Внутри AI | Кейсы ИИ Агентов в бизнесе

Больше возможностей для работы с изображениями в Agent Platform

▪️ Добавили топовые графические модели от ведущих провайдеров:

— Google, Nano Banana 2: отличается высоким уровнем детализации, может создавать изображения в разрешении до 4K и точнее понимает контекст сложных запросов

— OpenAI, GPT Image 2: корректно добавляет текст на изображения, стабильнее работает в сериях и генерирует реалистичный UI и скриншоты

— Black Forest Labs, Flux.2: умеет делать фотореалистичные кадры и учитывает данные из открытых источников в реальном времени

Полный список моделей смотрите в комментариях.

▪️ Расширили функциональность для работы с изображениями. Теперь кроме анализа с помощью модели и генерации, доступно редактирование уже созданных иллюстраций через текстовое описание.

Тестируйте обновления в Agent Platform и делитесь впечатлениями

Эпоха жирного SaaS заканчивается

Ещё лет пять назад мы жили так: нужна функциональность — ищешь подходящий инструмент, смотришь его возможности и решаешь, что в своих процессах переделать, с чем смириться, а что донаращивать надстройками и плагинами. И только после этого начинается работа.

Классический пример — JIRA. Инструмент с кучей ограничений, вокруг которого вырос целый рынок плагинов, пытавшихся донастроить отсутствующую функциональность. В итоге получалось дорогое решение, прикрученное скотчем и верёвочкой: вроде работает, но каждая смена процесса — риск, что что-то отвалится или придётся докупать очередную надстройку.

С приходом AI-инструментов для разработки скорость поставки решений выросла, а трудозатраты сократились. Появился ряд продуктов — в их числе моя OKRsana, — которые можно гибко настраивать под себя и запрашивать у поставщика кастомизации, если это по карману (а по карману это обычно только энтерпрайзу). 

Но часть лидов, приходивших ко мне, вообще не хотели внедрять систему целиком и перекраивать процессы под неё. Им были нужны точечные автоматизации. Например, быстрые проверки OKR перед тем, как драфт уйдёт на встречу, или на выравнивание целей по горизонтали и вертикали. И тогда, и сейчас это были кастомные задачи — «возьмётесь ли сделать». 

Сегодня мы можем предложить доменным специалистам самим создавать таких агентов без разработки. И дело здесь не только в стоимости — решение у опытной команды дешёвым не бывает. 

Суть в том, что кастомных агентов нужно поддерживать и развивать: процессы меняются, появляются новые вводные, всегда хочется что-то докрутить. Если агента настраивает и обновляет сам специалист, цикл «есть идея — реализовали — проверили» сокращается в разы. Про этот сдвиг отдельно писали в постах о Spec-Driven Development как новом уровне no-code и агентских автоматизациях.

Долгое время это была задача из элитарных. В больших компаниях сложность создавали согласования: почему разработка должна ставить в приоритет внутренние проекты с трудносчитаемой экономикой, а не задачи внешнего контура. В маленьких своих разработчиков нет, поэтому делать просто некому. Сейчас мы в эпохе новых возможностей ИИ, и вопрос в другом: как сделать среду для создания, проверки и мониторинга агентов настолько простой и дружелюбной, чтобы желание автоматизировать не гасло через пять минут после входа.

KTS разрабатывает продукт — Agent Platform, который закрывает эту потребность. Он даёт доменным специалистам создавать агентов и объединять их в цепочки для автоматизации своих процессов без разработчиков. 

В основе — три принципа:

Простой интерфейс. Как сборка шведской мебели: в комплекте все детали и инструкции, идёшь по шагам, и решение собирается.

Надёжность. Перед выходом в прод агент проходит эвал-, юнит- и интеграционные тесты. Получается решение для промышленного использования, где исключена случайность в качестве ответов.

Дешёвый и простой вход. Можно начать в облаке, а при необходимости (масштаб, требования безопасности) перейти в закрытый контур, сохранив всех агентов и их работу.

Если вам нужно автоматизировать через ИИ часть бизнес-процессов до конца года, пишите, попробуем помочь. Мы предлагаем удочку, а не подсаживаем на постоянные походы в рыбный магазин.

#иван_лавров

Разработали AI-поиск по сотням документов Level Group и получили точность ответов выше 90%

В базе знаний девелопера хранится множество регламентов и инструкции по разным направлениям. При этом данные для ответа на один вопрос могут быть разбросаны сразу по нескольким источникам, объём информации растёт, появляются дубли и устаревшие документы. Всё это замедляет работу с базой знаний и отнимает время сотрудников. 

