База знаний
Семь ИИ-разработчиков собрали продукт за 78 часов. Что на самом деле показал эксперимент
Разработчик запустил семь параллельных ИИ-агентов над приложением уровня NotebookLM: 648 pull request и 81 релиз за 78 часов. Что эксперимент доказывает, а что — нет, и что из этого применимо в обычной команде.
Как выбрать ИИ-модель для бизнеса: почему рейтинги нейросетей не гарантируют качество
Публичные рейтинги ИИ-моделей показывают общие способности, но не гарантируют качества в конкретном бизнес-процессе. Разбираем, как выбирать модель под задачу: контрольная выборка, критичные ошибки, стоимость, скорость и пилот на собственных данных.
ИИ сам редактирует сайт. Как дать агенту свободу и не потерять контроль над проектом
Что происходит, когда ИИ-агент сам редактирует сайт: схема с одним редактором, откат кода и контента по отдельности, уроки Tracy и вопрос — нужна ли агенту CMS вообще.
ИИ отвечает по старым документам. Почему корпоративной базе знаний недостаточно просто обновлять файлы
Почему корпоративный ИИ отвечает по устаревшим регламентам: версии, статусы и жизненный цикл документов — то, что не заменит простая загрузка новых файлов.
Локальный ИИ для компании: почему скорость модели почти ничего не говорит о реальной производительности
Токены в секунду почти ничего не говорят о реальной производительности локального ИИ: почему для компании важнее время до первого ответа, одновременная нагрузка, память под контекст и полная стоимость владения.
Кто отвечает за ИИ-автоматизацию после сдачи проекта?
Внедрение ИИ не заканчивается запуском: у автоматизации должен быть бизнес-владелец и ответственный за эксплуатацию. Что входит в сопровождение, чем деградация отличается от ошибки, кто платит за поддержку и что проверить ещё до сдачи проекта.
Идемпотентность для ИИ-агентов: почему промпт не заменяет архитектуру
Что произойдёт, если действие ИИ-агента выполнится дважды: идемпотентность, постоянные идентификаторы бизнес-операций и отдельный статус «результат неизвестен» как обязательные слои надёжности агентной автоматизации.
ИИ записал встречу. Почему этого недостаточно для автоматизации работы с клиентами
Расшифровка встречи — только первый шаг. Разбираем, что нужно, чтобы договорённости действительно превращались в задачи, записи в CRM и проверяемые действия.
Два ИИ приняли разные решения. Как понять, кто из них прав?
Почему две ИИ-системы дают разные ответы на один кейс и обе могут быть правы: эталон решения, согласованность сотрудников и владелец процесса перед автоматизацией.
Автоматизация работает, но ничего не делает: почему зелёные галочки не гарантируют результат
Почему автоматизация может успешно выполняться и не делать полезной работы: тихие сбои, четыре уровня контроля и показатели, которые ловят пустой результат.
Самый опасный ответ ИИ — число, которого нет в документе
Почему «не найдено» — такой же полноценный результат распознавания, как найденная сумма, и почему тестировать ИИ нужно на документах, где части данных нет.
ИИ уже обгоняет бухгалтеров на отдельных задачах. Почему это ещё не значит, что он закроет месяц за вас
Эксперимент Mercor показал: модель решает отдельные бухгалтерские задачи быстрее и точнее людей. Почему это не значит, что ИИ закроет месяц за вас, и с чего на деле начинается автоматизация бухгалтерии.
Автоматизация загрузки банковских выписок в 1С: пример проекта
Пример автоматизации бухгалтерии для 10+ организаций: выписки из почты, определение организации и загрузка в 1С. Неоднозначные случаи проверяет человек.
ИИ ускорил разработку. Теперь узкое место — не написание кода, а его проверка
Как проверять код ИИ: независимые тесты, небольшие изменения и критерии приёмки. Чек-лист проверки и измерение полного цикла разработки.
Ваш ИИ знает старую версию регламента: почему корпоративную базу знаний недостаточно просто загрузить
Как поддерживать актуальность базы знаний ИИ: версии документов, удаление, права доступа и ссылки на источники. Проверки перед запуском пилота.
Почему после автоматизации сотрудники всё равно переносят данные руками
Почему после автоматизации сотрудники продолжают переносить данные вручную. Карта переходов между системами и выбор первой интеграции.
ИИ в CRM: что действительно стоит автоматизировать, а что прекрасно работает без него
Что автоматизировать с ИИ в CRM: подготовку к звонкам, поиск договорённостей и черновики писем. Пример карточки сделки и проверка результата.
Какие данные можно отдавать ChatGPT, а для каких компании нужен свой ИИ-контур
Как выбирать данные для облачного и локального ИИ: публичные документы, внутренняя информация, доступы и действия. Карточка проверки перед передачей.
Как провести обследование компании перед внедрением ИИ: от наблюдения к пилоту
Что собрать перед внедрением ИИ: реальные операции, ручные переходы, ошибки и критерии пилота. Шаблон наблюдения за работой сотрудника.
ИИ сказал «готово»: как проверить, что работа действительно выполнена и не выполнится дважды
Как проверить выполнение действий ИИ-агента: журнал операций, статусы, повторные попытки и защита от дублей. Пример сбоя при создании записи.
С чего начать внедрение ИИ в небольшой компании: не с чат-бота
Как выбрать первую задачу для ИИ: найти дорогую рутину, проверить качество данных и задать критерии пилота. Карточка оценки кандидата.
Вам, скорее всего, не нужен ИИ-агент
Как выбрать между скриптом, интеграцией, моделью и ИИ-агентом. Проверка задачи по входным данным, правилам, действиям и цене ошибки.
Юридически значимая переписка на проекте: почему «чатов» недостаточно
Как сохранять решения по IT-проекту: каналы связи, протокол встречи, ответственные и сроки. Учебный пример письма и связь с SLA.
SLA в digital-проектах: почему об уровне сервиса нужно договариваться на старте
Что согласовать в SLA: часы поддержки, серьёзность инцидентов, сроки реакции и восстановления. Пример карточки обращения и связь с договорённостями.