Кейс под NDA: что можно раскрывать публично
Название заказчика не раскрывается по условиям NDA, но отраслевой и проектный контекст можно описать без конфиденциальных деталей: это банк из топ-5 рынка Узбекистана, для которого РЕСТАРТ создал промышленный AI-контур для корпоративных знаний, клиентских и внутренних каналов.
Решение успешно прошло пилотную проверку, было принято заказчиком и сейчас находится на сопровождении: команда поддерживает платформу, развивает базы знаний, каналы доступа, качество ответов и сценарии дальнейшего масштабирования.
Публичное описание не содержит внутренних адресов, токенов, конфигураций, договорных данных, закрытых метрик или персональных данных сотрудников заказчика.
Что внедрил РЕСТАРТ
В проекте РЕСТАРТ внедрил не отдельный чат-бот, а управляемую AI-платформу корпоративного уровня: слой поиска, генерации ответов и автоматизации поверх документов, регламентов, баз знаний, SharePoint, внутренних порталов и пользовательских каналов.
Платформа проектируется как enterprise-контур: источники данных, права доступа, индексация, RAG, модели, промпты, журналы, админка, каналы подключения, метрики качества и правила безопасной эксплуатации работают вместе.
RAG-агенты и базы знаний
Ответы на вопросы пользователей по внутренним и внешним знаниям с опорой на утвержденные источники.
Омниканальные интерфейсы
Web-чат, мобильное приложение, корпоративный портал, чат-бот и голосовые сообщения в привычных каналах.
Админка и менеджер документов
Управление документами, базами знаний, пользователями, доступами, качеством ответов и обновлением контента.
Безопасность и governance
Разделение контуров, роли доступа, аудит, контроль персональных данных, банковской тайны и корпоративных политик.
Enterprise-интеграции
SharePoint, CRM, ERP, Service Desk, DWH, BI, внутренние порталы, API и будущие агентные действия.
Промышленное сопровождение
Поддержка после пилота, мониторинг качества, тюнинг промптов, обновление базы знаний и подготовка к масштабированию.
Три базы знаний в одном контуре
Ключевая особенность проекта — не одна универсальная база знаний, а несколько управляемых контуров под разные аудитории, политики доступа и каналы обслуживания.
Внешние пользователи
База знаний для клиентов подключается к мобильному приложению или внешнему чат-боту банка. AI-агент отвечает на типовые вопросы, поддерживает многоязычную коммуникацию и снижает нагрузку на первую линию.
Сотрудники банка
Внутренняя база знаний доступна через web-чат и менеджер документов. Сотрудники быстрее находят регламенты, инструкции, процедуры и ответы по корпоративным системам.
SharePoint-субсервис
Отдельный контур интегрируется с MS SharePoint и дает единое окно доступа к документации, размещенной на разных сайтах и разделах корпоративного портала.
Единые правила качества
Каждый контур имеет свои источники, роли, правила доступа, тестовые вопросы, журналы и метрики качества, но опирается на общий платформенный подход.
Как работает RAG Agent
RAG Agent объединяет корпоративные источники знаний, проверку запроса, поиск релевантных фрагментов и генерацию ответа с контролем ссылок на источники. Пользователь получает быстрый ответ в привычном канале, а компания сохраняет управляемость: доступы, аудит, безопасность, качество и масштабирование.
Понимание запроса
Классификация намерения, языка, контекста, канала и роли пользователя.
Проверка и контроль
Проверка прав доступа, политик безопасности, ограничений по данным и допустимости ответа.
Поиск в знаниях
Поиск по индексам, документам, регламентам, CRM/ERP-данным, SharePoint и другим согласованным источникам.
Генерация ответа
Формирование ответа на естественном языке со ссылками на источники и учетом корпоративных правил.
Выдача в канал
Web, мобильное приложение, корпоративный портал, чат-бот, голосовые сообщения или API.
Аудит и улучшение
Логи, метрики качества, обратная связь пользователей, тюнинг промптов и обновление базы знаний.
Технический контур AI-платформы
За обзорной логикой RAG стоит промышленный backend-контур для знаний, поиска и генерации ответов.
Платформенный слой работает как единая точка интеграции для файлов, чатов, векторного поиска и генерации ответов. FastAPI принимает прикладные запросы, PostgreSQL и Redis хранят состояние и операционные данные, Vector DB и Elasticsearch отвечают за поиск, S3-хранилище держит файлы, а GPU-контур обслуживает LLM, embedding-модель и reranker.