Чтобы инженеры и менеджеры быстрее получали точные ответы, мы вместе с командой Level Group запустили ИИ-ассистента. Обычно для ускорения поиска используют классический RAG, где система ищет фрагменты по семантической близости. Но для процессов в девелопменте у такого подхода есть ограничения: модель не видит связей между разрозненными чанками и теряет общий контекст.

Для ИИ-ассистента Level Group мы спроектировали архитектуру на базе KTS AI Platform и подключили к ней корпоративную wiki. При разработке решения использовали фреймворк LightRAG, который объединяет векторный и графовый поиск. Такой подход позволяет связывать разрозненные документы в единые смысловые кластеры.

Например, сотрудник спрашивает о порядке действий при обнаружении дефекта. Векторный поиск найдёт шаблон акта осмотра. Графовый свяжет его с регламентами по расчётам с подрядчиками, строительными ГОСТами и сроками устранения. LLM получит полный контекст и сможет точнее сформулировать ответ.

Чтобы быстрее получить измеримый результат и подтвердить эффективность решения перед масштабированием, мы сначала запустили пилот на одном источнике. На подготовленном массиве данных точность ответов превысила 90%. 

Подробнее о том, как подготовили базу данных к подключению LLM и объединили два подхода к поиску, читайте в статье.

Агенты и агентские автоматизации

В прошлом посте писал про Spec-Driven Development, который даёт новый уровень абстракции в nocode-разработке. Теперь сузим скоуп и посмотрим на агентские автоматизации.

Классический сценарий AI-агента — это чат для взаимодействия с пользователем. Сначала такие чатики практически ничего не умели и выступали в роли поисковиков и собеседников. Потом появились инструменты (MCP), которые подключают агента к внешним системам и позволяют выполнять действия. Но принцип оставался тем же: пользователь что-то попросил — ИИ сделал.

Агентская автоматизация работает иначе. Она даёт возможность автономного запуска агентов и делает их полноценными участниками бизнес-процессов.
По сути, это набор детерминированных шагов, внутри которого агенты выполняют действия и при необходимости обращаются к человеку за согласованием плана или подтверждением. Так называемый human in the loop.

Простой пример: есть Excel-таблица, каждую строку которой нужно проскорить по определённым критериям. Процесс можно собрать так:

▫️ сценарий получает строки из таблицы;
▫️ запускает агента и последовательно скорит строки;
▫️ передаёт результат обратно в таблицу или отправляет во внешнюю систему.

Это сочетание жёсткой логики и нейросетевой гибкости даёт два важных плюса.

Предсказуемость. Агент не выдумывает процесс, а идёт по заранее определённым этапам. При необходимости инженеры могут собрать датасеты и улучшить качество агентских шагов.

Экономика. Для подобных задач агент может использовать быстрые и дешёвые модели, что увеличивает его ценовую эффективность. 

Конечно, сценарии могут быть гораздо сложнее: один агент вызывает другого, отдельные шаги запускают дополнительные сценарии. Но в основе остаётся детерминированный цикл.

Именно в этой парадигме мы развиваем новый продукт — Agent Platform. Он позволит предметным специалистам самостоятельно создавать агентов и объединять их в цепочки для автоматизации своих процессов без разработчиков.

Сейчас проводим закрытые пилоты. Скоро расскажем подробнее про работу продукта и откроем запись на демо.

#александр_опрышко

🔥 Вместе с Selectel собрали коллег на встречу «ИИ-шашлыки: Well done. Доводим AI до окупаемости»

Своим опытом поделились Александр Опрышко, управляющий партнёр KTS, и Владислав Кирпинский, директор направлений облачной интеграции Selectel. Вместе обсудили:

💬 сценарии автоматизации поверх базы знаний
💬 выбор инфраструктуры для AI-решения: облако, изоляция или on-prem
💬 переход от RAG к фабрике агентов и окупаемость ИИ на масштабе

Было много инсайтов, интересных знакомств и жарких дискуссий. А атмосферу встречи лучше покажут фотографии — листайте, чтобы узнать, как это было 👀

MCP для Яндекс Трекера пробил 100 звёзд на GitHub⭐️

Когда-то давно мы сделали сервер для собственных процессов: с ним AI-ассистенты создают и обновляют задачи, дополняют описания, оставляют комментарии и фиксируют затраты времени прямо в Трекере.

Потом открыли код на GitHub. И теперь видим больше 100 звёзд и радуемся, что инструмент пригодился и другим командам.

К первой сотне выпустили обновление 0.8.0. Главное изменение: MCP научился работать с проектами, портфелями и целями. Добавили 39 инструментов для поиска, создания, обновления и удаления этих сущностей, а также работы с комментариями.

Теперь агенту можно поручить создать проект, обновить статус цели или собрать информацию по портфелю. Меньше данных придётся переносить вручную между AI-ассистентом и Трекером.

В релизе есть и другие изменения. Полный список собрали в changelog.

