ии кейсы

которые заряжают.

AI-интегратор Inartificial: Практика своих и клиентских внедрений

Наш уникальный опыт  помогает превращать сложные AI-алгоритмы в простые продукты и сервисы. Наши сервисы помогают бизнесу и их любят пользователи.
Сергей Киненбаев
Inartificial, Техлид
20+ лет в разработке: 
  • от Cisco Systems Engineer до AI/ML Tech Lead собственного AI-бизнеса. 
  • 7 лет в Mail.Ru Group (мобильная архитектура), 
  • опыт в Silicon Valley,
  • последние 8 лет строит AI-продукты: от RAG-пайплайнов до диффузионных моделей в production.
Елена Замаруева
Inartificial, Продакт
18+ лет в управлении и IT От бизнес-консалтинга в мейджорах до CEO мультимедиа-компании топового мобильного провайдера и AI-бизнеса. Запускала продукты с нуля, строила команды и процессы, последние 3 года создает B2B и B2C AI-сервисы с фокусом на Product Market Fit.
Наши собственные сервисы и продукты
Когда есть миссия - продукты рождаются органически

AI в рутине AI-компании: 
"Сапожник без сапог"

Парадокс: Artificial < инженеры < Inartificial
ДОРОГО
  Внедрение ИИ в процессы - это время 
 Время ИИ-разработчиков - дорогое 
*НО! MUST ЕСЛИ
  📑 Много документов,
 😰 процессы  (продажи/логистика/пр-во итп) 
 🔟 + команды от 10 человек 

AI в рутине AI-компании: 
или "КОД в сапогах"

Собственный кейс: командный AI-агрегатор швейцарский нож, который пригодился. 
 Простая, но пожирающая время рутина,   задетекчена, с удовольствием обезврежена, автоматизирована   
 и превращена во внутренний аналитический инструмент 
Все как обычно: 
текучка + сезонные всплески
  1. Постоянные затраты 
    на обучение новых сотрудников
  2. Невозможность масштабирования 
    при росте запросов
  3. Неудобные для операторов ДИ
👍 ЭКОНОМИЯ:  $xxxK/год
👍 УВЕЛИЧИМ NPS
Бюджет: САМИ!

💡ЛЕГКО! AI!: 2 доки/400 стр.

 ↓ NPS 
Бизнес-потери:
 ↑ Время ответа  
 ↓ Удовлетворенность 
КЕЙС 1. AI-саппорт ДЛЯ AI-ВЕНДОРА
Подход №1: "Большой LLM хватит".
САМИ, попытка №1: 
"Большой LLM хватит" 
- 1/44 от эк. бюджета (на з/п), -3 недели
- Использование большой LLM 
- Точность ответов < 60%
Проблемы:
  * Галлюцинации и выдуманные факты
  * Большое контекстное окно
  * Невозможность дать ссылку на источник
  * Высокая задержка ответов
  * 🔥🔥🔥Дорого (загрузка всех доков целиком)
  * Невозможно сделать CRM
Ключевые ошибки: 
  •  недооценка сложности данных
  •  отсутствие у исполнителя необходимой экспертизы для работы с данными
Внешний разработчик, попытка №2: 
"Наивный RAG" 
— 1/40 от бюджета экономии, — 3 месяца
* Базовая реализация RAG по открытым источникам
 * Устаревший подход 1.5-годичной давности
* Точность = 60% (галлюцинации)
Проблемы:
 * Нет интеграции с CRM (в блогах не напишут)
 * Ссылок на источники не появилось
 * Исполнитель ушёл, не справившись с задачей
 + Стал дешевле (от х10 ) 
 + Стал быстро отвечать (от х5) 
Данные!!! Скрытые сложности:
  • Противоречивая информация в документах
  • Ответы разбросаны по разным разделам
  • Двойная функциональность процесса: 
    * работа с клиентами
    * работа с исполнителями

  ДАННЫЕ: 2 доки + 400 стр.  