Измеримые бизнес-эффекты AI-платформы
Эффекты зависят от зрелости данных, качества базы знаний, текущей нагрузки на поддержку, интеграций, требований безопасности и сценариев использования. На проекте РЕСТАРТ фиксирует baseline до пилота, затем измеряет результат на пилотной группе и только после этого масштабирует решение.
| Направление | Что измеряем | Целевой ориентир пилота | Бенчмарк мировой практики |
|---|---|---|---|
| Поддержка клиентов | доля типовых вопросов, закрываемых без оператора | 15-35% после наполнения базы знаний | McKinsey оценивает потенциал снижения human-serviced contacts до 50% в зависимости от исходной автоматизации. |
| Производительность операторов | решенные обращения в час | +10-20% на пилотной группе | NBER Working Paper 31161 показывает средний прирост производительности customer support около 14% при AI-подсказках. |
| Поиск информации сотрудниками | время поиска регламентов и документов | -20-30% на типовых запросах | Forrester TEI по Microsoft 365 Copilot приводит ориентиры экономии времени на information search около 29,8%. |
| Подготовка текстов и ответов | время на черновики ответов и инструкций | -20-35% на типовых задачах | Forrester TEI показывает значимую экономию времени на content creation и email writing. |
| Качество знаний | доля ответов со ссылкой на источник | 80-95% для документов в базе знаний | RAG-подход повышает проверяемость за счет цитирования источников и тестовых наборов вопросов. |
| Внутренняя поддержка ИС | тикеты и звонки по типовым вопросам | -10-25% типовых обращений | Эффект зависит от качества инструкций, ролей доступа и интеграции с Service Desk. |
РЕСТАРТ не обещает универсальный процент сокращения затрат. Корректный подход — определить baseline, согласовать KPI пилота, проверить эффект на ограниченной группе и только после этого принимать решение о тиражировании.
KPI пилота и сопровождения
Для перехода от демонстрации к промышленной эксплуатации важно измерять не только количество запросов, но и качество ответа, покрытие знаний, безопасность и реальную разгрузку команд.
Adoption
Количество активных пользователей, повторные обращения, каналы использования и сценарии, где AI реально вошел в рабочий процесс.
Deflection
Доля типовых вопросов, закрытых AI-агентом без оператора, и доля корректных эскалаций на человека.
Quality
Доля ответов со ссылкой на источник, полнота ответа, доля некорректных или неполных ответов, пользовательская оценка.
Knowledge coverage
Количество документов в базе знаний, покрытие критичных тем, скорость обновления после изменения регламента.
Security
События доступа, нарушения политик, попытки запросить недоступные документы, корректность разграничения ролей.
Operations
SLA поддержки платформы, время реакции на инциденты, стабильность индексов, качество журналов и мониторинга.
AI в защищенном банковском контуре
Для банка AI-платформа должна быть не экспериментом, а контролируемым компонентом ИТ-архитектуры. Поэтому РЕСТАРТ проектирует AI-контур с учетом ролей, прав доступа, журналирования, требований ИБ, персональных данных, банковской информации и внутренних политик заказчика.
Разграничение доступа
Пользователь видит только те знания и документы, на которые у него есть право в согласованной модели доступа.
Разделение контуров
Внутренний и внешний контуры могут разворачиваться отдельно, с разными источниками, политиками, SLA и сценариями.
Контроль источников
Ответы строятся на утвержденных документах и базах знаний, а не на случайных данных или неподтвержденной генерации.
Аудит и логи
Фиксируются запросы, ответы, источники, ошибки, эскалации, действия администраторов и пользовательская обратная связь.
Human-in-the-loop
Для критичных сценариев предусматривается проверка человеком, эскалация или запрет автоматического ответа.
152-ФЗ и политики
Персональные данные, коммерческая тайна и банковская информация обрабатываются только в согласованной архитектуре.
От внедрения до промышленного сопровождения
Проектный маршрут строился как переход от ограниченного пилота к управляемой поддержке и развитию. Такой подход снижает риск, что AI останется красивой демонстрацией без владельцев, метрик, эксплуатации и обновления знаний.
Discovery и архитектура
Сценарии, источники знаний, требования ИБ, роли, KPI пилота и границы публичного/внутреннего контуров.
Разворачивание среды
Инфраструктура, контуры, доступы, базовая платформа, журналы и правила эксплуатации.
Наполнение базы знаний
Документы, индексы, тестовый набор вопросов, роли доступа и процесс обновления материалов.
Интеграция каналов
Web-чат, портал, SharePoint, мобильный канал, чат-бот, голосовые сообщения или API.
Тестирование и тюнинг
Пилотная группа, обратная связь, настройка промптов, политик, качества поиска и правил эскалации.
