ИИ, который реально живёт в ваших процессах, — не демо, а рабочий инструмент.

Первый продакшн-кейс с RAG, интеграцией в одну-две системы, eval-сетапом и моделью прав обычно укладывается в средний-верхний пятизначный диапазон евро — плюс текущие расходы на использование моделей и хостинг. Более крупные сетапы с несколькими кейсами, источниками данных, автоматизацией процессов и обучением быстро уходят в шестизначный. Мы открыто фиксируем допущения, стоимость моделей и follow-up-расходы — без «фикспрайсов» поверх половинчатых требований.

Мы выбираем под конкретный кейс: OpenAI / Azure OpenAI (с EU-регионом и без использования ваших данных для обучения), Anthropic, Mistral или open-weight модели (Llama, Qwen) self-hosted в EU. Для чувствительных кейсов мы используем Azure OpenAI в West Europe или self-hosted open source — данные не покидают EU.

RAG (retrieval-augmented generation) привязывает языковую модель к вашему реальному контенту: документы, базы, тикеты. На каждый запрос модель достаёт релевантные фрагменты из ваших данных и отвечает на их основе — со ссылками. Без RAG вы получаете общие места и галлюцинации; с RAG — ответы, которые соответствуют вашей реальности и которые можно проверить.

Три рычага вместе: первый — RAG с аккуратной привязкой к источникам, чтобы модель работала с вашим контентом, а не «угадывала». Второй — дизайн промптов с жёстким правилом «отвечать только когда информация есть в источниках». Третий — eval-сетап, который активно измеряет галлюцинации и предупреждает нас, если замена модели или промпта ухудшает поведение. Полностью исключить галлюцинации нельзя, но их можно сделать измеримыми и управляемыми.

Только если это сознательно часть кейса и корректно оформлено договорно, и даже тогда — через провайдеров и регионы с настоящим DPA и без использования данных для обучения. Проверка прав вшита в слой retrieval: то, чего пользователь не видит в исходной системе, не появляется и в ответе ИИ. Для особо чувствительных направлений используем self-hosted open-source модели в EU.

Под каждый кейс собираем eval-сет из реальных примеров вашего бизнеса (позитивные, негативные, сложные) и измеряем hit-, hallucination-, escalation- и response-time-метрики. Перед каждой раскаткой и при каждой замене модели/промпта eval запускается. «Достаточно хорошо» — это не настроение, а число, которое мы вместе фиксируем.

И так, и так — по кейсам. Для внутреннего поиска знаний, тематической кластеризации или обогащения данных ИИ обычно работает автономно. Для клиентских писем, коммерческих предложений, юридических текстов, финансовых решений или HR-кейсов мы строим human-in-the-loop: ИИ готовит, человек подтверждает, правит или отклоняет. Где полный авто-режим уместен — мы явно фиксируем риск и обратимость.

CRM (HubSpot, Salesforce, Microsoft Dynamics, Pipedrive), ERP (SAP Business One, интерфейсы SAP S/4, Microsoft Dynamics 365 Business Central, Odoo), helpdesk (Zendesk, Freshdesk, Intercom), Microsoft 365 (Outlook, Teams, SharePoint), базы (Postgres, MSSQL, MySQL), файловые хранилища (SharePoint, S3, Azure Blob, on-prem шары) и любые JSON/REST API. Если у системы есть API — мы её подключим, а если нет — скажем об этом до старта.

По выбору — мы, ваша команда или гибрид. Мы передаём архитектурный документ, схемы потоков данных, библиотеку промптов, гайд по eval и runbooks так, чтобы ваша команда могла вести систему сама. По запросу мы продолжаем эксплуатацию в чётко определённом режиме (мониторинг, eval-loop, обновления моделей, расширения). Вы никогда не «приклеены» к нам — это часть архитектуры, а не обещание.

Именно поэтому мы абстрагируем провайдера. Промпты, retrieval, бизнес-логика и eval не зависят от поставщика. Переход с OpenAI на Azure OpenAI, на Anthropic, на Mistral или на self-hosted open-weight модель — это конфигурация и eval, а не новый проект. Vendor lock-in — это дизайн-решение, и мы сознательно проектируем против него.