первой само по себе ничего не говорит о второй.

Строка расходов на людей движется ступенями. Про небольшие компании в статье сказано, что «каждый новый сотрудник - это постоянные расходы на найм, обучение и контроль». Вверх это работает по словам самой статьи. Наняли человека, и расходы на людей выросли скачком. Что вниз то же самое не срабатывает - это уже моё рассуждение. Пока высвобожденные у операторов часы не сложатся в целую ставку, расходы на операторов не изменятся ни на рубль.

Проверьте на своих числах. Долю типовых обращений вы прочитаете по своим диалогам. В LeaderChat 90% нашли именно так. Умножьте годовое число обращений на эту долю, потом на ту её часть, которую заберёт языковая модель, и на время разбора оператором одного типового обращения в часах. Полученные часы поделите на годовой фонд рабочего времени оператора. Вышло 2,5 ставки - убрать можно две, и то если график смен позволит. Вышло 0,8 ставки - нельзя ни одной. Формула считает в мою пользу, и я это признаю. Годовой фонд в знаменателе, график смен только вычитает, высвобождение беру лишь на типовых. Читайте её результат как нижнюю границу.

А рядом в бюджете появляется новая строка, и она не про людей. Заказчик покупает тариф. Что поштучный счёт остаётся на стороне LeaderChat, а к заказчику приходит ступенькой тарифа, я вывожу сам. Как тариф соотносится с убранной ставкой, статья не говорит.

Поэтому в расчёте автоматизации меня занимает другой вопрос. Что произойдёт с расходами на операторов? Ответов несколько, и экономию они дают разную. Кто-то из операторов уйдёт. Кто-то из них перейдёт на продажи, и деньги придут выручкой. Либо расходы на операторов останутся прежними, и тогда выигрыш у вас есть, но лежит он во времени на сложных обращениях.

Одно возражение против себя произнесу сам. Граница простого и сложного уже сдвинулась. В статье сказано, что теперь «можно автоматизировать не только ответы на типовые вопросы, но и полноценные консультации». Если граница сдвинется и дальше, часы, не сложившиеся в ставку сегодня, сложатся позже. Расчёт от этого не отменяется, он делается заново.

Целую ставку убирают решением руководителя. Дробная так не убирается. Иногда она превращается в деньги другой дорогой - через найм, которого не потребуется при росте числа обращений. Оговорюсь сразу, ненанятый человек - это такое же условное допущение, как и кратность, которую я тут разбираю. А иногда дробная часть не превращается ни во что, и это тоже результат расчёта. Знать его лучше заранее.

Мы такой расчёт приносим до пилота, на обращениях и ставках заказчика 🙂

В конце августа мы сели изучать корпоративную ИИ-платформу Landev AI группы компаний ЛАНИТ по её сайту и документации. Первое расхождение между обещанием вендора и его продуктом нашли у себя.

Пункт 4.1 публичной оферты нашей же ИИ-платформы Svaya обещал, что результаты запусков автоматически удаляются через 30 суток. Код этого не делал. Исправили в тот же день, а из способа проверки вырос текст.

Сегодня разбор этой платформы вышел на сайте. На одной странице вендора число названо трижды, и числа не сходятся. В служебном описании стоит «50+» коннекторов, в шапке «более чем 100 приложениям», в тексте ниже «Более 100 готовых коннекторов». А в каталоге на той же странице перечислена 21 позиция, и список обрывается на букве D. Это не доказывает, что коннекторов меньше сотни, каталог может быть просто недописан. А проверить это число по открытым материалам покупатель не может, и вот с таким фактом он приходит на первую встречу с вендором.

Внутри процедура из трёх шагов. Она делит вопросы на те, что закрываются чтением сайта и документации вендора, и те, что закрываются только договором, сколько ни читай. И показывает, как за час-полтора сверить маркетинговую страницу с артефактом, который обязан быть точным. Работает без нас, покупать ничего не нужно.

Свою платформу Svaya мы прогнали той же процедурой. С той самой оферты текст и начинается.

Лонгрид читается минут за пять.

ИИ-платформа Svaya получила 5 баллов из 6 по методике оценки агентности консалтинговой компании «Яков и Партнёры».

Каждый третий российский поставщик ИИ-решений называет свой продукт ИИ-помощником или ИИ-агентом (таких 34% по данным «Якова и Партнёров»), при этом хорошо понимают, что такое ИИ-агент, только 11% людей вне ИИ-отрасли.

Летом 2026 года «Яков и Партнёры» выпустили отчёт «ИИ-агенты: где хайп, а где реальность» и предложили проверять продукты по 6 критериям: агентный цикл, планирование, работа с инструментами, самокоррекция, память и автономное завершение задачи. Методика подсчета такова, что за ответ «да» по критерию дается 1 балл, за «частично» дается 0,5 балла.