Поддержка и развитие
Сопровождение платформы, обновление знаний, мониторинг качества, расширение сценариев и подготовка к тиражированию.
Развертывание и инфраструктура
AI-платформа может быть развернута в инфраструктуре заказчика, в выделенном private cloud или в гибридной модели. Архитектура подбирается по требованиям безопасности, нагрузке, числу пользователей, частоте обращений, языкам, каналам и необходимости выделенных контуров для разных групп пользователей.
| Контур | Роль | Что уточняется перед запуском |
|---|---|---|
| Пилотный контур | MVP, проверка базы знаний, первые пользователи | источники, доступы, тестовые вопросы, модель, логирование, приемка |
| Внутренний production | сотрудники, регламенты, SharePoint, портал | SLA, резервирование, роли, журналирование, мониторинг, поддержка |
| Внешний production | клиентские каналы и первая линия | нагрузочное тестирование, безопасность, фильтрация ответов, сценарии эскалации |
| Dev/Test | развитие и проверка изменений | маскирование данных, тестовые индексы, release process, DevSecOps |
Финальные параметры инфраструктуры определяются после нагрузочного тестирования и оценки реальных сценариев. РЕСТАРТ может подключать AI Compute, DevOps/DevSecOps и ИБ-практику как единый контур поставки.
Куда развивается решение
После запуска базы знаний AI-платформа может развиваться в сторону мультимодальной обработки документов и workflow-автоматизации: прием входящих документов, извлечение реквизитов, подготовка черновиков ответов, маршрутизация заявок, проверка комплектности, формирование черновиков проводок и интеграция с ERP/1C/Service Desk.
Агент заявок
Прием, отмена, уточнение статуса, маршрутизация и подсказки оператору по данным из систем.
AI Service Desk
Классификация обращений, база знаний первой линии, SLA-контроль и подсказки сотрудникам поддержки.
SharePoint Knowledge AI
Единый поиск и ответы по распределенным документам, регламентам и материалам подразделений.
Document AI
Обработка платежек, счетов-фактур, квитанций, претензий, договоров и вложений.
ERP/1C-интеграции
Черновики проводок, сверки, регистры, документы, финансовые комментарии и управленческая аналитика.
Security/GRC AI
Помощник для ИБ, комплаенса, политик, инцидентов, требований, отчетов и контрольных процедур.
Связанные продукты и услуги РЕСТАРТ
Кейс показывает сильную сторону РЕСТАРТ: AI-платформа требует не только модели и интерфейса, но и данных, безопасности, интеграций, DevOps, поддержки и понимания банковского enterprise-контура.
Частые вопросы
Почему нельзя назвать банк?
Проект находится под NDA. Мы можем раскрывать отраслевой контекст, класс решения, статус внедрения и обезличенную архитектуру, но не публикуем название заказчика, внутренние метрики, конфигурации, адреса, документы или персональные данные.
Чем RAG-агент отличается от обычного чат-бота?
Обычный чат-бот часто работает по заранее заданным сценариям. RAG-агент ищет релевантные фрагменты в корпоративных источниках знаний и формирует ответ с учетом контекста, прав доступа и ссылок на источники.
Можно ли развернуть AI-платформу внутри инфраструктуры заказчика?
Да. Для регулируемых компаний возможны on-premise, private cloud и гибридные варианты. Архитектура зависит от требований ИБ, нагрузки, состава данных, каналов доступа и политик заказчика.
Можно ли подключить SharePoint, 1С, ERP, CRM или Service Desk?
Да. Платформа проектируется как интеграционный слой поверх корпоративных источников знаний и систем. Подключение выполняется через API, коннекторы, выгрузки, индексацию документов или специализированные интеграции.
Как контролируется качество ответов?
Качество контролируется через тестовые наборы вопросов, ссылки на источники, пользовательскую обратную связь, аудит логов, human-in-the-loop для критичных сценариев и регулярное обновление базы знаний.
Что происходит после внедрения?
После приемки платформа переходит в сопровождение: обновляются базы знаний, контролируется качество, настраиваются новые сценарии, поддерживаются пользователи и готовится масштабирование на новые контуры.
Обсудить похожий AI-контур
Если у вас есть база знаний, портал, SharePoint, Service Desk, мобильное приложение или внутренние регламенты, начнем с короткого discovery: определим источники знаний, сценарии пользователей, требования безопасности и KPI пилота.
Написать нам письмоОбсудим ваш контур
Опишите задачу, текущие системы, ограничения и ожидаемый результат. Мы предложим первый практичный шаг: диагностику, пилот, аудит, дорожную карту или проектную команду.
