# W1DO — разработка ИИ и автоматизация

> Нейросети и ИИ-агенты, которые работают на ваш бизнес в Москве: находим точки роста, внедряем в CRM и 1С, помогаем после запуска. Обсудим задачу.

Карта сайта: https://w1do.ru/sitemap-index.xml

## Города

- [Москва](https://w1do.ru/)
- [Санкт-Петербург](https://w1do.ru/saint_petersburg)
- [Новосибирск](https://w1do.ru/novosibirsk)
- [Екатеринбург](https://w1do.ru/yekaterinburg)
- [Казань](https://w1do.ru/kazan)
- [Нижний Новгород](https://w1do.ru/nizhny_novgorod)
- [Челябинск](https://w1do.ru/chelyabinsk)
- [Красноярск](https://w1do.ru/krasnoyarsk)
- [Самара](https://w1do.ru/samara)
- [Уфа](https://w1do.ru/ufa)
- [Ростов-на-Дону](https://w1do.ru/rostov_on_don)
- [Омск](https://w1do.ru/omsk)
- [Краснодар](https://w1do.ru/krasnodar)
- [Воронеж](https://w1do.ru/voronezh)
- [Пермь](https://w1do.ru/perm)
- [Волгоград](https://w1do.ru/volgograd)
- [Саратов](https://w1do.ru/saratov)
- [Тюмень](https://w1do.ru/tyumen)
- [Иркутск](https://w1do.ru/irkutsk)
- [Владивосток](https://w1do.ru/vladivostok)
- [Оренбург](https://w1do.ru/orenburg)

## Страницы

## Разработчик ИИ: агенты и автоматизация бизнеса | W1DO

https://w1do.ru/

Разработка ИИ-агентов, RAG-систем и сайтов. Интеграции с CRM, автоматизация процессов и MVP: от разбора задачи до проверенного запуска.

## Денис Митрофанов: разработчик ИИ и LLM | W1DO

https://w1do.ru/about

Денис Митрофанов — разработчик ИИ и LLM-систем. Опыт в веб-разработке, интеграциях, архитектуре и автоматизации бизнес-процессов.

## Контакты: обсудить разработку и внедрение ИИ | W1DO

https://w1do.ru/contact

Связаться с Денисом Митрофановым: обсудить AI-агента, автоматизацию, сайт или MVP. Форма обращения и контакты для подготовки проекта.

## Услуги разработки ИИ и автоматизации | W1DO

https://w1do.ru/services

Разработка AI-агентов, чат-ботов, RAG и сайтов. Интеграции с CRM и 1С, настройка n8n, инфраструктура и обучение работе с ИИ.

## Стоимость разработки ИИ и автоматизации | W1DO

https://w1do.ru/pricing

Форматы работы и стоимость разработки AI-решений. Консультации, MVP и интеграции: состав работ, этапы и оценка проекта под вашу задачу.

## База знаний: ИИ, RAG и автоматизация | W1DO

https://w1do.ru/knowledge

Ответы на вопросы об ИИ-агентах, RAG, LLM и автоматизации бизнеса. Данные, интеграции, выбор инструментов и порядок работы над проектом.

## Отзывы о разработке и внедрении ИИ | W1DO

https://w1do.ru/testimonials

Раздел отзывов о проектах W1DO: AI-агенты, RAG и автоматизация процессов. Сценарии применения и опыт взаимодействия с разработчиком.

## Кейсы ИИ и автоматизации: проекты и решения | W1DO

https://w1do.ru/case

Проекты W1DO: поддержка клиентов, документы, RAG, маркетплейсы и аналитика. Задачи, подход к реализации и ответы на вопросы о решениях.

## OpenSource: чат и память для AI-агентов | W1DO

https://w1do.ru/opensource

Открытые проекты W1DO: чат на своём сервере и Preference Memory для AI-агентов. Репозитории, инструкции установки и сценарии применения.

## Блог об ИИ: агенты, разработка и бизнес | W1DO

https://w1do.ru/blog

Практические статьи об ИИ-агентах, автоматизации, разработке и навыках. Подготовка проектов, выбор инструментов и оценка результата.

## Темы блога: ИИ, разработка и автоматизация | W1DO

https://w1do.ru/blog/categories

Все категории блога W1DO: ИИ-агенты, внедрение, разработка, профессии, автоматизация бизнеса и электронная коммерция.

## Поддержка сайтов

https://w1do.ru/services/web-support

Любой сайт требует внимания и развития. Мы помогаем владельцам бизнеса поддерживать их веб-ресурсы в актуальном и рабочем состоянии. Мы не просто исправляем ошибки, мы предлагаем пути улучшения пользовательского опыта и повышения эффективности сайта. Будь то небольшая правка или масштабное обновление функционала — мы гарантируем качественный результат в оговоренные сроки. Подробнее по направлениям: техническая поддержка сайта и оптимизация скорости сайта .

## Разработка сайтов

https://w1do.ru/services/web-development

Веб-сайт сегодня — это лицо бизнеса. Мы создаем современные, быстрые и конверсионные сайты, которые помогают вам выделиться среди конкурентов. Используя ИИ-инструменты в процессе разработки, мы достигаем высокой скорости реализации без потери качества. От простых лендингов до сложных корпоративных порталов — мы создаем решения, которые работают на ваш результат. Подробнее по направлениям: разработка сайта под ключ и разработка веб-приложений .

## Вайб-кодинг и MLOps

https://w1do.ru/services/vibe-coding

Вайб-кодинг изменил скорость разработки: теперь я довожу идею до рабочего прототипа за часы, управляя ИИ через высокоуровневые инструкции. Но прототип — это только начало пути, а не готовый продукт. Чтобы решение работало в реальной жизни, нужен MLOps: развёртывание, мониторинг и обновление моделей без простоев. Я соединяю скорость вайб-кодинга с инженерной дисциплиной, поэтому проект не застревает на этапе красивого демо. Подробнее по направлениям: вайб-кодинг прототипов и MLOps: развёртывание и мониторинг моделей .

## Анализ звонков

https://w1do.ru/services/speech-recognition-analysis

Голос — это богатейший источник данных, который часто остается неиспользованным. Мы превращаем ваши аудиоархивы в структурированную базу знаний, готовую для анализа и принятия управленческих решений. Автоматическая расшифровка и анализ звонков позволяют увидеть полную картину работы отдела продаж или службы поддержки. Вы узнаете, какие аргументы работают, на каких этапах отсеиваются клиенты и как превратить каждого менеджера в «звезду» продаж с помощью объективной обратной связи от ИИ. Подробнее по направлениям: расшифровка звонков и контроль качества звонков .

## Платежные системы

https://w1do.ru/services/payment-integration

Автоматизация приема платежей — важный шаг к масштабированию бизнеса. Мы помогаем компаниям настраивать эффективные платежные решения, которые минимизируют риск отказа и делают процесс покупки максимально удобным для пользователя. Мы берем на себя всю техническую сложность интеграции, обеспечивая стабильную работу вашего финансового контура. Подробнее по направлениям: онлайн-эквайринг , рекуррентные платежи и интеграция Stripe .

## Настройка n8n

https://w1do.ru/services/n8n-automation

Автоматизация без границ с n8n n8n — это мощный инструмент визуального программирования, который позволяет соединить сотни различных сервисов в единые автоматизированные цепочки. Использование self-hosted версии дает вам полный контроль над данными и отсутствие лимитов на количество запусков. Мы помогаем компаниям оптимизировать рутинные процессы, высвобождая время сотрудников для более важных задач за счет внедрения надежных и гибких систем автоматизации. Подробнее по направлениям: настройка n8n на своём сервере и интеграция сервисов через n8n .

## Прототипы и MVP

https://w1do.ru/services/mvp-prototyping

Скорость — критический фактор успеха любого стартапа. Мы предлагаем уникальный подход к разработке, основанный на использовании передовых ИИ-инструментов, который позволяет сократить время вывода продукта на рынок в несколько раз. Сборка прототипа с нами — это не просто написание кода, это совместная работа над поиском лучшей реализации вашей идеи. Мы поможем вам создать продукт, который можно показать инвесторам или первым пользователям уже через две недели. Подробнее по направлениям: AI-прототип , MVP для стартапа и запуск MVP-продукта .

## Мобильные приложения

https://w1do.ru/services/mobile-apps

В современном мире мобильное приложение — это не просто дополнительный канал продаж, а мощный инструмент взаимодействия с аудиторией. Мы предлагаем разработку, которая сочетает в себе лучшие практики дизайна и передовые технологии программирования с использованием ИИ. Мы помогаем компаниям переносить их бизнес-процессы в смартфоны пользователей, создавая удобные и функциональные приложения, которые решают реальные задачи и приносят прибыль. Подробнее по направлениям: разработка приложения для iOS и Android и разработка MVP мобильного приложения .

## Low-code сайты с AI

https://w1do.ru/services/low-code-claude

Веб-разработка нового поколения: Low-code + Claude Мы объединяем возможности современных Low-code платформ и мощного ИИ Claude от Anthropic для создания качественных веб-сайтов в кратчайшие сроки. Этот метод позволяет значительно снизить стоимость разработки, не жертвуя качеством и функциональностью. Такой подход идеально подходит для стартапов, малого бизнеса и тех, кому нужно быстро проверить гипотезу или запустить лендинг с высокой конверсией и профессиональным дизайном. Подробнее по направлениям: low-code лендинг , сайт на Webflow и веб-приложение на Bubble .

## Деплой и инфраструктура

https://w1do.ru/services/infrastructure-dokploy

Современный DevOps с Dokploy Dokploy превращает ваш обычный VPS в мощную платформу для хостинга приложений, аналогичную Heroku или Vercel, но на вашем собственном оборудовании. Это идеальное решение для тех, кто ценит контроль над данными и экономию ресурсов. Наш подход позволяет автоматизировать рутинные задачи администрирования, обеспечивая высокую доступность ваших сервисов и простоту управления через удобный веб-интерфейс. Подробнее по направлениям: установка Dokploy на VPS и настройка CI/CD в Dokploy .

## Верстка HTML/CSS

https://w1do.ru/services/html-layout

Качественная верстка — это фундамент любого успешного веб-проекта. Мы уделяем внимание каждой детали, от микроанимаций до семантической разметки, которая важна для SEO-продвижения. Наш подход к верстке позволяет создавать быстрые, легкие и надежные интерфейсы, которые обеспечивают лучший пользовательский опыт. Мы следим за современными трендами и технологиями, чтобы ваш сайт выглядел актуально долгие годы. Подробнее по направлениям: верстка из Figma и адаптивная HTML-верстка .

## Настройка Directus

https://w1do.ru/services/directus-setup

Мощный бэкенд на базе Directus Directus — это идеальное решение для тех, кому нужен гибкий бэкенд без необходимости писать тысячи строк кода для базовых операций CRUD и управления пользователями. Он работает поверх вашей базы данных, предоставляя мощный API и интуитивно понятный интерфейс. Использование Directus позволяет значительно сократить время разработки серверной части, обеспечивая при этом высокую безопасность и масштабируемость системы для проектов любой сложности. Подробнее по направлениям: развёртывание Directus и настройка API и прав доступа Directus .

## Консультация по ИИ

https://w1do.ru/services/consultation

Консультация по ИИ нужна тогда, когда вокруг много обещаний, а понимания, что реально применимо к вашему делу, нет. Я помогаю отделить полезные сценарии от модных, но бесполезных, и объясняю возможности нейросетей понятным языком. На разборе я не продаю технологии ради технологий. Я слушаю задачу, показываю, где искусственный интеллект даст ощутимый результат, а где обычная автоматизация справится лучше и дешевле. Выберите направление подробнее: консультация по внедрению нейросетей или подбор ИИ-инструментов и моделей .

## Рефакторинг и оптимизация

https://w1do.ru/services/code-refactoring

Рефакторинг — это не просто «уборка», это стратегическая инвестиция в долголетие вашего программного продукта. Качественный код позволяет вашему бизнесу быстрее адаптироваться к изменениям рынка и внедрять новые идеи без страха что-то сломать. Мы используем синергию экспертного опыта наших разработчиков и возможностей искусственного интеллекта, чтобы предоставить вам код высочайшего качества, который будет легко поддерживать и масштабировать. Подробнее по направлениям: аудит кода , оптимизация производительности и рефакторинг legacy-кода .

## Обучение работе с ИИ

https://w1do.ru/services/ai-workshops-education

Технологии развиваются быстрее, чем люди успевают к ним привыкать. Самый простой способ получить конкурентное преимущество сегодня — это научить вашу команду эффективно использовать ИИ. Наши воркшопы — это 80% практики и 20% теории. Мы не просто рассказываем о нейросетях, мы внедряем их в ежедневную работу ваших сотрудников, превращая ИИ в незаменимого помощника для каждого. Подробнее по направлениям: корпоративный AI-воркшоп и обучение промпт-инжинирингу .

## AI Видеоаналитика

https://w1do.ru/services/ai-video-surveillance

Интеллектуальное видеонаблюдение — это переход от простого записывания видео к проактивной безопасности. ИИ не устает и не отвлекается, обеспечивая непрерывный контроль вашего объекта 24/7. Мы внедряем решения, которые помогают не только защитить имущество, но и оптимизировать бизнес-процессы: от управления очередями в ритейле до контроля качества на крупных заводах. Видеоаналитика становится «глазами» вашего бизнеса, предоставляя бесценные данные для принятия решений. Подробнее по направлениям: распознавание объектов на видео и контроль безопасности на производстве .