Авторы прошли по открытым источникам 12 публичных российских ИИ-продуктов, но не смогли найти полноценных ИИ-агентов. По их данным, вот лучшие результаты у ИИ-платформ для построения агентов:
Yandex AI Studio: 5,5 из 6
GigaChat Enterprise от «Сбера»: 5,0
Agent Platform от Just AI: 5,0
MWS AI Agents Platform от МТС: 4,5.

Мы самостоятельно проделали работу по нашей ИИ-платформе Svaya - прошли по тем же 6 критериям сами и получили оценку 5 из 6. По сумме наш счёт вровень с GigaChat Enterprise и Just AI, выше MWS и ниже Yandex AI Studio. По правилу отчёта 4 «да» дают категорию «агент с ограничениями», полноценный агент начинается с 5 «да». Платформам отчёт ставит отдельный вердикт, «Платформа для сборки агентов», и оговаривает, что этот порог платформа может проходить как элемент инфраструктуры, но готовым бизнес-агентом сама по себе не становится. Svaya - это платформа в том же смысле, и вердикт подходит нам. Отличие в том, кто собирает решения под процессы заказчика. У четвёрки, по отчёту, это сами клиенты, на Svaya собираем мы.
Методика меряет по открытым источникам, то есть по тому, что поставщик о себе написал, и наши 5 баллов стоят на том же.

Что с этими баллами делать покупателю платформы? Проверять коробочных «агентов» по 6 критериям, как советует отчёт, и с этим мы согласны. Попросите у поставщика ещё и запись прогона, где видны проходы цикла, вызовы систем, исправление негодного ответа и отметка человека на точке подтверждения. У нас всё это в сумме видно на двух карточках витрины (карточки товаров и ответ по кредитной заявке). Записи сделаны на нашем стенде на синтетических данных.

На Хабре вышла моя статья, на этот раз инженерная. Два месяца наш внутренний LLM-конвейер читает ленты четырнадцати закупочных площадок, снимает лишнее дешёвой моделью, качает документацию, собирает ТЗ и оценивает закупку по 18 критериям. Человек решает на гейте, в какую закупку следует идти. За это время 4 452 карточки, 23 заявки и 253 записи в журнале разработки, большинство про то, как оно ломалось)

Главное наблюдение неожиданное - промпты скоринга и предскоринга почти не менялись, по сути всё время ушло на доработку кода вокруг LLM. В статье расписаны места, где ломался именно этот код, с числами из трассы: поиск в чужом индексе, который не находит слово из названия; регулярка, где «ПО» совпадало с предлогом «по»; третий вердикт «сомнительно»; отказ LLM, записанный как «критерий пройден»; подвал площадки и иероглиф вместо ТЗ; реестр собственных пропусков.

Статья на Хабре.

Мы в БизнесМатике составили 8 вопросов, которые стоит задать вендору ИИ-платформы до первой встречи, и ответили на них за две платформы сразу, за свою ИИ-платформу Svaya и за Landev AI группы компаний ЛАНИТ, по публичным страницам обеих платформ. Сегодня эта анкета вышла на сайте. Она продолжает статью от 3 сентября, где мы изучали страницы Landev AI, и пост от 8 сентября о том, как мы насчитали Svaya 5 баллов из 6 по критериям агентности из отчёта консалтинговой компании «Яков и Партнёры» 2026 года.

Главное расхождение между двумя платформами нашлось в вопросе, что известно о поведении ИИ до первого запуска. Страница ИИ-агентов на сайте Landev AI описывает агентов, которые сами «формируют пошаговую стратегию» и при этом «Соблюдают ваши правила» (права доступа, compliance, регуляторику), и зовёт читателя собирать их в конструкторе агентов без кода. У Svaya порядок шагов задачи записывает человек (автор описания задачи) до установки платформы у заказчика, платформа проверяет его при установке, и во время прогона (одного исполнения задачи) он остаётся прежним. Самостоятельность у LLM в Svaya есть внутри шага одного вида, агентского, где она сама выбирает, какие инструменты (обращения к системам заказчика и внешним источникам) вызвать и в каком порядке.

Наша позиция такая, потому что там, где ошибка ИИ стоит денег или объяснений регулятору, порядок шагов, зафиксированный до установки, важнее стратегии, которую агент строит на ходу, потому что такой порядок можно показать аудитору до первого запуска. Там, где закон не требует остановки ИИ на решение человека и задача меняется каждую неделю, агент из конструктора даст результат быстрее, чем продукт с порядком шагов, записанным до установки, а про скорость сборки Landev AI обещает, что LanDev AI «помогает быстро создавать, изменять и масштабировать агентов».

Все 8 вопросов и ответы за обе платформы на сайте.