Спасибо всем, кто пользуется сервером, ставит звёзды и помогает его развивать! 💚

Какие процессы можно автоматизировать поверх корпоративной базы знаний от KTS × Selectel

ИИ-поиск помогает сотрудникам быстрее находить и проверять информацию. Следующий уровень работы с корпоративными знаниями — автоматизированные цепочки под конкретные процессы компании.

Решение KTS и Selectel можно использовать для различных сценариев:

— подготовки черновиков документов;
— проверки отчётной документации;
— контроля контрактов с поставщиками;
— мониторинга рисков;
— поиска аналогов неисправностей;
— поддержки сотрудников по вопросам техники безопасности и обслуживания оборудования.

Такие цепочки сокращают ручную работу в регламентированных операциях и ускоряют подготовку и согласование документов.

В совместном решении KTS отвечает за платформенный слой: мы разрабатываем ассистентов на базе собственного решения AI Platform. Настраиваем RAG (Retrieval-Augmented Generation), сценарий и логику работы агента, встроенные механизмы контроля (guardrails) и интеграции с источниками данных и корпоративными системами. 

Наш партнёр Selectel обеспечивает инфраструктуру: ассистент может быть развернут как в облаке, так и в контуре заказчика — в этом случае Selectel предоставляет серверы с GPU (графическими процессорами) в аренду, размещая и обслуживая их на площадке клиента.

Обработка данных и эксплуатация — совместная зона: Selectel держит ресурсы и связность, а KTS контролирует индекс, качество и сценарии.

✅ Протестировать решение на собственных документах

Запустили AI-ассистента для ФК «Динамо» Москва

ФК «Динамо» Москва — один из самых известных футбольных клубов России с большой аудиторией болельщиков. У клуба много информационных поводов, а у пользователей регулярно возникают повторяющиеся вопросы: когда следующий матч, где купить билеты, что нового в команде, какие товары доступны в магазине.

Чтобы быстрее обрабатывать такие запросы и снизить нагрузку на поддержку, мы запустили для ФК «Динамо» Москва AI-ассистента. Он уже работает в онлайн-чате на сайте и во внутреннем портале для болельщиков.

Ассистент помогает подобрать товары в интернет-магазине, рассказывает новости, показывает расписание матчей, объясняет, как купить билеты, и предоставляет статистику по игрокам.

Решение разработали за несколько дней на собственной платформе AI Assistant. Агент интегрирован с внутренними системами ФК «Динамо» Москва, поэтому получает актуальные данные в реальном времени и передаёт их в LLM модели для формирования ответа.

Для команды клуба мы также сделали административную панель. В ней можно настраивать сценарии, отслеживать работу ассистента и контролировать качество ответов.

Сейчас вместе с ФК «Динамо» Москва продолжаем расширять функциональность ассистента и добавлять новые точки его присутствия.

KTS × Selectel создали ИИ-поиск для компаний, где каждый ответ нужно подтвердить документом

В строительстве, производстве, добывающей отрасли и финансах сотрудники работают с большими массивами регламентов, ГОСТов и внутренних документов. При подготовке отчёта, прохождении проверки или аудита данные приходится искать в нескольких системах и сверять с первоисточниками. На это может уходить до нескольких часов в день.

Совместное решение KTS и Selectel помогает значительно сократить время поиска информации. Сотрудник задаёт вопрос на естественном языке и получает структурированный ответ со ссылкой на документ и конкретную страницу.

Также ассистент умеет:

— подключаться к wiki, СЭД, файловым хранилищам и нормативным источникам;
— суммаризировать длинные документы;
— выделять тезисы, обязательства и риски;
— экспортировать ответы в Word и PDF;
— учитывать права пользователей через системы управления доступом (IAM и SSO).

Безопасность заложена в архитектуру решения на нескольких уровнях. Система автоматически маскирует чувствительные данные, а встроенные механизмы контроля (guardrails) проверяют запросы и ответы ИИ на соответствие заданным политикам безопасности.

ИИ-ассистент может закрывать большинство рутинных типовых запросов. Благодаря готовой инфраструктуре KTS AI Platform пилот можно запустить за две недели.

Проверьте решение на собственных документах: загрузите их в настроенную базу знаний и оцените качество ответов.

Протестировать ИИ-ассистента

Покупатели часто выбирают квартиры вечером, ночью или в выходные, когда отдел продаж не на связи. Если в этот момент клиент не получает быстрый ответ на вопрос, его интерес остывает.

Мы запустили ИИ-ассистента для девелоперов, который помогает сохранить конверсию воронки продаж и разгрузить менеджеров.