## Обучение ИИ

https://w1do.ru/services/ai-training

Обучение ИИ нужно тогда, когда готовая модель отвечает в общем, но плохо справляется с вашей конкретной задачей. Я обучаю и дообучаю нейросети на ваших данных, чтобы ответы стали точнее, ближе к вашей терминологии и надёжнее. Всё начинается с данных: без качественного датасета даже хорошая модель работает посредственно. Я готовлю данные, обучаю модель и проверяю результат по метрикам, а не на глаз, поэтому обучение приводит к измеримому улучшению. Подробнее по направлениям: обучение нейросети под задачу и дообучение LLM (fine-tuning) .

## Проектирование и разработка AI-систем

https://w1do.ru/services/ai-solution-architecture

Современные ИИ-решения требуют не только умения писать промпты, но и глубокого понимания системной архитектуры. Мы предлагаем услуги по профессиональному проектированию и разработке AI-продуктов, которые бесшовно интегрируются в ваш ландшафт. Наш подход базируется на строгом моделировании процессов и данных. Мы помогаем бизнесу идентифицировать сценарии, требующие автоматизации, и превращаем их в четкие технические задания для реализации. Независимо от того, нужен ли вам сложный агентный цикл или надежная система классификации, мы обеспечиваем полный цикл: от идеи и документации до внедрения и поддержки по стандартам MLOps. Подробнее по направлениям: проектирование RAG-систем и разработка AI-агентов .

## AI Консалтинг и Roadmap

https://w1do.ru/services/ai-roadmap-consulting

Внедрение ИИ — это марафон, а не спринт. Без четкого плана легко потратить бюджет на «модные», но бесполезные инструменты. Мы предлагаем профессиональный консалтинг, который превратит хаотичные идеи в работающую стратегию ИИ-трансформации. Наш AI Roadmap — это ваша страховка от ошибок. Мы поможем вам выбрать именно те технологии, которые дадут максимальный рывок вашему бизнесу уже сегодня, сохраняя гибкость для будущего роста. Подробнее по направлениям: аудит процессов для внедрения ИИ и AI Roadmap внедрения .

## AI Маркетинг

https://w1do.ru/services/ai-marketing-content

Маркетинг — одна из самых динамичных сфер, где ИИ уже сегодня дает колоссальное преимущество. Мы помогаем компаниям перестать тратить время на бесконечное написание постов и переключиться на стратегию и творчество. Наши решения позволяют автоматизировать весь цикл работы с контентом: от поиска идей до публикации готовых материалов. Используйте мощь генеративного ИИ, чтобы ваш голос звучал громче и точнее в информационном шуме. Подробнее по направлениям: генерация маркетингового контента и автопостинг в соцсетях .

## Внедрение ИИ в бизнес

https://w1do.ru/services/ai-integration

Интеграция ИИ в бизнес-процессы — это не просто тренд, а необходимость для сохранения конкурентоспособности. Мы помогаем компаниям трансформировать их операционную деятельность, внедряя современные LLM и системы автоматизации. Наш подход базируется на глубоком анализе ваших данных и создании индивидуальных решений, которые приносят реальную прибыль. Внедрение ИИ в бизнес позволяет освободить сотрудников от рутины, повысить качество обслуживания клиентов и принимать решения на основе точных данных, а не интуиции. Мы создаем AI Roadmap, который минимизирует риски и гарантирует результат. Подробнее по направлениям: аудит процессов для внедрения ИИ и кастомные ИИ-агенты .

## Интеграция с 1С и CRM

https://w1do.ru/services/ai-integration-1c-crm

Интеграция ИИ с 1С и CRM — это «высший пилотаж» автоматизации. Мы соединяем креативные способности языковых моделей со строгостью учетных систем. Это позволяет превратить хаос из писем, звонков и документов в структурированную базу данных. Забудьте о рутине: пусть ИИ сам разносит платежи, выставляет счета и напоминает менеджерам о важных делах. Ваша команда сможет сфокусироваться на стратегии и продажах, пока ИИ следит за порядком в цифрах. Подробнее по направлениям: обработка документов для 1С с ИИ и ИИ-ассистент для CRM .

## Парсинг и сбор данных

https://w1do.ru/services/ai-data-scraping

В современном мире данные — это новая нефть. Но ценность имеют только чистые и структурированные данные. Мы помогаем автоматизировать сбор информации, которая необходима для вашего бизнеса: от цен конкурентов до баз потенциальных клиентов. Использование ИИ в парсинге позволяет обрабатывать даже неструктурированную информацию, превращая «текстовую кашу» в стройные ряды таблиц. Настройте приток свежих данных прямо в ваш бизнес и принимайте решения на основе реальных фактов, а не догадок. Подробнее по направлениям: мониторинг цен конкурентов и парсинг данных маркетплейсов .

## ИИ агенты для Авито

https://w1do.ru/services/ai-bot-avito

Авито — крупнейшая доска объявлений в России, где ежедневно миллионы пользователей ищут товары и услуги. Для бизнеса это отличная платформа продаж, но общение с покупателями отнимает много времени и ресурсов. Именно здесь на помощь приходят ИИ агенты для Авито — интеллектуальные чат-боты-автоответчики, которые автоматизируют коммуникации, помогают быстро отвечать на вопросы и собирают лиды без участия менеджеров. Использование бота автоответчика для Авито решает важные задачи бизнеса: экономит время сотрудников, увеличивает оперативность реакции и обеспечивает поддержку клиентов 24/7. Наши решения позволяют интегрировать AI-модели, которые понимают контекст вопроса и ведут диалог как реальный человек. Технология базируется на официальном API Авито, что обеспечивает надежность и безопасность. Мы помогаем не просто настроить шаблоны, а внедрить полноценного цифрового сотрудника, который знает ваш ассортимент, цены и условия доставки. Подробнее по направлениям: бот-автоответчик для Авито и интеграция Авито с CRM .

## AI ассистенты и чат-боты

https://w1do.ru/services/ai-assistants-chatbots

AI ассистенты и чат-боты нового поколения меняют подход к коммуникациям. Используя современные языковые модели, мы создаем цифровых сотрудников, которые способны заменить целые отделы первой линии поддержки. Конструктор ИИ ассистентов позволяет быстро адаптировать решение под любые изменения в вашем бизнесе, будь то новые продукты или смена стратегии обслуживания. Ваши клиенты получают мгновенные ответы, а вы — экономию ресурсов и рост лояльности. По направлению доступны отдельные услуги: Бот технической поддержки на базе ИИ , Чат-бот для Telegram под ключ , Чат-бот для сайта на базе ИИ . Изучите задачу и выберите подходящий формат работ.

## ИИ агенты для бизнеса

https://w1do.ru/services/ai-agent-development

ИИ агенты — это следующий шаг после обычных чат-ботов и ручной автоматизации: я делаю цифрового сотрудника, который не просто отвечает на вопросы, а сам планирует действия, обращается к вашим данным и доводит задачу до результата. Такой агент разгружает команду и берёт на себя рутинные цепочки операций в продажах, поддержке, документах, аналитике и внутренних процессах. Я подхожу к задаче комплексно: сначала смотрю, где агент даст измеримый эффект, затем проектирую сценарий, подключаю базу знаний, CRM, 1С, таблицы или внешние API и проверяю работу на реальных задачах. В итоге вы получаете не набор промптов, а автономного помощника, встроенного в бизнес-процесс. Три главных направления кластера под запрос «ИИ агенты»: ИИ-агенты для бизнеса и внедрение , автоматизация процессов с ИИ и разработка AI-решений на базе LLM . Дополнительно я закрываю разработку ИИ под ключ , если задаче нужна отдельная модель или сложная инженерная логика.

## Техническая поддержка сайта

https://w1do.ru/services/web-support/website-technical-support

Я обеспечиваю техническую поддержку сайта, когда нужно исправить ошибку, обновить существующий раздел или добавить новый функционал. Перед работой я разбираюсь в текущем состоянии проекта, чтобы не ограничиваться временным исправлением видимого симптома. Я работаю с отдельными задачами и регулярным развитием: проверяю ошибки, адаптивность, формы и подключённые сервисы. Если требуется доработка, я определяю зависимые части сайта и выбираю последовательность, при которой изменения не мешают существующим сценариям. После реализации я проверяю задачу по согласованному сценарию. Такой процесс помогает поддерживать сайт в актуальном состоянии и планировать развитие без накопления случайных правок. Если проблема связана с загрузкой страниц, посмотрите оптимизацию скорости сайта . Все форматы работ собраны на странице поддержки сайтов .

## Разработка сайта под ключ

https://w1do.ru/services/web-development/website-development-turnkey

Я разрабатываю сайты под ключ для задач, где важны понятная структура, современный интерфейс и технически аккуратный запуск. Сначала я разбираю цель сайта и путь посетителя, чтобы набор страниц и блоков помогал объяснить услугу, продукт или проект. После проектирования я собираю адаптивный интерфейс на современном стеке, настраиваю формы и необходимые интеграции. Я учитываю скорость загрузки, семантику и базовые SEO-настройки уже во время разработки, а не добавляю их в конце. Такой подход подходит для лендинга, корпоративного сайта или сервиса с индивидуальной логикой. Состав работ и срок зависят от числа страниц, сценариев и подключаемых функций, поэтому я определяю их после разбора задачи. Для интерактивного сервиса посмотрите разработку веб-приложений . Все форматы собраны на странице разработки сайтов .

## Вайб-кодинг прототипов

https://w1do.ru/services/vibe-coding/vibe-coding-prototyping

Вайб-кодинг прототипов — это способ быстро превратить идею в рабочее демо с помощью ИИ. Я управляю разработкой через промпты, а модель генерирует интерфейс и логику, поэтому первый результат появляется за дни, а не месяцы. Такой подход экономит бюджет на раннем этапе: вы проверяете гипотезу на реальном продукте, а не на словах. Если идея не сработала — потери минимальны, если сработала — есть готовая основа для развития. Когда прототип подтвердил гипотезу, важно вывести его в продакшен без сбоев. Посмотрите MLOps: развёртывание и мониторинг моделей или вернитесь к разделу вайб-кодинг и MLOps .

## Расшифровка звонков с помощью ИИ

https://w1do.ru/services/speech-recognition-analysis/call-transcription

Я настраиваю расшифровку звонков с помощью ИИ, чтобы аудиозаписи превращались в текст, с которым можно работать без многочасового прослушивания. Транскрибация делает разговоры доступными для поиска, проверки договорённостей и подготовки следующих действий. Я разбираю, как поступают записи, какие данные можно связать с разговором и где будет храниться результат. После этого я собираю процесс преобразования аудио и передаю готовый текст в CRM, базу, таблицу или другой согласованный контур. Расшифровка становится основой для более глубокого контроля диалогов: по тексту проще находить темы, частые вопросы и важные фразы. Я подготавливаю результат так, чтобы его можно было использовать в вашей текущей работе. Чтобы оценивать разговоры по заданным критериям, посмотрите контроль качества звонков . Все решения доступны на странице анализа звонков .

## Подключение онлайн-эквайринга

https://w1do.ru/services/payment-integration/online-acquiring

Я подключаю онлайн-эквайринг, когда сайту или приложению нужно принимать оплату картой и корректно связывать результат платежа с заказом. Я разбираю путь пользователя до оплаты, выбираю подходящий платёжный сценарий и подключаю официальный API сервиса. Я настраиваю платёжную форму, обработку вебхуков и обновление статусов, чтобы успешный и неуспешный платёж не оставались без реакции системы. Перед запуском я проверяю сценарий в тестовой среде и убеждаюсь, что данные передаются ожидаемым образом. Для модели подписки посмотрите рекуррентные платежи . Если нужен международный сценарий, изучите интеграцию Stripe ; все варианты есть в разделе платёжных систем .

## Настройка n8n на своём сервере

https://w1do.ru/services/n8n-automation/n8n-self-hosted-setup

Я настраиваю n8n на своём сервере, когда требуется контролировать среду автоматизации и хранение рабочих учётных данных. Self-hosted версия становится основой для сценариев, которые связывают CRM, мессенджеры, таблицы, базы данных и другие сервисы. Перед развёртыванием я уточняю будущие нагрузки, состав интеграций и требования к доступу. Затем готовлю серверную среду, устанавливаю n8n, настраиваю домен и защищённое подключение, чтобы экземпляр был готов к созданию и запуску воркфлоу. Отдельно я проверяю базовую конфигурацию: хранение данных, шифрование учётных данных и возможность резервного копирования. Это снижает риск, что первая же рабочая автоматизация окажется привязана к случайной или неудобной среде. После развёртывания можно перейти к интеграции сервисов через n8n или изучить все варианты услуги настройки n8n .

## AI-прототип для проверки идеи

https://w1do.ru/services/mvp-prototyping/ai-prototype

Я разрабатываю AI-прототип, когда нужно быстро проверить, решает ли продукт реальную задачу пользователя. Вместо большой разработки я выделяю один ключевой сценарий и собираю работающую версию, на которой видны логика, интерфейс и результат применения AI. Мой прототип помогает обсудить идею предметно: его можно показать первым пользователям, команде или инвесторам и получить обратную связь не по макетам, а по реальному взаимодействию. Я не добавляю функции, которые не помогают проверить гипотезу. Для перехода к первой версии для рынка посмотрите MVP для стартапа или запуск MVP-продукта . Все варианты я собрал на странице прототипов и MVP .

