AI и локальные LLM
Практика внедрения языковых моделей в корпоративный контур: где проходит граница между облачной моделью и локальной, почему качество ответов упирается не в модель, а в подготовку данных, и сколько такой проект стоит на самом деле.
-
ИИ для разбора входящих заявок и писем: что можно доверить модели и где нужен человек
Языковая модель хорошо справляется с первичным разбором входящего потока: определяет тему и срочность, вытаскивает из письма ИНН, позиции и количества, заводит карточку в CRM и отдаёт её нужному менеджеру. Ошибается она на редких типах обращений, на вложениях плохого качества и там, где нужно принять решение. Поэтому модель готовит карточку, а человек её подтверждает, пока доля исправлений не станет маленькой.
-
Почему сотрудники не пользуются AI-ассистентом после запуска и что с этим делать
Ассистентом перестают пользоваться в первую неделю, если он несколько раз ответил неправильно, если для вопроса нужно открыть отдельное окно или если непонятно, откуда взят ответ. Поэтому запуск начинают с небольшой группы и вопросов, на которые ассистент точно отвечает, встраивают его туда, где сотрудник уже работает, и показывают источник каждого ответа. Мерить стоит число вопросов на человека в неделю и долю ответов, которые отметили как неверные.
-
Можно ли отправлять данные клиентов и рабочие документы в ChatGPT
Персональные данные клиентов в зарубежный чат-бот отправлять нельзя без соблюдения правил трансграничной передачи из закона о персональных данных, и на практике компания эти правила для личного аккаунта сотрудника не выполнит. С коммерческой тайной закон мягче, но риск тот же: текст уходит на чужой сервер. Запрет без замены не работает, поэтому сотрудникам дают разрешённый инструмент: российскую облачную модель для обезличенных задач или локальную модель для всего остального.
-
Пилот ИИ-проекта: что проверить за месяц, чтобы решить, идти ли дальше
Пилот ИИ-проекта длится 3–6 недель и стоит от 700 тыс. ₽. Его задача в том, чтобы получить решение «идём дальше» или «останавливаемся» на цифрах. Для этого до старта выбирают одну задачу в одном отделе, собирают 50–100 реальных вопросов с эталонными ответами и договариваются, какая доля верных ответов считается успехом. Пилот без этих трёх вещей заканчивается демонстрацией, которая всем понравилась, и непонятно, что делать дальше.
-
Опросный лист для внедрения ИИ: что спросить у руководителей отделов до разговора с подрядчиком
Внедрять ИИ в отдел целиком не получается, берут один повторяющийся процесс. Чтобы его найти, руководителю каждого отдела хватает шести вопросов: какая работа повторяется, где лежат данные, что получается на выходе, кто проверяет, чем грозит ошибка и можно ли отдавать данные наружу. По ответам видно, с чего начать и сколько это будет стоить.
-
Автоматическая генерация документов: когда нужна нейросеть, а когда шаблон
Запрос «нейросеть для генерации документов» просят 311 раз в месяц, «автоматическая генерация документов» — 226. Но в системах, где документ имеет юридическую силу, текст собирают шаблоном, а нейросеть ставят на вход: распознать и разложить данные. Разбираем, из чего состоит генератор документов, что в нём ломается и когда он вам не нужен.
-
Сколько стоит AI-ассистент для отдела продаж и на что уходит бюджет
Полный проект стоит от 3 до 6 млн ₽ и занимает 3–4 месяца, MVP — 4–8 недель. Главная статья расходов не модель, а подготовка каталога и права доступа: именно на них проекты встают после успешной демонстрации.
-
Приводит ли ChatGPT клиентов на сайт: как измерить это по логам
Как посчитать трафик из ChatGPT и других ассистентов по access-логам сервера: какие User-Agent искать, почему цифра легко завышается в семь раз и что показали наши собственные логи за 15 дней.
-
AI-ассистент для отдела продаж: что подготовить до старта проекта
Качество ответов AI-ассистента упирается не в модель, а в подготовку данных. Разбираем, что компания должна привести в порядок до старта: какая система является источником истины по каждому типу данных, что делать с разными CRM после слияний, как проверить готовность архива и какие ответы считать правильными.
-
RAG на реальных корпоративных документах: почему 70% работы — это парсинг, а не нейросеть
Главный источник плохих ответов RAG — не «глупая модель», а мусор, попавший в индекс на этапе парсинга. Разбираем на реальных корпоративных корпусах: постраничная классификация PDF, сериализация таблиц, чистка колонтитулов, версионность, гибридный поиск и голд-сет для оценки качества.
-
Сколько стоит RAG для компании в 2026 году: бюджет, сроки, из чего складывается цена
Пилот RAG на ограниченном корпусе документов стоит от 700 тыс. ₽ и занимает 3–6 недель. Промышленный контур с ролями, аудитом и обновлением индекса — от 2,5 млн ₽ и 2–4 месяца. Разбираем, из чего складывается цена.
-
RAG или fine-tuning: что выбрать для корпоративной LLM
RAG проще внедрить, дешевле поддерживать и даёт ответы с цитатами. Fine-tuning нужен реже, чем кажется. Наш опыт внедрения корпоративных LLM в B2B.
-
Локальная LLM для B2B: когда нужна, сколько стоит, сколько занимает
Локальная LLM оправдана не всегда. Разбираем, когда on-premise экономит, а когда GigaChat или YandexGPT дешевле и точнее. Реальные цифры бюджета и сроков.
Похожая задача в вашем бизнесе?
За 60 минут разберём вашу задачу, покажем архитектуру и оценим бюджет.
Обсудить проект