КЕЙС 1. 2 документа + 400 стр. = 4 мес. боли
 Подход №2:  Наивный RAG
👍 ЭКОНОМИЯ:  $xxxK/год
👍 УВЕЛИЧИМ NPS
Бюджет: уже 1/21 от экономии
Ключевые выводы: 
  •  Стандартные подходы упираются в плато   производительности при работе со   сложноструктурированными  данными
Факторы успеха: + опыт в 5+ проектах по RAG
 + непрерывный прикладной исследовательский опыт
 + умение выстроить архитектуру проекта
 Опытные эксперты (Inartificial) 
"Оптимизированный RAG" 
= 1/28 от бюджета экономии, = 4 недели
Результаты:
 + 92% точности ответов
 + Точные ссылки на источники 
 + Бесшовная интеграция с CRM 
Начало сотрудничества: 
  • Экспертный аудит данных 
    выявил скрытые проблемы
  • Первый запуск показал точность 70%: 
    выше предшественников, но недостаточно
  • Осознание: даже с высокой экспертизой задача оказалась нетривиальной

  ДАННЫЕ: 2 дока + 400 стр.  

КЕЙС 1. От 70% к 92%: инженерный прорыв
Подход №3: экспертиза, оптимизированнный RAG
👍 ЭКОНОМИЯ:  $xxxK/год
👍 УВЕЛИЧИМ NPS
Бюджет: 1/12 от экономии
Инновационное решение:
 + Глубокая предобработка документов
 + Собственная архитектура RAG 
за пределами стандартных подходов
 + Адаптация под особенности бизнес-процессов

КЕЙС 2. AI в Printing on Demand

Прорыв в пути клиента от идеи до покупки
✔ Написать идею 
✔ Готовый полностью дизайн за 20 секунд!
✘ Скорректировать цвета
✘ Увеличить разрешение
✘ Удалить фон
✘ Подобрать расположение
Среднее время до оформления заказа:   26 минут 
 Среднее время до оформления заказа:    2 минуты 

КЕЙС 2. AI в Printing on Demand

Почему не "обычные" нейронки
❌
✅
 Автоудаление фона  и   автоулучшение запроса 
❌
✅
     Решения  для композиции кадра 

КЕЙС 3. Наш командный AI-агрегатор в Telegram

Там, где болит - времени/денег не жалко
Контроль/Единый интерфейс
→ Снижение неконтролируемых расходов на AI-сервисы на 70-90%
→ Сокращение времени администратора на управление доступами и биллингом на 50% (по сравнению с разрозненными подписками)
Чат-сессии и обработка PDF и изображений прямо в диалоге, потоковая передача и пакетная обработка.
→ Ускорение выполнения комплексных задач (AI + файлы + несколько итераций) на 25-40%
Telegram-интерфейс
→ Рост активности пользователей AI в компании в 2-3 раза - прогресс 
VPN/зарубежные номера/оплата
→ 100% комплаенса и легальности использования AI в компании
Детализированная аналитика по использованию AI (пользователи, модели, стоимость, эффективность)
→ Выявление наиболее эффективных сценариев и моделей (выявление рутины)

КЕЙС 3. Командный AI-агрегатор в Telegram

Возможности для управления

КЕЙС 3. Командный AI-агрегатор в Telegram

Возможности для управления

КЕЙС 3. Командный AI-агрегатор в Telegram

Возможности для команды

КЕЙС 3. Командный AI-агрегатор в Telegram

Возможности для команды

КЕЙС 3. Командный AI-агрегатор в Telegram

Возможности для команды

КЕЙС 3. Командный AI-агрегатор в Telegram

Возможности для команды
ДНК УСПЕШНЫХ ПРОЕКТОВ
3 критерия готовности компании к AI-внедрению 
и типичные ошибки внедрений 
Стратегия через боль
— Четко определили 1-2 ключевые операции, где AI даст измеримый эффект
— Провели экспертный аудит
Инвестиции, а не траты
— Бюджет заложен с запасом 30% на доработки 
— не экономим на аудитах
Экспертиза ≠ блоги
— Ищете практиков
Ошибка 1
«Сначала MVP, потом разберемся»
Ошибка 2
«Возьмем самого дешевого»
Ошибка 3
«Наш CTO сам во всем разберется»