## Разработка приложения для iOS и Android

https://w1do.ru/services/mobile-apps/ios-android-app-development

Я разрабатываю мобильные приложения для iOS и Android, когда пользователю нужен удобный доступ к сервису со смартфона. Сначала я определяю ключевые сценарии: что пользователь должен сделать в приложении, какие данные ему нужны и какие действия приносят пользу продукту. Я проектирую интерфейс и подключаю необходимые API, личные кабинеты, уведомления или другие функции. Решение строится вокруг мобильного использования: коротких действий, понятной навигации и стабильной работы с данными. Для запуска можно выделить первую версию с главным сценарием, а дополнительные возможности развивать далее. Такой подход помогает сосредоточиться на практической ценности приложения, а не перегружать стартовый релиз лишними экранами. Чтобы начать с ограниченной первой версии, посмотрите разработку MVP мобильного приложения . Все услуги собраны на странице мобильных приложений .

## Low-code лендинг с AI

https://w1do.ru/services/low-code-claude/low-code-landing

Я разрабатываю low-code лендинг, когда нужно быстро представить услугу, продукт или новую гипотезу в интернете. Я начинаю с цели страницы: что должен понять посетитель и какое действие он сможет выполнить после знакомства с предложением. Затем я выстраиваю структуру, подготавливаю тексты с помощью AI и собираю адаптивную страницу на подходящей платформе. Я не перегружаю лендинг лишними разделами: каждый блок помогает объяснить ценность и перейти к заявке. Для многостраничной структуры посмотрите сайт на Webflow , а для кабинета и бизнес-логики — веб-приложение на Bubble . Все форматы собраны в разделе low-code сайтов с AI .

## Установка Dokploy на VPS

https://w1do.ru/services/infrastructure-dokploy/dokploy-vps-setup

Я устанавливаю Dokploy на VPS, когда нужен понятный способ управлять Docker-приложениями на собственном сервере. Я готовлю операционную систему, безопасный доступ и окружение для панели. После установки я подключаю домен и SSL, чтобы панель была доступна по защищённому адресу. Это создаёт основу для дальнейшего развёртывания приложений, баз данных и сервисов. Для автоматического обновления кода посмотрите настройку CI/CD в Dokploy или вернитесь к услуге деплоя и инфраструктуры .

## Верстка сайта из Figma

https://w1do.ru/services/html-layout/figma-to-html

Я выполняю верстку сайта из Figma, превращая дизайн-макет в рабочий HTML/CSS интерфейс. До начала работы я проверяю состав экранов, повторяющиеся блоки и состояния элементов, чтобы структура кода соответствовала не одному изображению, а всей системе интерфейса. Я использую семантическую разметку и собираю повторяемые части как компоненты. Это делает результат понятнее для интеграции и дальнейшей поддержки, а также помогает сохранить единый вид элементов на всех страницах. Во время верстки я сверяю сетку, отступы, типографику и графику с макетом. Если на мобильных экранах не хватает решений в дизайне, я согласую логику адаптации, а не добавляю случайные правила. Для интерфейсов, рассчитанных на разные устройства, посмотрите адаптивную HTML-верстку . Все работы собраны на странице верстки HTML/CSS .

## Развёртывание Directus на сервере

https://w1do.ru/services/directus-setup/directus-deployment

Я разворачиваю Directus на сервере, когда нужен управляемый Headless CMS поверх базы данных. Я подготавливаю Docker-окружение, подключаю базу, настраиваю домен и защищённый доступ к панели. Такой старт помогает быстро получить административный интерфейс и API без отдельной разработки базовых операций. Я оставляю понятную конфигурацию, чтобы вы могли дальше развивать структуру данных и контент. Для готового бэкенда важно заранее определить роли и API. Посмотрите настройку API и прав доступа Directus или вернитесь к услуге настройки Directus .

## Консультация по внедрению нейросетей

https://w1do.ru/services/consultation/ai-implementation-consulting

Консультация по внедрению нейросетей нужна, когда есть желание использовать ИИ, но непонятно, с какого процесса начать. Я разбираю вашу работу и показываю, где искусственный интеллект снимет рутину быстрее всего. Я не предлагаю переделывать всё сразу. Вместо этого я выбираю один процесс с измеримым результатом, чтобы вы увидели отдачу от нейросетей на понятном примере и приняли решение о дальнейшем масштабировании. После пилота логично оценить весь стек инструментов. Посмотрите подбор ИИ-инструментов и моделей или вернитесь к разделу консультация по ИИ .

## Аудит кода и технического долга

https://w1do.ru/services/code-refactoring/code-audit

Я провожу аудит кода, когда нужно понять реальное состояние проекта до начала большого рефакторинга или добавления новых функций. Я изучаю устройство системы, критичные модули, зависимости и тесты, чтобы отделить важный технический долг от второстепенных замечаний. По итогам я формирую понятный план: какие проблемы несут риск для стабильности, что мешает разработке и в каком порядке лучше проводить изменения. Это помогает не переписывать код вслепую и согласовать объём работ с задачами продукта. Если ключевая проблема — медленная работа системы, посмотрите оптимизацию производительности . Для постепенного обновления старого проекта подойдёт рефакторинг legacy-кода ; все направления собраны в разделе рефакторинга и оптимизации .

## Корпоративный AI-воркшоп

https://w1do.ru/services/ai-workshops-education/corporate-ai-workshop

Я провожу корпоративный AI-воркшоп, когда команде нужно освоить ИИ-инструменты на понятных рабочих задачах. Я собираю контекст заранее и строю программу вокруг сценариев, которые можно повторить после обучения. На встрече я сочетаю демонстрации с практикой: показываю, как формулировать задачу модели, проверять результат и учитывать ограничения работы с данными. Так обучение остаётся прикладным, а не только обзорным. Для отдельной глубокой темы посмотрите обучение промпт-инжинирингу или вернитесь к обучению работе с ИИ .

## Распознавание объектов на видео

https://w1do.ru/services/ai-video-surveillance/object-detection

Я настраиваю распознавание объектов на видео, когда обычной записи с камер недостаточно и нужно получать сигнал о конкретных событиях. Система анализирует согласованный видеопоток и передаёт уведомление, если в кадре появляется нужный объект или возникает заданная ситуация. Я начинаю с проверки камер, ракурсов, освещённости и доступа к потоку, потому что от условий съёмки зависит применимость сценария. Затем я фиксирую, какие события нужно отслеживать и куда передавать уведомления. После настройки я тестирую обработку на реальном видеопотоке и корректирую параметры в рамках согласованной задачи. Такой подход помогает использовать камеры не только для архива, но и для своевременной реакции на важные события. Для сценариев, связанных с соблюдением правил на объекте, посмотрите контроль безопасности на производстве . Все варианты доступны в разделе AI Видеоаналитики .

## Обучение нейросети под задачу

https://w1do.ru/services/ai-training/custom-model-training

Обучение нейросети под задачу нужно, когда готовая модель отвечает поверхностно и не разбирается в вашей специфике. Я обучаю модель на ваших данных, чтобы она стала специалистом в нужной области, а не универсалом на все случаи. Я всегда обучаю с опорой на метрики: измеряю точность на отложенной выборке и сравниваю результат с исходной моделью. Так вы видите не обещания, а конкретное улучшение на реальных примерах. Основа любого обучения — данные. Посмотрите, как я готовлю датасет для обучения ИИ , или изучите дообучение LLM . Все услуги собраны в разделе обучение ИИ .

## Проектирование RAG-систем

https://w1do.ru/services/ai-solution-architecture/rag-system-architecture

Я проектирую RAG-системы, когда языковая модель должна отвечать на основе документов и базы знаний. Я начинаю с источников, структуры данных и правил обновления материалов. Затем я определяю индекс, способ поиска и передачу релевантного контекста в модель. Это позволяет оценивать ответы не по впечатлению, а по понятным сценариям и тестовым вопросам. Для сценариев с самостоятельным выполнением задач посмотрите разработку AI-агентов или вернитесь к проектированию AI-систем .

## Аудит процессов для внедрения ИИ

https://w1do.ru/services/ai-roadmap-consulting/ai-process-audit

Я провожу аудит процессов для внедрения ИИ, когда нужно понять, какие задачи действительно стоит автоматизировать. Я разбираю повторяемые операции, данные, участников и ожидаемый результат. Вместо выбора инструмента наугад я сопоставляю ценность сценария с доступностью данных и сложностью реализации. Так я формирую обоснованный список первых шагов без завышенных ожиданий. Следующий этап — связать приоритеты в план. Посмотрите AI Roadmap внедрения или вернитесь к AI-консалтингу .

## Генерация маркетингового контента с ИИ

https://w1do.ru/services/ai-marketing-content/ai-content-generation

Я настраиваю генерацию маркетингового контента с ИИ, чтобы подготовка постов, статей и рассылок не начиналась с пустого листа. В основе процесса — ваши темы, примеры, tone of voice и требования к конкретному каналу. Я собираю шаблоны для повторяющихся задач: например, контент-плана, публикации в соцсети, письма или описания продукта. Это помогает получать черновик с заданной структурой и оставляет вам время на факты, экспертизу и финальную редактуру. Для поискового контента я закладываю в процесс тему, интент и правила структуры, а не просто набор ключевых слов. Так материал остаётся полезным читателю и соответствует задаче публикации. Чтобы довести готовые материалы до канала без ручной рутины, посмотрите автопостинг в соцсетях . Все решения находятся на странице AI Маркетинга .

## Аудит процессов для внедрения ИИ

https://w1do.ru/services/ai-integration/ai-process-audit

Я провожу аудит бизнес-процессов для внедрения ИИ, когда нужно понять, какие задачи стоит автоматизировать в первую очередь. Вместо абстрактного «добавить ИИ» я разбираю путь данных, действия сотрудников и повторяющиеся операции, чтобы выбрать сценарий с ясной пользой. В ходе аудита я смотрю, какие источники информации уже есть, где возникают задержки и как решение сможет встроиться в существующие сервисы. Так появляется основа для AI Roadmap: последовательного плана, который помогает начать с небольшого проверяемого решения, а не с дорогой перестройки всего процесса. Результат нужен для осознанного старта: вы понимаете, какую рутину передать ИИ, какие интеграции потребуются и что проверить на MVP. Я учитываю текущие CRM, базы данных и внутренние инструменты, чтобы план был связан с реальной работой, а не существовал отдельно от неё. Для следующего шага посмотрите кастомных ИИ-агентов или вернитесь к полной услуге внедрения ИИ в бизнес .

## Обработка документов для 1С с ИИ

https://w1do.ru/services/ai-integration-1c-crm/ai-document-processing-1c

Я настраиваю обработку первичных документов для 1С с ИИ, чтобы сократить ручной ввод реквизитов и сделать поток данных более предсказуемым. Решение получает документ, извлекает нужные поля и готовит данные для передачи в учётную систему по согласованным правилам. Перед началом я изучаю типы документов, обязательные реквизиты и существующую конфигурацию 1С. Это нужно, чтобы выбрать подходящий способ обмена: стандартный API, OData, внешнюю обработку или промежуточный контур, не усложняя поддержку системы без необходимости. Я проверяю сценарий на реальных примерах, чтобы уточнить формат документов и правила обработки исключений. В результате сотрудники получают меньше однотипной работы, а данные проходят через понятную логику до попадания в учёт. Для работы с клиентскими данными посмотрите ИИ-ассистента для CRM или вернитесь к услуге интеграции с 1С и CRM .

## Мониторинг цен конкурентов

https://w1do.ru/services/ai-data-scraping/competitor-price-monitoring

Я разрабатываю мониторинг цен конкурентов для задач, где ручная проверка каталогов отнимает время и быстро устаревает. Система регулярно собирает открытые цены, наличие и характеристики с согласованных источников, чтобы вы видели актуальную картину без копирования данных. Перед запуском я разбираю структуру площадок и определяю, как сопоставлять одинаковые товары. Затем я нормализую полученные значения и передаю их в удобный формат: таблицу, файл, базу данных или API. Такой мониторинг помогает отслеживать изменения ассортимента и цен в выбранном сегменте. Я настраиваю периодичность сбора под задачу и учитываю изменения страниц, чтобы поток данных оставался пригодным для анализа. Для данных из торговых площадок посмотрите парсинг данных маркетплейсов . Полный набор решений собран на странице парсинга и сбора данных .

## Бот-автоответчик для Авито

https://w1do.ru/services/ai-bot-avito/avito-auto-reply-bot

Я разрабатываю бота-автоответчика для Авито, чтобы покупатель получал быстрый ответ на вопрос по объявлению, условиям или наличию товара. Бот работает с подготовленной базой знаний и помогает не оставлять без реакции обращения, которые приходят вне рабочего времени. Перед запуском я изучаю ассортимент, типовые вопросы и правила общения. На этой основе я настраиваю логику ответов, чтобы бот не выдавал произвольную информацию и передавал сложный или нестандартный разговор менеджеру с сохранённым контекстом. Подключение строится через официальный API Авито. Я проверяю сценарии на реальных диалогах и настраиваю уведомления, чтобы вы могли вовремя подключиться к важной заявке или скорректировать базу знаний. Чтобы сразу передавать обращения в рабочую систему, посмотрите интеграцию Авито с CRM или вернитесь к услуге ИИ-агентов для Авито .

## Чат-бот для Telegram под ключ

https://w1do.ru/services/ai-assistants-chatbots/telegram-chatbot

Я разрабатываю чат-бота для Telegram, который берёт на себя рутину общения с клиентами: отвечает на вопросы, принимает заявки и доводит до продажи прямо в мессенджере. В отличие от кнопочных ботов, мой бот работает на базе разработчик_ии, понимает свободную речь и ведёт диалог как живой менеджер. Telegram остаётся самым удобным каналом для быстрых коммуникаций, поэтому умный бот здесь окупается быстрее всего: клиент получает мгновенный ответ в привычном приложении, а вы — заявки без ночных смен и пропущенных сообщений. Я подключаю бота к вашей базе знаний, CRM и календарю, чтобы он не просто болтал, а совершал целевые действия: фиксировал лид, записывал на услугу и передавал данные в вашу систему. Хотите охватить и другие каналы? Посмотрите чат-бота для сайта или бота технической поддержки . Все решения и тарифы собраны в разделе услуги AI ассистенты и чат-боты .