🟢 Ассистент круглосуточно консультирует пользователей, подбирает подходящие лоты по свободному запросу и переводит диалог в запись на просмотр, когда клиент готов.
🟢 Покупатели, которые еще не готовы к разговору с отделом продаж, могут задать вопросы о проекте, ценах и условиях, не опасаясь навязчивых звонков.
🟢 Первичные справочные диалоги ассистент берет на себя, поэтому менеджер подключается сразу к разговору с теплым клиентом.

😎 Подключим ассистента за 2 дня, а если он не принесет больше лидов, пилот будет за наш счёт. Оставить заявку

Как ИИ работает в девелопменте: 8 практических сценариев

Девелоперы накапливают огромные объёмы информации: регламенты, проектную документацию, BIM-отчёты, записи звонков и переписки в CRM. Эти данные находятся в разрозненных источниках, поэтому ручной поиск отнимает время. Сотрудники тонут в операционке, а решения принимаются медленнее.

Ускорить работу с данными и автоматизировать частотные операции, помогают AI-решения. Наш опыт показывает, что большинство прикладных сценариев внедрения строятся на двух механиках:

▫️ анализ базы знаний и контекстный поиск по корпоративным источникам;
▫️ генерация текстовых и визуальных материалов на основе реальных данных компании.

В статье показали 8 рабочих сценариев, для трёх основных этапов: продажи и маркетинг, строительство и эксплуатация.

Например, AI-ассистент во время разговора подсказывает менеджеру ответы по ипотеке и юридическим нюансам. А помощник жителей составляет и регистрирует обращение в УК по короткому голосовому сообщению вроде: «В лифте нет света».

Для каждого решения разобрали требования к данным, сроки запуска проекта и ожидаемый бизнес-эффект.

💬 Заходите почитать

Nocode умер, да здравствует nocode

Всю дорогу разработчики пытались упрощать создание программ. Начинали с Assembler, с каждым новым языком программирования повышали уровень абстракции, создавали библиотеки / фреймворки для упрощения и ускорения разработки.

В итоге мы дошли от Assembler до Python, Go, TypeScript и других языков. Попытались пойти дальше и сделать инструменты nocode — ещё одну абстракцию, которая позволит создавать системы не программистам.

В итоге получали очень нишевый инструмент автоматизации или очередной язык программирования мышкой с проблемами версионируемости и наблюдаемости. Характерный пример — n8n. Кто на нём пытался собрать что-то больше прототипа, неизбежно сталкивался с множеством проблем, которые решались большими костылями.

С приходом кодинговых агентов целесообразность в ноукоде драматически упала: агенты кратно лучше работают с кодом, чем с платформами ноукода, е2е реализуют более сложные системы без болей ноукода, так как системы построены на коде, для которого придумали механизмы версионирования, стабильного обновления и наблюдаемости.

Но все же возникает вопрос, как построить систему с идеологией ноукода, где разрабатывают и обновляют не программисты, есть простой деплой без девопсов и наглядная визуализация. При этом без минусов ноукода, описанных выше.

Этот подход — Spec-Driven Development.

Давайте вспомним подход enterprise-компаний: есть бизнес аналитики, которые формируют требования и скоуп, есть системные аналитики и архитекторы — они придумывают, как система вписывается в текущий ландшафт и взаимодействует с другими системами. Программисту в таких компаниях остаётся транслировать проработанные требования в код, доработав детали, которые не учли на этапе проектирования.

В итоге получается, что текущие процессы компании уже заточены под формирование требований и только процесс создания кода остаётся всё ещё на людях. А что, если принять документацию как код, и на её основе генерировать код с помощью агентов.

В итоге мы получим новый уровень абстракции nocode в виде спецификации и детерминированную реализацию в формате кода и тестов, которая лишена минусов ноукод-систем. При этом полностью отходим от участия кодера (намеренно использовал эту формулировку вместо «разработчика») в создании кода.

Возникает справедливое возражение: агенты же нейрослоп кодовый генерируют. Через некоторое время это невозможно будет поддерживать.

Да, всё так. Поэтому нужно строить принципы-правила-навыки, по которым агент будет работать. То есть задача разработчика смещается от ручной трансляции требований из спецификации в код в создание конвейера для агентов, мониторинга качества «продукции» и оперативного реагирования на нарушение технологического процесса.

Как это реализовать, поделюсь в следующем посте. Чтобы сузить скоуп, расскажу про агентские автоматизации, а не системы общего назначения.

#александр_опрышко

Про ИИ говорят много. Про то, где он реально помогает девелоперам — значительно меньше.

На карточках собрали конкретные сценарии, которые уже используют наши клиенты: с форматом и ожидаемым эффектом. Большинство из них запускается на базе того, что у девелопера уже есть: внутренние документы, регламенты, данные из CRM.

💬 Листайте и оставляйте заявку, чтобы связаться с нашим экспертом и обсудить внедрение ИИ в вашей компании