## Разработка ИИ под ключ

https://w1do.ru/services/ai-agent-development/ai-development

Я занимаюсь разработкой ИИ под ключ: как разработчик ИИ я беру задачу от постановки цели до готовой системы искусственного интеллекта, встроенной в ваш бизнес. Это не эксперименты ради технологий, а решение конкретной проблемы — от прогнозирования и классификации до обработки текста и распознавания данных. Разработка ИИ окупается тогда, когда система работает на понятную метрику: экономит часы сотрудников, повышает точность решений или снимает ручную рутину. Поэтому я начинаю с целей и данных, а уже потом подбираю модель и архитектуру — так вы платите за результат, а не за модный ярлык. Я работаю с вашими данными и базой знаний, подбираю модель под задачу и бюджет, обучаю или дообучаю её и оцениваю качество по прозрачным метрикам, прежде чем выводить в работу. Разработка ИИ — это часть создания полноценного агента. Посмотрите также разработку AI-решений и услуги автоматизации с ИИ , а все направления собраны в разделе создание ИИ-агента .

## Оптимизация скорости сайта

https://w1do.ru/services/web-support/website-speed-optimization

Я оптимизирую скорость сайта, если страницы долго открываются, интерфейс реагирует с задержкой или тяжёлые ресурсы мешают посетителю получить нужную информацию. Работа начинается с анализа: я ищу конкретные этапы загрузки, которые требуют внимания. Я проверяю изображения, подключённые скрипты, объём кода и настройки, влияющие на выдачу ресурсов. После этого я вношу приоритетные изменения, которые соответствуют текущей технологии сайта и не ломают его рабочие сценарии. Ускорение сайта — это не разовая замена файлов, а последовательная техническая работа. Я повторно проверяю ключевые страницы после изменений, чтобы результат был понятен и не ухудшал интерфейс. Для исправления ошибок и развития проекта посмотрите техническую поддержку сайта . Все услуги доступны на странице поддержки сайтов .

## Разработка веб-приложений

https://w1do.ru/services/web-development/web-app-development

Я разрабатываю веб-приложения, когда обычного сайта недостаточно и пользователю нужно работать с данными, личным кабинетом или сервисом. В основе решения лежат реальные сценарии: что пользователь видит, какие действия совершает и какой результат получает. Я проектирую интерфейсы, подключаю API и базы данных, а затем собираю логику вокруг ролей, статусов и процессов проекта. Это позволяет реализовать кабинеты, внутренние системы, каталоги с действиями пользователя и другие веб-сервисы. Для первой версии я выделяю главное: функционал, который проверяет идею и даёт пользователям практическую пользу. Затем приложение можно последовательно расширять, не смешивая новые задачи с критичными сценариями запуска. Нужна презентационная часть проекта? Посмотрите разработку сайта под ключ . Все решения доступны на странице разработки сайтов .

## MLOps: развёртывание и мониторинг моделей

https://w1do.ru/services/vibe-coding/mlops-model-deployment

MLOps отвечает за то, чтобы модель работала не только в демо, но и в реальном продакшене под нагрузкой. Я настраиваю развёртывание, мониторинг и обновление, чтобы ИИ приносил пользу стабильно, а не от случая к случаю. Отдельно я слежу за качеством: данные меняются, и без мониторинга модель постепенно теряет точность. Автоматические оповещения и безопасные откаты позволяют реагировать быстро и без простоев для пользователей. Если модель ещё на этапе идеи, начните с быстрого прототипа. Посмотрите вайб-кодинг прототипов или вернитесь к разделу вайб-кодинг и MLOps .

## Контроль качества звонков с ИИ

https://w1do.ru/services/speech-recognition-analysis/call-quality-analysis

Я настраиваю контроль качества звонков с ИИ, чтобы разбор разговоров опирался на единые критерии, а не на случайную выборку. В основу я беру ваш чек-лист: например, обязательные этапы диалога, вопросы, договорённости или признаки, требующие внимания. Я связываю проверку с расшифровками разговоров и тестирую правила на согласованных примерах. В результате вы получаете выборку звонков и отметки по критериям, которые можно использовать для обратной связи и улучшения процесса. Инструмент помогает быстрее находить нужные диалоги, но не заменяет управленческое решение. Я оставляю оценку прозрачной: критерии и способ выдачи результата согласуются с вами до запуска. Основой контроля служит расшифровка звонков . Полный набор решений находится в разделе анализа звонков .

## Интеграция рекуррентных платежей

https://w1do.ru/services/payment-integration/recurring-payments

Я интегрирую рекуррентные платежи для сервисов, где пользователь оплачивает доступ регулярно: например, раз в месяц или год. Я продумываю не только первую оплату, но и все важные события подписки — продление, отмену и неуспешное списание. Я связываю статусы, которые отправляет платёжный сервис, с доступом пользователя к продукту. Благодаря этому система может выдавать или ограничивать доступ по понятным правилам, а вы получаете предсказуемую логику работы подписки. Для разовой оплаты на сайте посмотрите онлайн-эквайринг . Для международной модели оплаты подойдёт интеграция Stripe ; все направления доступны в разделе платёжных систем .

## Интеграция сервисов через n8n

https://w1do.ru/services/n8n-automation/n8n-service-integration

Я настраиваю интеграцию сервисов через n8n, когда данные приходится вручную переносить между CRM, мессенджерами, таблицами, базами или внешними API. Воркфлоу получает событие, выполняет согласованные проверки и передаёт результат дальше по процессу. Сначала я описываю, откуда приходят данные, что должно запустить сценарий и какое действие требуется на выходе. После этого собираю последовательность узлов n8n, подключаю нужные сервисы и добавляю правила для нестандартных ситуаций. Я тестирую автоматизацию на примерах, чтобы проверить форматы данных, права доступа и обработку ошибок. При необходимости добавляю уведомления, которые помогают быстро увидеть проблему в сценарии, а не обнаружить её спустя время. Для подготовки инфраструктуры посмотрите настройку n8n на своём сервере или вернитесь к услуге настройки n8n .

## MVP для стартапа

https://w1do.ru/services/mvp-prototyping/startup-mvp

Я разрабатываю MVP для стартапа как первую рабочую версию продукта, а не как уменьшенную копию будущей системы. Сначала я помогаю определить, какую проблему должен решить продукт и какой результат пользователь получит уже в первом сценарии. Затем я собираю именно это ядро: интерфейс, нужную бизнес-логику, авторизацию, базу данных или AI-интеграцию, если они действительно необходимы. Такой подход позволяет не распылять бюджет на функции, ценность которых ещё не подтверждена. Если сначала нужна версия для показа идеи, посмотрите AI-прототип . Для подготовки продукта к первым пользователям подойдёт запуск MVP-продукта , а все направления доступны в разделе прототипов и MVP .

## Разработка MVP мобильного приложения

https://w1do.ru/services/mobile-apps/mobile-app-mvp-development

Я разрабатываю MVP мобильного приложения, когда важно быстро получить первую рабочую версию и проверить основную идею продукта. Вместо попытки реализовать всё сразу я выделяю один ключевой сценарий, ради которого пользователь открывает приложение. Я определяю состав экранов, обязательные данные и интеграции, затем создаю интерфейс и логику, необходимые для прохождения этого сценария. Такой объём делает первую версию управляемой и помогает не смешивать важную функциональность с идеями для будущих релизов. После запуска MVP можно развивать по реальным запросам пользователей: добавлять новые роли, функции или интеграции. Я закладываю понятную основу, чтобы следующие изменения не требовали пересобирать уже работающую часть приложения. Для полного продукта на двух платформах посмотрите разработку приложения для iOS и Android . Все форматы собраны на странице мобильных приложений .

## Сайт на Webflow с AI

https://w1do.ru/services/low-code-claude/webflow-website

Я создаю сайт на Webflow, когда проекту нужна понятная многостраничная структура и возможность обновлять содержание без долгого цикла разработки. Я заранее определяю набор страниц и смысл каждого раздела, чтобы сайт помогал посетителю найти нужную информацию. Я собираю адаптивный интерфейс, подготавливаю контент с помощью AI, подключаю форму и настраиваю публикацию на вашем домене. После передачи у вас остаётся доступ к визуальному редактору для самостоятельных небольших правок. Если нужен один быстрый экран для запуска предложения, посмотрите low-code лендинг . Для продукта с личным кабинетом и данными подойдёт веб-приложение на Bubble ; все варианты есть в разделе low-code сайтов с AI .

## Настройка CI/CD в Dokploy

https://w1do.ru/services/infrastructure-dokploy/dokploy-cicd

Я настраиваю CI/CD в Dokploy, чтобы обновления из Git-репозитория не требовали ручного входа на сервер. Я связываю нужную ветку, способ сборки, переменные окружения и запуск контейнеров. Перед включением автоматизации я проверяю, как проект собирается и какие данные нужны во время запуска. Так я получаю предсказуемый сценарий деплоя, который можно повторять для новых версий. Сначала нужна рабочая панель на сервере. Посмотрите установку Dokploy на VPS или все работы по деплою и инфраструктуре .

## Адаптивная HTML-верстка

https://w1do.ru/services/html-layout/responsive-html-layout

Я выполняю адаптивную HTML-верстку, чтобы страница оставалась понятной и удобной на смартфонах, планшетах и больших экранах. Для этого я рассматриваю не только размеры блоков, но и порядок контента, навигацию, формы и действия пользователя на небольшом дисплее. Я настраиваю гибкую сетку, типографику и элементы управления под разные разрешения. При необходимости я меняю компоновку компонентов так, чтобы важная информация не терялась, а кнопки и поля было удобно использовать с сенсорного экрана. После реализации я проверяю отображение на типовых разрешениях и в актуальных браузерах. Это помогает выявить ситуации, когда интерфейс выглядит корректно в макете, но неудобен или нестабилен в реальном использовании. Для точного переноса готового дизайна посмотрите верстку сайта из Figma . Все направления доступны на странице верстки HTML/CSS .

## Настройка API и прав доступа Directus

https://w1do.ru/services/directus-setup/directus-api-rbac

Я настраиваю API и права доступа Directus, когда сайт или приложение должны получать данные из единого бэкенда. Я описываю роли, ограничения на коллекции и поля, а затем открываю только необходимые REST- или GraphQL-методы. Настройка RBAC важна, когда у редакторов, партнёров и внешних сервисов разный уровень доступа. Я проверяю правила на сценариях, чтобы публикация контента и интеграции работали предсказуемо. Сначала нужно подготовить окружение. Посмотрите развёртывание Directus на сервере или все работы по настройке Directus .

## Подбор ИИ-инструментов и моделей

https://w1do.ru/services/consultation/ai-tools-selection

Подбор ИИ-инструментов — это выбор моделей и сервисов, которые лучше всего закроют вашу задачу. Рынок нейросетей меняется быстро, и я помогаю не переплачивать за громкое имя, а взять то, что реально работает. Я сравниваю варианты по трём вещам: качество на ваших примерах, стоимость использования и безопасность данных. Такой подход убирает случайный выбор и экономит бюджет ещё до старта разработки. Когда инструменты выбраны, важно грамотно встроить их в процессы. Загляните в консультацию по внедрению нейросетей или вернитесь к разделу консультация по ИИ .

## Оптимизация производительности приложения

https://w1do.ru/services/code-refactoring/performance-optimization

Я оптимизирую производительность приложения, когда пользователи сталкиваются с долгой загрузкой, медленными операциями или нестабильной работой критичного сценария. Сначала я фиксирую проблему и выясняю её источник, а не начинаю изменения по предположениям. Я проверяю код, работу с данными и внешними интеграциями, затем улучшаю только участки, которые создают задержку. Такой подход позволяет сделать систему быстрее и не затронуть функции, которые уже работают ожидаемым образом. Чтобы сначала оценить технические риски проекта, закажите аудит кода . Если система требует постепенного обновления, посмотрите рефакторинг legacy-кода ; полный список услуг есть в разделе рефакторинга и оптимизации .

## Обучение промпт-инжинирингу

https://w1do.ru/services/ai-workshops-education/prompt-engineering-training

Я обучаю промпт-инжинирингу, чтобы работа с языковыми моделями была предсказуемой и полезной для конкретных задач. Я показываю, как задавать модели контекст, ограничения, желаемый формат и критерии качества ответа. На практике я разбираю, почему один и тот же запрос даёт разные результаты, и как его уточнять. В итоге удачные подходы можно сохранить в шаблоны и применять повторно в ежедневной работе. Для командного формата посмотрите корпоративный AI-воркшоп или вернитесь к обучению работе с ИИ .

## Контроль безопасности на производстве

https://w1do.ru/services/ai-video-surveillance/workplace-safety-monitoring

Я настраиваю контроль безопасности на производстве с помощью видеоаналитики, когда важно быстрее замечать согласованные ситуации в определённых зонах. Вместо постоянного просмотра архива система может передавать сигнал ответственному каналу при обнаружении заданного события. Я начинаю с обследования объекта: изучаю камеры, ракурсы, освещение и условия конкретных зон. Затем я фиксирую сценарии контроля и запускаю пилот на выбранных видеопотоках, чтобы проверить работу в реальной среде. Видеоаналитика служит инструментом для своевременной реакции, а не заменой ответственных специалистов. Я настраиваю понятный порядок уведомлений и проверяю, что результат соответствует согласованной задаче. Для базового анализа видеопотока изучите распознавание объектов на видео . Все решения собраны на странице AI Видеоаналитики .

## Дообучение LLM (fine-tuning)

https://w1do.ru/services/ai-training/llm-fine-tuning

Дообучение LLM (fine-tuning) — это адаптация готовой языковой модели под ваш стиль, терминологию и задачи. Вместо обучения с нуля я беру сильную модель и учу её вести себя так, как нужно вашему бизнесу. Fine-tuning особенно полезен, когда важны формат ответов и устойчивое поведение: модель перестаёт путать термины и реже галлюцинирует. Часто я комбинирую дообучение с базой знаний, чтобы получить и правильный стиль, и актуальные факты. Качество дообучения напрямую зависит от примеров. Посмотрите, как я готовлю датасет для обучения ИИ , или как провожу обучение нейросети под задачу . Всё направление — в разделе обучение ИИ .

## Разработка AI-агентов

https://w1do.ru/services/ai-solution-architecture/ai-agent-development

Я разрабатываю AI-агентов для задач, где модели недостаточно просто сформировать ответ. Я определяю, какие данные и инструменты доступны агенту, какие действия допустимы и как проверяется итог. Агентная система требует чётких границ: входных данных, последовательности шагов и условий остановки. Я проектирую их до реализации, чтобы автоматизация оставалась контролируемой и понятной. Для работы агента с документами посмотрите проектирование RAG-систем или вернитесь к проектированию AI-систем .

## AI Roadmap внедрения

https://w1do.ru/services/ai-roadmap-consulting/ai-implementation-roadmap

Я разрабатываю AI Roadmap, когда требуется не просто выбрать нейросеть, а выстроить порядок внедрения. Я связываю сценарии, доступные данные, зависимости и этапы проверки результата. В Roadmap я выделяю задачи для первого шага и условия для последующего масштабирования. Это помогает планировать работу и не смешивать быстрые гипотезы с долгосрочными изменениями. Чтобы определить обоснованные приоритеты, посмотрите аудит процессов для внедрения ИИ или вернитесь к AI-консалтингу .

## Автопостинг в соцсетях с ИИ

https://w1do.ru/services/ai-marketing-content/social-media-autoposting

Я настраиваю автопостинг в соцсетях, когда подготовленные материалы нужно регулярно доводить до публикации без повторения одних и тех же действий. Сценарий может получать согласованный текст, проверять его статус и отправлять в подключённый канал по заданному расписанию. Я начинаю с проверки доступных интеграций и API, потому что способ публикации зависит от конкретного канала. Затем я связываю источник материалов, этап согласования, расписание и уведомления о результате в единый понятный процесс. Автоматизация не отменяет контроль: я могу оставить обязательное подтверждение перед публикацией и передавать статусы туда, где вам удобно их отслеживать. Так вы управляете содержанием, а система берёт на себя рутинную доставку. Для подготовки материалов в нужном стиле изучите генерацию маркетингового контента . Все направления собраны в разделе AI Маркетинга .

## Кастомные ИИ-агенты для бизнеса

https://w1do.ru/services/ai-integration/custom-ai-agents

Я разрабатываю кастомных ИИ-агентов для задач, где одного шаблонного диалога недостаточно. Агент получает нужный контекст из базы знаний или рабочих систем, обрабатывает запрос по заданным правилам и передаёт результат туда, где он нужен в процессе. Сначала я определяю роль агента: например, подготовить черновик, классифицировать обращения, собрать данные или помочь сотруднику принять следующее действие. Затем проектирую логику и интеграции, чтобы решение работало с фактическими источниками, а не с изолированным примером. Для запуска я собираю MVP и проверяю его на реальных задачах. Такой подход помогает уточнить сценарии, формат результата и ограничения доступа до того, как агент станет частью регулярной работы. Чтобы выбрать первую задачу для агента, начните с аудита процессов для внедрения ИИ или изучите всю услугу внедрения ИИ в бизнес .

## ИИ-ассистент для CRM

https://w1do.ru/services/ai-integration-1c-crm/crm-ai-assistant

Я разрабатываю ИИ-ассистента для CRM, когда менеджеры тратят много времени на перенос сведений из сообщений и звонков в карточки клиентов. Ассистент помогает извлечь важные данные из обращения, подготовить их в нужном виде и передать в установленный процесс работы с лидами. Я проектирую сценарий вокруг вашей воронки: определяю поля, статусы, правила классификации и доступные способы подключения. Это позволяет не менять работу команды радикально, а автоматизировать понятные действия, которые повторяются каждый день. Права доступа и контроль остаются частью настройки. Я могу ограничить ассистента подготовкой черновика для проверки менеджером или настроить выполнение согласованных операций через API CRM. Если требуется автоматизировать первичную документацию, посмотрите обработку документов для 1С с ИИ или изучите услугу интеграции с 1С и CRM .

## Парсинг данных маркетплейсов

https://w1do.ru/services/ai-data-scraping/marketplace-data-scraping

Я разрабатываю парсинг данных маркетплейсов, когда нужно собрать открытую информацию из карточек товаров и превратить её в рабочую выгрузку. В неё могут входить названия, категории, характеристики, цены, скидки и наличие — только те поля, которые доступны в источнике и нужны для вашей задачи. Я заранее согласовываю структуру результата и проверяю, как данные представлены на страницах. После сбора я очищаю значения, устраняю разрозненность форматов и готовлю данные для таблицы, базы или аналитической системы. Регулярное обновление помогает сравнивать изменения ассортимента и цен без повторяющейся ручной работы. Я настраиваю график и способ передачи так, чтобы выгрузка встраивалась в ваш процесс анализа. Для отслеживания конкретных предложений изучите мониторинг цен конкурентов . Все варианты собраны в разделе парсинга и сбора данных .

## Интеграция Авито с CRM

https://w1do.ru/services/ai-bot-avito/avito-crm-integration

Я настраиваю интеграцию Авито с CRM, чтобы обращения из объявлений не приходилось вручную переносить в рабочую систему. Когда покупатель пишет сообщение, сценарий передаёт согласованные данные в CRM, где менеджер может продолжить работу по привычной воронке. Я заранее определяю, какие поля, статусы и фрагменты контекста нужны команде. Это помогает избежать хаотичного заполнения карточек и сохранить связь между объявлением, перепиской и созданным лидом. После подключения я проверяю сценарий на реальных обращениях и добавляю уведомления для ответственных менеджеров. При необходимости интеграция дополняет ИИ-бота, чтобы первая реакция и дальнейшая работа с лидом оставались в одной цепочке. Для автоматических ответов покупателям посмотрите бота-автоответчика для Авито или изучите все решения ИИ-агентов для Авито .

## Чат-бот для сайта на базе ИИ

https://w1do.ru/services/ai-assistants-chatbots/website-chatbot

Я разрабатываю чат-бот для сайта — умного онлайн-консультанта, который встречает посетителя, отвечает на его вопросы и мягко ведёт к заявке или покупке. Такой виджет заменяет менеджера на первой линии и работает без перерывов, поэтому вы не теряете обращения в нерабочее время. Бот работает на базе разработчик_ии и отвечает не по жёсткому скрипту, а из вашей базы знаний: описания товаров, условия доставки, частые вопросы. Посетитель получает точный ответ за секунды, а вы — квалифицированный тёплый лид в CRM. Установка простая: я встраиваю виджет одним скриптом на Tilda, WordPress, Bitrix или самописный сайт и настраиваю передачу заявок туда, где вам удобно их обрабатывать. Нужен бот и в мессенджерах? Посмотрите чат-бота для Telegram или бота технической поддержки . Полный список решений — на странице услуги AI ассистенты и чат-боты .

## Разработка AI-решений на базе LLM

https://w1do.ru/services/ai-agent-development/ai-solutions-development

Я занимаюсь разработкой AI-решений на базе больших языковых моделей: как AI-разработчик я создаю продукты на GPT, Claude и open-source LLM — ассистентов, умный поиск по документам, генерацию и обработку текста. В отличие от разработки собственных моделей, здесь я опираюсь на готовые модели и быстро собираю из них рабочий продукт. Разработка AI на LLM выгодна там, где важна скорость запуска: вместо долгого обучения модели я беру проверенную LLM и связываю её с вашими данными и сервисами. Так вы получаете работающий AI-продукт за недели, а не месяцы. Я подключаю модель к вашим материалам через RAG, настраиваю промпты и правила поведения, интегрирую решение по API и проверяю качество ответов, прежде чем вывести его в работу. Разработка AI — одно из направлений создания агента. Посмотрите также разработку ИИ под ключ и внедрение ИИ-агента в бизнес , а все направления собраны в разделе создание ИИ-агента .

## Разработка с ИИ-ассистентом

https://w1do.ru/services/vibe-coding/ai-pair-programming

Разработка с ИИ-ассистентом — это парное программирование с нейросетью, где я задаю направление, а модель ускоряет написание кода. ИИ отлично справляется с рутиной, черновиками и тестами, освобождая время на действительно сложные решения. При этом я не отдаю нейросети контроль полностью. Каждый фрагмент проходит ревью: я отвечаю за архитектуру, безопасность и качество, потому что скорость без контроля быстро превращается в технический долг. Хотите проверить идею быстрее? Посмотрите вайб-кодинг прототипов и MLOps: развёртывание моделей или вернитесь к разделу вайб-кодинг и MLOps .

## Интеграция Stripe

https://w1do.ru/services/payment-integration/stripe-integration

Я интегрирую Stripe, когда сайту или веб-приложению нужен платёжный сценарий, который поддерживает этот сервис. Я определяю, как пользователь оплачивает заказ или подписку, и связываю результат оплаты со статусом в вашем продукте. Я подключаю форму или другой подходящий сценарий Stripe, настраиваю вебхуки и проверяю подписи событий, чтобы система получала подтверждённые данные об оплате. Затем я провожу проверку в тестовом режиме для важных состояний платежа. Для подключения карты через другой подходящий сервис посмотрите онлайн-эквайринг . Если продукт работает по подписке, изучите рекуррентные платежи ; полный список есть в разделе платёжных систем .

## Запуск MVP-продукта

https://w1do.ru/services/mvp-prototyping/mvp-product-launch

Я подготавливаю MVP-продукт к запуску, когда главная функция уже собрана и её нужно передать первым пользователям. Перед публикацией я прохожу ключевой сценарий целиком, проверяю формы, интеграции и доступность версии в выбранной инфраструктуре. Моя задача на этом этапе — не добавить все возможные функции, а убедиться, что пользователь может без препятствий получить обещанный продуктом результат. После запуска появляется возможность собирать реальную обратную связь и выбирать следующие улучшения по фактам. Если идея ещё не обрела рабочую форму, начните с AI-прототипа . Чтобы собрать первую версию вокруг продуктовой гипотезы, посмотрите MVP для стартапа . Все направления доступны на странице прототипов и MVP .

## Веб-приложение на Bubble

https://w1do.ru/services/low-code-claude/bubble-web-app

Я разрабатываю веб-приложение на Bubble, когда лендинга уже недостаточно и пользователю нужно работать с данными, личным кабинетом или повторяющимися сценариями. Я начинаю с того, как пользователь получает результат, и не превращаю первую версию в полный набор всех возможных функций. Я проектирую структуру данных, собираю интерфейс и настраиваю workflow, которые связывают действия пользователя с бизнес-логикой. При необходимости я подключаю внешний сервис или AI-модель через API, если это помогает решить центральную задачу продукта. Для презентации одного предложения начните с low-code лендинга . Если нужен корпоративный набор страниц, посмотрите сайт на Webflow ; все форматы я собрал в разделе low-code сайтов с AI .

## Онлайн-консультация по ИИ

https://w1do.ru/services/consultation/online-ai-consultation

Онлайн-консультация по ИИ — это тот же разбор задачи, но по видеосвязи и без привязки к городу. Я подключаюсь в удобное время, показываю примеры на экране и объясняю, где искусственный интеллект принесёт пользу именно вам. Формат экономит время: не нужно никуда ехать, а все договорённости я фиксирую в коротком резюме после встречи. Так рекомендации остаются под рукой, когда вы приступите к внедрению. Если после разговора захотите двигаться дальше, посмотрите консультацию по внедрению нейросетей и подбор ИИ-инструментов или вернитесь к разделу консультация по ИИ .

## Рефакторинг legacy-кода

https://w1do.ru/services/code-refactoring/legacy-refactoring

Я провожу рефакторинг legacy-кода, когда проект продолжает работать, но его всё сложнее поддерживать, расширять и безопасно изменять. Вместо рискованного переписывания всей системы я определяю критичные части и планирую улучшения небольшими контролируемыми этапами. Перед изменениями я защищаю ключевые сценарии тестами или воспроизводимыми проверками, затем упрощаю структуру, убираю дублирование и документирую важные решения. Так я снижаю технический долг, не останавливая развитие продукта. Чтобы определить приоритеты перед работой, начните с аудита кода . Если основная проблема связана со скоростью, посмотрите оптимизацию производительности ; все направления доступны в разделе рефакторинга и оптимизации .

## Подготовка датасета для обучения ИИ

https://w1do.ru/services/ai-training/dataset-preparation

Подготовка датасета для обучения ИИ — это фундамент всего проекта. Модель учится ровно на тех данных, которые получает, поэтому я уделяю сбору, очистке и разметке не меньше внимания, чем самому обучению. Я убираю шум и дубликаты, балансирую примеры и проверяю разметку на ошибки. Качественная выборка снижает число ошибок модели и делает обучение предсказуемым, а результат — воспроизводимым. Когда датасет готов, можно переходить к обучению. Посмотрите обучение нейросети под задачу или дообучение LLM . Все услуги направления — в разделе обучение ИИ .

## Бот технической поддержки на базе ИИ

https://w1do.ru/services/ai-assistants-chatbots/support-chatbot

Я разрабатываю бота технической поддержки на базе разработчик_ии, который берёт на себя первую линию: отвечает на типовые вопросы, помогает решить проблему по инструкции и работает круглосуточно. Это разгружает вашу команду и заметно сокращает время ответа клиенту. Бот отвечает не по жёсткому скрипту, а из вашей базы знаний — регламентов, инструкций и FAQ. По моему опыту такой подход закрывает до 85% типовых обращений без участия оператора, а сложные случаи бот аккуратно передаёт специалисту вместе с историей диалога. Я подключаю бота к нужным каналам и вашей CRM, настраиваю правила эскалации и панель аналитики, чтобы вы видели, какие вопросы задают чаще всего и насколько клиенты довольны ответами. Нужна поддержка в конкретном канале? Посмотрите чат-бота для Telegram или чат-бота для сайта . Все решения кластера собраны на странице услуги AI ассистенты и чат-боты .

## Услуги автоматизации с ИИ

https://w1do.ru/services/ai-agent-development/ai-automation-services

Я оказываю услуги автоматизации с ИИ: автоматизирую бизнес-процессы с помощью AI, чтобы рутинные задачи выполнялись без участия людей. Разбор заявок, обработка документов, подготовка отчётов, ответы клиентам — всё это можно превратить в автоматический сценарий, который работает круглосуточно. AI-автоматизация отличается от обычной тем, что справляется с неструктурированными данными: понимает текст письма, извлекает суть из документа и принимает решение по правилам. Поэтому она берёт на себя то, что раньше приходилось делать вручную, и экономит часы работы команды. Я начинаю с аудита процессов, нахожу самые затратные операции, проектирую сценарий и связываю ваши сервисы — CRM, 1С, таблицы, почту и мессенджеры — через API и n8n, добавляя ИИ там, где он реально нужен. Автоматизация — логичное продолжение создания агента. Посмотрите также разработку ИИ под ключ и внедрение ИИ-агента в бизнес , а все направления собраны в разделе создание ИИ-агента .

## Внедрение ИИ-агента в бизнес

https://w1do.ru/services/ai-agent-development/ai-agent-for-business

Я занимаюсь внедрением ИИ-агента в бизнес: моя задача — не просто разработать агента, а интегрировать AI в процессы компании так, чтобы он реально приносил пользу. Часто агент застревает на этапе демо, поэтому я довожу его до промышленной работы в отделе продаж, поддержки или операционной команды. Внедрение ИИ в бизнес окупается тогда, когда агент встроен в реальные процессы и подключён к системам, которыми вы уже пользуетесь. Поэтому я связываю его с CRM, 1С, базами данных и сервисами, чтобы он совершал действия, а не просто выдавал текст. Я внедряю агента поэтапно: сначала запускаю пилот на ограниченном участке, собираю обратную связь, дорабатываю логику, а затем масштабирую и обучаю команду работать с новым инструментом. Внедрение — финальный этап после разработки. Посмотрите также разработку ИИ под ключ и услуги автоматизации с ИИ , а все направления собраны в разделе создание ИИ-агента .

## Что такое MCP

https://w1do.ru/blog/ai-agents/chto-takoe-mcp

Когда в компании появляется ИИ-ассистент, сразу возникает один и тот же вопрос: как связать его с тем, где лежат данные. Ответы в чате, письма, таблицы, CRM, база клиентов, репозиторий с кодом. Раньше каждую связку писали отдельно: свой коннектор к CRM, свой к почте, свой к базе. Model Context Protocol, или MCP, предлагает общий способ делать такие подключения один раз и затем переиспользовать их в разных ИИ-приложениях. Ниже разберём, что это такое, какие задачи бизнеса он закрывает, где у него ограничения и с чего начать пилот.

## Что изменилось и почему это заметно

MCP появился как открытый стандарт. Anthropic объявила о нём 25 ноября 2024 года. По описанию из анонса, это открытый стандарт для подключения ИИ-систем к источникам данных. Вместе с ним выпустили спецификацию и SDK на GitHub, поддержку локальных MCP-серверов в приложении Claude Desktop и открытый репозиторий готовых серверов. В первую очередь в репозитории появились коннекторы к Google Drive, Slack, GitHub, Git, Postgres и Puppeteer.

За прошедшее время протокол поддержали не только Anthropic. Официальная документация перечисляет ИИ-ассистентов Claude и ChatGPT, инструменты разработки Visual Studio Code и Cursor и другие клиенты. Это важно для бизнеса по простой причине: сервер, который вы напишете один раз, теоретически можно подключить к нескольким ассистентам без переписывания интеграции с нуля. Насколько это работает в конкретной связке, нужно проверять в вашем стеке, потому что поддержка функций у разных клиентов может отличаться.

## Как устроен MCP простыми словами

Официальная документация сравнивает MCP с разъёмом USB-C. Есть стандартный порт, и любое устройство с таким портом подключается одинаково. В случае ИИ речь идёт о трёх ролях.

Хост — это приложение, в котором работает пользователь: чат, редактор кода, корпоративный портал. Клиент живёт внутри хоста и поддерживает связь с одним MCP-сервером. Сервер — это программа, которая открывает доступ к внешней системе: базе данных, файлам, CRM, API. Именно сервер описывает, какие данные и действия доступны модели.

Через MCP ИИ-приложение получает доступ к трём видам возможностей: источникам данных, инструментам и готовым сценариям работы. Инструмент — это действие, например поиск по базе, создание задачи или расчёт. Источник данных — это то, что можно прочитать, например документ или таблица. Сценарий — заранее подготовленная инструкция для типовой задачи. Модель сама решает, когда вызвать нужный инструмент, но делает это в рамках того, что сервер разрешил.

## Какую проблему бизнеса это решает

Типичная картина в небольшой компании такая. Есть CRM, таблица с ценами, база заявок, почта и файловое хранилище. Сотрудник спрашивает ассистента: «Какие заявки за неделю не получили ответа и кому их передать?» Без подключения ассистент видит только то, что вставил сотрудник в чат. Каждый раз данные копируются вручную, и ответ зависит от того, насколько аккуратно это сделано.

С MCP можно один раз описать сервер к CRM и почте и дальше давать ассистенту доступ к нужным операциям. Тогда он отвечает по актуальным данным, а не по памяти сотрудника. Экономия здесь складывается из времени на поиск и копирование, из меньшего числа ошибок при переносе данных и из возможности отдавать такие запросы людям, которые не умеют писать выборки.

Важно не преувеличивать эффект. Протокол не делает данные чище и не заменяет процесс. Если в CRM хаос, ассистент будет аккуратно выдавать хаотичные ответы. Поэтому подключение MCP имеет смысл после того, как понятно, какие данные нужны и кто за них отвечает.

## Какие процессы можно автоматизировать

На практике MCP чаще всего подключают к процессам, где ответ требует данных из нескольких систем.

Поддержка клиентов: ассистент читает историю обращения, статус заказа и условия договора, готовит черновик ответа, а оператор проверяет и отправляет. Продажи: подготовка коммерческого предложения по данным из CRM и прайса, напоминания о сделках без движения. Документооборот: поиск нужного договора или акта в файловом хранилище по смыслу запроса, а не по точному названию. Разработка: доступ к репозиторию, истории задач и тестам, чтобы ассистент видел контекст изменения. Аналитика: вопросы к базе данных на естественном языке с ограничениями на чтение.

Во всех этих случаях полезно начинать не с «автоматизировать всё», а с одной операции, которая повторяется каждый день и занимает заметное время. Такой выбор проще измерить и проще остановить, если что-то пойдёт не так.

## Сценарии для разных компаний

Для интернет-магазина MCP может соединить склад, заказы и переписку с покупателями. Ассистент отвечает на вопрос «где мой заказ» по данным из системы доставки и не требует, чтобы оператор открывал три вкладки.

Для B2B-компании с длинными циклами продаж полезнее подключение к CRM и базе договоров. Менеджер просит подготовить сводку по клиенту перед звонком, и ассистент собирает историю сделок и открытые вопросы.

Для команды разработки основной сценарий — доступ к репозиторию и трекеру задач. Ассистент помогает разобраться в изменении, но любые действия, которые меняют код или статус задачи, лучше пускать только после подтверждения человеком.

Для небольшой компании без собственных разработчиков стоит смотреть на готовые серверы из открытого репозитория. Если нужного коннектора нет, придётся писать собственный сервер, и тогда задача уже становится проектом разработки.

## Пошаговый план внедрения

Первый шаг — выбрать один процесс и описать его: кто участвует, какие данные нужны, что считается хорошим результатом. Второй шаг — проверить доступы. Кто владеет данными, какие роли должны видеть какие записи, нужна ли отдельная учётная запись для ассистента. Третий шаг — выбрать, готовый сервер или собственный. Если существующий сервер покрывает задачу, пилот занимает заметно меньше времени.

Четвёртый шаг — подключить сервер в тестовой среде и прогнать типовые вопросы. Пятый шаг — ограничить инструменты только теми действиями, которые действительно нужны. Лишний инструмент увеличивает риск и путаницу. Шестой шаг — пилот на ограниченной группе сотрудников с журналом вызовов и регулярным разбором ошибок. Только после этого имеет смысл расширять доступ.

Ориентировочная сложность зависит от числа систем и качества их API. Подключение одного готового сервера к одному ассистенту обычно проходит быстрее, чем интеграция с несколькими собственными системами. Точную оценку можно дать только после аудита данных, и её стоит проверять на вашем проекте.

## Требования к данным и инфраструктуре

Для MCP нужны три вещи: понятные источники данных, доступ к ним через API или через существующий сервер и место, где запущен сервер. Сервер может работать локально на рабочей станции для пилота или на собственной инфраструктуре компании для постоянной работы. Для чувствительных данных предпочтительнее второй вариант, потому что контроль доступа и журналирование остаются у компании.

Данные должны быть хотя бы частично структурированы. Если информация лежит в наборе документов без понятной организации, ассистенту будет сложно находить нужное, и результат будет нестабилен. Здесь помогает простая инвентаризация: какие системы есть, кто владелец данных, как часто они меняются.

Отдельно стоит учесть журналирование. Если ассистент выполняет действия от имени сотрудника, нужно понимать, кто что запросил и какой инструмент был вызван. Без журнала разбор ошибок превращается в гадание.

## Экономический эффект

Прямой расчёт эффекта зависит от процесса, объёма запросов и стоимости времени в компании. Общие формулы здесь бесполезны, а цифры из чужих кейсов не переносятся без проверки. Разумный подход такой: до пилота замерить время на типовую операцию, после пилота замерить снова на той же выборке задач и сравнить с учётом времени на проверку ответов ассистента.

Расходы складываются из нескольких частей: работа по подключению и тестированию, поддержка сервера при изменении внешних API, стоимость самих моделей и инфраструктуры, время сотрудников на проверку. Часто недооценивают последнюю статью. Если ассистент отвечает неточно, проверка съедает выгоду, и это нужно учитывать с первого дня.

Оценочный показатель для пилота можно строить так: сколько минут экономится на одном типовом запросе, сколько таких запросов в неделю, сколько минут уходит на проверку. Если разница незначительна, процесс, скорее всего, выбран неудачно или стоит сначала упростить данные.

## Риски и ограничения

Первый риск — неверные действия. Модель может вызвать не тот инструмент или передать неправильный параметр. Поэтому инструменты, которые меняют данные, стоит закрывать подтверждением человека, а инструменты только для чтения можно открывать шире.

Второй риск — слишком широкий доступ. Если сервер получил учётную запись с правами администратора, любая ошибка в запросе становится опасной. Права должны соответствовать роли конкретного сотрудника или выделенной учётной записи ассистента.

Третий риск — внедрённые инструкции. Текст, который ассистент читает из документа, письма или веб-страницы, может содержать команду, которую модель попробует выполнить. Это известная проблема для всех ИИ-систем, работающих с внешними данными. Снизить риск помогают ограничение инструментов, разделение источников по уровню доверия и обязательное подтверждение опасных действий.

Четвёртый риск — зависимость от поддержки клиентов и серверов. Протокол открытый, но конкретный сервер может устареть, а клиент может по-разному реализовывать функции. Перед выбором стоит проверить, что нужный клиент поддерживает нужные возможности, и заложить время на обновления.

## Безопасность и защита данных

Для бизнеса безопасность важнее скорости подключения. В официальной документации MCP есть отдельный раздел о лучших практиках безопасности, и его стоит прочитать до запуска пилота. Базовые меры очевидны, но их часто пропускают: минимальные права, отдельные учётные записи, журналирование вызовов, хранение секретов вне кода, проверка данных, которые сервер возвращает модели.

Персональные данные требуют отдельного решения. Нужно понимать, куда уходят данные при запросе к модели, где они хранятся и кто имеет к ним доступ. Для клиентских данных и коммерческой тайны это часто определяет, можно ли использовать облачную модель или нужен вариант на собственной инфраструктуре.

## Сравнение с альтернативами

Есть три распространённых способа дать ИИ доступ к данным компании. Первый — писать прямые интеграции через API для каждого ассистента. Это гибко, но дорого при росте числа систем и ассистентов. Второй — встроенные функции вызова инструментов внутри конкретного приложения. Они удобны для одного продукта, но переносятся хуже. Третий — загружать выгрузки данных в чат вручную. Это быстро для разового вопроса, но не масштабируется и создаёт риски утечки.

MCP имеет смысл, когда нужно подключить несколько систем и несколько ассистентов и не хочется переписывать связки при каждом изменении. Для одной простой задачи с одной системой прямая интеграция может оказаться проще и надёжнее. Выбор зависит от масштаба и от того, насколько часто меняется набор инструментов.

## Вывод и следующий шаг

MCP — это стандарт, который упрощает подключение ИИ-ассистентов к данным и инструментам. Его главная ценность для бизнеса в повторном использовании интеграций и в понятной модели доступа, а не в магии. Пилот лучше начинать с одного процесса, одной системы и ограниченных прав, с журналом вызовов и измерением времени до и после.

Если вы хотите понять, подходит ли MCP вашей компании, начните с инвентаризации: какие системы участвуют в процессе, кто владеет данными, какие действия ассистент должен уметь выполнять и какие должен запрещать. Эти ответы определяют и архитектуру, и стоимость пилота. Общие принципы подключения ИИ-агентов к процессам разобраны в материале [ИИ-агенты для бизнеса](https://w1do.ru/blog/ai-agents/ai-agents-for-business), а проектирование инструментов и контроля описано в статье [Инженерия ИИ-агентов](https://w1do.ru/blog/ai-agents/engineering). Для задач продаж с CRM полезен разбор [AI-агент для продаж](https://w1do.ru/blog/ai-agents/ai-agent-for-sales), а различия между готовым ассистентом и собственным агентом описаны в [сравнении с ChatGPT](https://w1do.ru/blog/ai-agents/ai-agents-vs-chatgpt). Все материалы по теме собраны в [категории ИИ-агентов](https://w1do.ru/categories/ai-agents).

Материал подготовлен с учётом SEO-требований и технически пригоден для индексации.

## MCP-сервер для 1С

https://w1do.ru/blog/business-automation/mcp-server-dlya-1s

## Введение

Если в компании работает 1С, рано или поздно появляется вопрос: можно ли дать ИИ-агенту доступ к базе, чтобы он отвечал на вопросы о данных, готовил черновики документов и проверял остатки, не переписывая интеграцию под каждую модель. Протокол MCP (Model Context Protocol) — один из самых обсуждаемых способов это сделать. Ниже разобрано, что он даёт, где проходят ограничения и с чего начать пилот.

Материал носит практический характер. Он не заменяет техническое задание и не гарантирует совместимость с конкретным релизом платформы: это нужно проверять на вашей конфигурации.

## Что такое MCP простыми словами

MCP — открытый стандарт того, каким способом модель подключается к внешним системам: файлам, базам данных, API и сервисам. Без стандарта каждая связка «модель — система» писалась бы отдельно. Теперь можно написать один MCP-сервер для системы и подключать к нему разных клиентов: настольные AI-приложения, среды разработки, собственные агенты.

Схема состоит из трёх ролей. Хост — приложение, в котором работает модель, например чат или редактор кода. Клиент — компонент внутри хоста, который держит соединение с сервером. Сервер — программа, которая открывает доступ к данным и действиям. Сообщения между ними построены на JSON-RPC 2.0, а транспорт бывает двух видов: stdio, когда сервер запускается как локальный процесс, и Streamable HTTP, когда сервер работает как отдельный сетевой сервис.

Для бизнеса важен не транспорт, а то, что стандарт задаёт единый способ описать, какие действия доступны агенту и какие данные он может прочитать. Это снижает стоимость смены модели или клиента.

## Что изменилось: MCP становится общим стандартом

Стандарт, который Anthropic открыла в конце 2024 года, в декабре 2025 года передан в Agentic AI Foundation — фонд под эгидой Linux Foundation. По данным обзоров рынка за 2026 год, MCP используют и SDK, и тысячи публичных серверов, но цифры в разных источниках расходятся. Поэтому в расчётах мы не опираемся на отраслевые проценты внедрения: их стоит перепроверять по первоисточнику перед тем, как ссылаться на них в документах.

Практический смысл в другом. Как следует из обзоров рынка, всё больше клиентских приложений поддерживают MCP, и инструмент, написанный один раз, может работать в нескольких клиентах. Для компании это уменьшает риск привязки к одному поставщику модели.

Официальная документация стандарта доступна на сайте [modelcontextprotocol.io](https://modelcontextprotocol.io/). Перед внедрением сверяйте версию спецификации: в открытых источниках упоминаются разные ревизии протокола.

## Как MCP работает: три примитива

У сервера есть три вида возможностей, и разница между ними важна при проектировании.

Инструменты (tools) — функции, которые модель может вызвать сама. Например, «найти контрагента по ИНН», «создать черновик счёта», «получить остатки на складе». Клиент получает список инструментов через запрос tools/list, а выполняет их через tools/call. Решение о вызове принимает модель, поэтому именно инструменты требуют самого строгого контроля прав.

Ресурсы (resources) — данные только для чтения, которые приложение или пользователь прикрепляют к контексту. Это могут быть карточка товара, выгрузка отчёта или текст регламента. Каждый ресурс имеет адрес в виде URI. Решает обычно не модель, а пользователь или приложение.

Промпты (prompts) — шаблоны запросов, которые пользователь вызывает явно, часто как команду в интерфейсе. Например, «сверка взаиморасчётов за месяц» с заранее заданной структурой ответа.

Для автоматизации в 1С чаще всего нужны инструменты и ресурсы. Промпты полезны, когда у команды появляется набор типовых вопросов, которые задают одинаково.

## Зачем MCP бизнесу, которому нужна 1С

Большинство российских компаний, работающих с учётом, закупками и продажами, держат основной учётный контур в 1С. Данные там структурированы, но доступ к ним для неспециалиста закрыт: нужно знать конфигурацию, открыть отчёт, выбрать период, выгрузить в таблицу. Агент, подключённый через MCP, может взять на себя часть этих запросов.

Важно сразу разделить два класса задач. Первый — чтение: ответы на вопросы по данным, поиск документа, сводка по контрагенту. Здесь риск ниже, потому что изменения не происходят. Второй — запись: создание документов, изменение статусов, проводки. Запись требует подтверждения человеком, журнала действий и отдельной роли пользователя в 1С.

Начинать стоит с чтения. Оно даёт понятный эффект и позволяет проверить качество ответов до того, как агент получит право что-то менять.

## Два пути подключения 1С к MCP

Сообщество разработчиков 1С предлагает несколько подходов. На момент подготовки материала единого официального MCP-сервера от 1С для платформы «1С:Предприятие 2026» мы не нашли, поэтому речь идёт о проектах сообщества и подходах на базе платформы.

Первый путь — готовое расширение с открытым исходным кодом. Например, проект [vladimir-kharin/1c_mcp](https://github.com/vladimir-kharin/1c_mcp) позволяет создать MCP-сервер средствами самой 1С. Он берёт на себя технические детали протокола, а разработчик описывает бизнес-логику инструментов. Инструменты для работы с метаданными конфигурации в нём доступны сразу. Такой вариант подходит для пилота, потому что его можно поднять на тестовой базе за короткое время.

Второй путь — реализация MCP-сервера на уровне интеграционной шины «1С:Шина». По описанию авторов, доступ к данным в этом варианте разграничивается по пользователям: для каждого пользователя выпускается отдельный токен, который передаётся до сервера и определяет, какие данные вернёт база. Это ближе к модели прав, которую уже использует компания, но требует большего объёма разработки.

Третий вариант — агентская среда разработки, где MCP-сервер вызывает сторона, на которой работает ИИ-агент. В этом случае адреса и ключи лучше держать в переменных окружения, а не в конфигурации агента, и ограничивать список разрешённых инструментов. Каждый лишний инструмент — ещё один канал, по которому данные могут уйти в модель.

Как подключить MCP к Claude или другому клиенту, описано в документации самого клиента. Сервер при этом должен быть готов заранее, и его инструменты проверены на тестовой базе.

Совместимость с конкретной версией платформы нужно проверять отдельно. Открытые проекты часто указывают поддерживаемые релизы, и это первое, что стоит уточнить у исполнителя.

## Какие процессы можно отдать агенту

Ниже — процессы, с которых обычно начинают. Для каждого указано, что агент делает и что остаётся за человеком.

Ответы на вопросы по учёту. Менеджер спрашивает, сколько дебиторской задолженности у клиента на сегодня и когда была последняя оплата. Агент находит контрагента, читает нужные регистры через инструмент и формирует ответ со ссылками на документы. Решения по взысканию принимает человек.

Поиск документов. Бухгалтер ищет счёт-фактуру по номеру из письма поставщика. Агент сопоставляет номер, дату и сумму, а затем открывает карточку документа. Проведение документа остаётся за бухгалтером.

Черновики. Агент готовит черновик заявки на закупку по остаткам и среднему расходу за период. Заявка не уходит в работу, пока её не утвердит ответственный сотрудник.

Сверка. По просьбе пользователя агент сравнивает данные из выгрузки банка с платёжными документами в базе и выделяет расхождения. Итоговый список проверяет человек.

Поддержка внутренних пользователей. Сотрудники задают вопросы по регламентам, которые загружены как ресурсы. Агент отвечает по тексту регламента и указывает раздел.

Сценарии записи — отдельная история. Их стоит добавлять только после того, как чтение стабильно работает, и только с подтверждением пользователя перед каждым изменением.

## Кому подходит и какие роли нужны

Подход подходит компаниям, которые уже используют 1С как основной учётный контур и готовы выделить время на один пилотный процесс. Его разумно рассматривать, если в компании есть постоянные вопросы к данным, которые отнимают время у бухгалтеров, менеджеров и руководителей.

Для пилота нужны три роли. Владелец процесса — сотрудник, который знает бизнес-правила и может оценить качество ответов. Администратор 1С — человек, который настраивает права, учётные записи и тестовую базу. Разработчик — исполнитель, который пишет или настраивает MCP-сервер и отвечает за инструменты.

В маленькой компании одна и та же задача может закрываться одним человеком, но права доступа всё равно нужно настроить отдельно от личного пользования.

## Что нужно для запуска: данные, доступы, инфраструктура

Минимальный набор такой.

Тестовая база 1С — копия продуктивной базы, на которой можно проверять инструменты без риска для данных. Копия должна обновляться по расписанию, иначе ответы агента будут устаревать.

Описание процесса: какие вопросы задают, какие данные нужны, какой ответ считается правильным. Без этого не с чем сравнивать качество.

Учётные записи 1С с ограниченными правами. Для агента заводится отдельный пользователь, которому доступны только нужные роли и объекты. Если в базе есть персональные данные, их доступ ограничивается отдельно.

Сервер MCP и место его размещения. Если сервер работает локально, для него нужен защищённый канал до базы. Если он работает в сети, нужны сетевые правила и журнал запросов.

Модель и клиент. Выбор зависит от требований к передаче данных. Если данные не должны покидать контур компании, нужна локальная модель или корпоративный шлюз, и это влияет на бюджет и качество ответов.

Инструкция для сотрудников: что можно спрашивать, какие ответы проверять вручную, куда писать об ошибке.

## Пошаговый план пилота

Пилот удобно разбить на шесть шагов.

Первый шаг — выбор одного процесса. Берите задачу, которая повторяется каждую неделю и не требует записи в базу. Хороший признак: сейчас на неё уходит несколько часов и её можно проверить за несколько минут.

Второй шаг — описание инструментов. Для каждого вопроса нужен отдельный инструмент с понятными входными параметрами. Например, «получить задолженность контрагента на дату» вместо общего «выполнить запрос».

Третий шаг — настройка прав и тестовой базы. Учётная запись агента получает только нужные объекты. Все инструменты сначала проверяются вручную, без модели.

Четвёртый шаг — проверка качества на наборе вопросов. Подготовьте 30–50 реальных вопросов с эталонными ответами. Прогоните их через агента и посчитайте, сколько ответов совпало, сколько потребовало уточнения, сколько ошибочных.

Пятый шаг — ограниченный запуск. Доступ получают два-три сотрудника, которые понимают задачу. Ошибки фиксируются в журнале.

Шестой шаг — решение. По итогам пилота принимается одно из трёх: расширять процесс, доработать инструменты или остановиться. Остановка тоже результат, если выяснилось, что данные не готовы.

## Ориентировочные расходы и эффект

Точная стоимость зависит от конфигурации, объёма данных, выбранного варианта подключения и исполнителя. Поэтому ниже только порядок величин и логика расчёта, без обещанных цифр.

Основные статьи расходов: работа разработчика по инструментам, настройка тестовой базы и прав, модель и её использование, сопровождение после запуска. Первая статья обычно самая заметная, потому что каждый инструмент требует проверки на реальных данных.

Эффект считается через время. Возьмите один процесс, посчитайте, сколько часов в месяц уходит на вопросы и поиск, и сравните с затратами на пилот и сопровождение. Если сэкономленное время не покрывает сопровождение, процесс выбран неудачно или инструменты слишком дорогие в разработке.

Оценочный показатель для планирования: если пилот занимает несколько недель и касается одного процесса, решение о масштабировании обычно принимают по данным за один-два месяца работы. Раньше делать выводы рискованно.

## Риски и ограничения

Первый риск — неверный ответ, который выглядит уверенным. Модель может соединить данные из двух объектов или неправильно понять период. Защита — эталонный набор вопросов, ссылки на документы в ответе и обязательная проверка при любых финансовых выводах.

Второй риск — утечка данных. Если агент получает доступ к персональным данным, а клиент или модель находятся за пределами контура компании, данные могут уйти туда, где их не должно быть. Перед запуском проверьте, какие поля попадают в ответы, и где обрабатывается запрос.

Третий риск — избыточные права. Агент с правами на всю базу опаснее сотрудника, который делает запросы вручную, потому что он делает их быстрее и без паузы. Права ограничиваются по роли и по объекту.

Четвёртый риск — зависимость от сообщества. Открытые проекты могут не поддерживаться или отставать от новых релизов платформы. Заложите время на обновление и на возможную замену компонента.

Пятый риск — ожидания руководства. MCP не даёт автоматического роста производительности. Он убирает часть ручных запросов, а остальную работу по-прежнему делают люди.

Ограничение технического характера: инструменты работают с тем, что описано. Если в конфигурации есть нестандартные объекты, их придётся описывать отдельно, и это увеличивает объём работ.

## Безопасность: права, токены, журнал

Безопасность в такой схеме строится на трёх уровнях.

Первый уровень — учётные записи. Агент работает под отдельным пользователем 1С, и его роли должны совпадать с ролью человека, который задаёт вопрос, или быть уже. Если агент отвечает на вопросы бухгалтера, он не должен видеть то, чего бухгалтер не видит.

Второй уровень — токены и секреты. Ключи доступа к модели и к базе хранятся в переменных окружения или в хранилище секретов, а не в тексте конфигурации агента и не в репозитории. При смене сотрудника или подозрении на утечку токены перевыпускаются.

Третий уровень — журнал. Каждый вызов инструмента фиксируется: кто задал вопрос, какой инструмент вызван, с какими параметрами, сколько записей вернулось. Журнал нужен для разбора ошибок и внутреннего аудита.

Отдельно стоит решить, какие инструменты могут менять данные. На старте таких инструментов лучше не делать вовсе. Если они нужны, каждое изменение должно требовать подтверждения человеком в интерфейсе, а не по решению одной модели.

## MCP или прямой API: что выбрать

Прямой вызов API 1С или интеграционной шины часто проще для одной фиксированной задачи, например для выгрузки в отчёт по расписанию. Здесь не нужны модель и диалог, достаточно обычного кода.

MCP выигрывает там, где вопросы заранее не известны, а пользователь хочет спрашивать на естественном языке и получать ответ со ссылками на данные. Стандарт также полезен, если компания рассчитывает подключать несколько клиентов, например чат для сотрудников и редактор кода для разработчиков, к одному набору инструментов.

Правило простое: если задача повторяется по расписанию и формат ответа фиксирован, берите обычный API. Если задача звучит как вопрос, на который заранее нельзя написать один запрос, рассматривайте MCP.

## Вывод и следующий шаг

MCP даёт способ подключить ИИ-агента к данным 1С без отдельной интеграции под каждую модель. Для бизнеса практичная отправная точка — один пилотный процесс, в котором агент отвечает на вопросы по данным, без права записи. Пилот проверяет три вещи: качество ответов, корректность прав и реальное время, которое удалось сэкономить.

Если вы хотите понять, подходит ли такой подход вашей базе, начните с инвентаризации: какие вопросы задают чаще всего, какие отчёты строятся вручную и какие права уже есть у пользователей. Эти три списка дают основу для технического задания.

Похожие вопросы разбираются в материалах о том, [как заказать ИИ-агента](https://w1do.ru/blog/ai-implementation/how-to-order-ai-agent): там описано, какие данные и документы нужны исполнителю. Общий обзор задач для агентов в бизнесе есть в материале [AI-агент для бизнеса: задачи, стоимость и окупаемость](https://w1do.ru/blog/ai-agents/ai-agent-for-business). Новости рынка агентов за октябрь 2026 года разобраны в [отдельном обзоре](https://w1do.ru/blog/business-automation/ai-agents-business-news-october-2026).

## ИИ-агенты для бизнеса: что изменилось в октябре 2026 и какие процессы можно автоматизировать

https://w1do.ru/blog/business-automation/ai-agents-business-news-october-2026

## Что вышло в последние недели

За сентябрь и начало октября 2026 года вышло несколько обновлений, которые касаются бизнеса напрямую.

- **Claude Opus 5.5** — 22 сентября. Самая мощная модель линейки для сложных задач и длинных цепочек рассуждений.
- **Claude Sonnet 5.5** — 28 сентября. Баланс качества и цены для большинства рабочих задач.
- **Claude Haiku 5.5** — 7 октября. Быстрая и дешёвая модель для большого потока однотипных запросов: сводки, классификация, первичные ответы в поддержке.

По документации Anthropic, Haiku 5.5 стоит $0.10 за миллион входных и $0.50 за миллион выходных токенов при промпте до 100 тысяч токенов. Важная оговорка: Anthropic говорит о снижении стоимости в среднем на 75% по сравнению с Haiku 4.5, но тот же текст в Haiku 5.5 даёт примерно на 30% больше токенов. Реальная экономия зависит от задачи, поэтому её стоит проверить на своих данных.

Если вы выбираете модель для автоматизации, с этого и стоит начинать. Разбор того, как выбрать подход и не переплатить, есть в статье [как внедрить ИИ в бизнес-процессы](/blog/ai-implementation/how-to-implement-ai-in-business-processes).

## Реальный кейс: Barclays

1 октября Anthropic опубликовала кейс Barclays. По материалу, Claude используется в двух местах.

- **Обработка писем клиентов.** В подразделении Global Markets модель сортирует входящие письма, добавляет контекст и определяет, куда направить каждое обращение. Команда получает запрос уже с нужной информацией. По словам Anthropic, система обрабатывает около 120 000 писем в день.
- **Внутренний ассистент для сотрудников.** Colleague Knowledge Assistant помогает находить ответы в базе знаний. Им пользуются более 16 000 сотрудников, за время работы он обработал больше миллиона запросов.

Это цифры самого вендора, независимой проверки я не нашёл. Но схема переносима на средний бизнес: классификация входящих, обогащение данными, маршрутизация и поиск по внутренним документам. Похожие сценарии разобраны в статье [ИИ-агенты для малого бизнеса](/blog/business-automation/ai-agents-for-small-business), а поддержка клиентов — в [разборе ИИ-агента для поддержки](/blog/ai-agents/ai-agent-customer-support).

## Агенты внутри рабочих приложений

Google показал агента Gemini, который работает внутри Gmail, Drive, Docs, Sheets, Slides, Chat и Calendar. По описанию Google, агент может вести задачу сразу в нескольких приложениях: превратить длинную переписку в бриф, собрать презентацию из документа. Также можно создать «коллегу-агента» с собственным аккаунтом Workspace, календарём и доступом к Drive.

Тренд в том, что агент перестаёт быть отдельным чатом и встраивается туда, где уже работает команда. Меньше переключений между системами и меньше ручного переноса данных. Но требования к доступам становятся строже, их нужно продумывать заранее.

Чем агент отличается от обычного чат-бота и где он действительно нужен, разобрано в статье [ИИ-агенты против ChatGPT](/blog/ai-agents/ai-agents-vs-chatgpt).

## Что это меняет для бизнеса

Агенты хорошо работают на узких, повторяемых задачах с понятными правилами. Решения, где нужна ответственность человека, по-прежнему за людьми.

Что стоит сделать, если вы рассматриваете ИИ-автоматизацию:

1. **Выбрать один процесс с большим объёмом.** Например, сортировку входящих заявок, первичный ответ в поддержке или поиск по регламентам.
2. **Измерить исходную точку.** Сколько времени уходит на заявку, сколько заявок в день, сколько ошибок маршрутизации.
3. **Запустить пилот с проверкой человеком.** Агент предлагает решение, сотрудник подтверждает. Так видно, где модель ошибается.
4. **Считать стоимость по токенам и по времени команды.** Дешёвая модель не всегда выгоднее, если она требует больше токенов или больше проверок.
5. **Логировать решения агента.** Без журнала трудно понять, почему произошла ошибка, и невозможно улучшать систему.

Когда пилот проверен и нужен подрядчик, помогут критерии из статьи [как выбрать разработчика ИИ-агента](/blog/ai-implementation/how-to-choose-ai-agent-developer). Типичные ошибки на этапе разработки собраны в [разборе ошибок внедрения](/blog/ai-implementation/ai-agent-development-mistakes).

Вывод простой: выигрывают не те, кто подключил самую большую модель, а те, кто выбрал один процесс, измерил результат и довёл его до стабильной работы. Больше материалов по теме — в разделах [Автоматизация бизнеса](/categories/business-automation) и [ИИ-агенты](/categories/ai-agents).

## Источники

- [Anthropic: Introducing Claude Haiku 5.5](https://www.anthropic.com/claude-haiku-5-5)
- [Anthropic: Barclays scales Claude](https://www.anthropic.com/news/barclays-scales-claude)
- [Anthropic: новости и релизы моделей](https://www.anthropic.com/news)
- [Claude Platform Docs: Haiku 5.5 pricing](https://platform.claude.com/docs/en/models/haiku-5-5/overview)
- [Google Cloud: Gemini at Work 2026](https://cloud.google.com/blog/products/ai-machine-learning/welcome-to-gemini-at-work-2026)
- [Google Workspace: 5 new agentic capabilities](https://workspace.google.com/blog/product-announcements/less-switching-more-flow-5-new-agentic-capabilities-across-google-workspace-apps)

## Какие процессы в бизнесе закрывают ИИ-агенты в 2026 году

https://w1do.ru/blog/business-automation/ai-agents-business-processes-2026

## Чем агент отличается от чат-бота

Чат-бот отвечает на вопрос. ИИ-агент получает задачу, разбивает её на шаги, ходит в нужные системы и доводит процесс до результата. Например, принимает заявку из почты, проверяет её по CRM, создаёт счёт и ставит задачу менеджеру.

Разница важна для бизнеса. Чат-бот экономит время на вопросах, а агент закрывает кусок операционной работы целиком. Если вы сравниваете два подхода, в статье [ИИ-агенты и ChatGPT: в чём разница](https://w1do.ru/blog/ai-agents-vs-chatgpt) разобраны критерии выбора.

## Что показывает статистика 2026 года

По сводке First Page Sage (обновлена в июле 2026), агентные системы чаще всего внедряют в поддержку клиентов: доля компаний около 64%. Дальше идут цепочки поставок (58%), ИТ-мониторинг (53%), разработка (51%), маркетинг (45%) и продажи (38%). Бухгалтерия и обработка финансовых документов отмечена у 30%, HR у 24%, юридическая проверка договоров у 18%.

Это данные агрегатора, а не один независимый опрос, поэтому относитесь к цифрам как к ориентиру. Важнее другой вывод: по данным McKinsey, которые цитирует Joget, 88% организаций уже используют ИИ где-то в бизнесе, но только около 23% масштабируют агентную систему хотя бы в одной функции. Разрыв между пилотом и рабочим процессом и есть главная проблема 2026 года.

## Шесть процессов, которые агенты закрывают уже сейчас

**1. Первичная обработка заявок.** Агент читает входящее письмо или форму, определяет тип запроса, проверяет клиента в CRM и либо отвечает сам, либо передаёт менеджеру с готовой карточкой. Подходит для компаний, где много однотипных обращений.

**2. Поддержка клиентов второй линии.** Агент собирает историю заказа, статус доставки и условия возврата, готовит черновик ответа. Решение о компенсации остаётся за человеком.

**3. Сверка документов.** Счета, акты и накладные сопоставляются с заказами и договорами. Агент отмечает расхождения, а бухгалтер смотрит только спорные строки.

**4. Подготовка коммерческих предложений.** По брифу и истории клиента агент собирает черновик КП из шаблонов и прайса. Менеджер проверяет цены и условия.

**5. Мониторинг и уведомления.** Агент следит за показателями, ошибками в логах или остатками на складе и пишет, когда значение выходит за порог.

**6. Подбор и первичный отбор.** Агент разбирает резюме по критериям вакансии. Окончательное решение по кандидату принимает HR.

Заметьте общую черту: везде есть понятный вход, проверяемый результат и точка, где человек подтверждает решение.

## Как выбрать первый процесс

Не начинайте с самого сложного процесса. Выбирайте задачу, которая соответствует трём условиям:

- повторяется каждый день или каждую неделю;
- занимает у людей заметное время, а не несколько минут в месяц;
- результат можно проверить по понятному критерию, например «ошибок в счетах меньше 2%».

Если процесс проходит через пять систем и три отдела, отложите его. Сначала отработайте один сценарий на ограниченной выборке, а потом масштабируйте. Пошаговый план внедрения описан в статье [Как внедрить ИИ в бизнес-процессы: план для компании](https://w1do.ru/blog/ai-implementation/how-to-implement-ai-in-business-processes).

## Какие риски заранее закрыть

Агент с широким доступом опаснее чат-бота, потому что он действует. Перед запуском проверьте четыре вещи:

- **Права доступа.** Агент должен видеть только те данные и системы, которые нужны для конкретного шага.
- **Границы решений.** Список действий, которые агент делает сам, и список тех, что требуют подтверждения человека. Например, возвраты выше определённой суммы.
- **Журнал действий.** Каждый шаг агента должен записываться, чтобы его можно было проверить и откатить.
- **Качество данных.** Агент не исправит плохую базу клиентов. Сначала приведите в порядок данные, которые он будет читать.

Подробнее о том, как проверить подрядчика и техническое задание, есть в статье [Как выбрать разработчика AI-агентов](https://w1do.ru/blog/ai-implementation/how-to-choose-ai-agent-developer).

## Как посчитать эффект

Считайте не «экономию на зарплате», а конкретные метрики до и после пилота:

- время на один случай в минутах;
- количество случаев в неделю;
- долю ошибок и переделок;
- время ответа клиенту.

Если за четыре недели пилота время обработки заявки упало вдвое, а ошибки не выросли, сценарий можно масштабировать. Если нет, причина обычно в данных или в границах решений, а не в модели.

Ещё один полезный ориентир: в статье [Как заказать ИИ-агента: подготовка задачи, ТЗ и приёмка](https://w1do.ru/blog/ai-implementation/how-to-order-ai-agent) собран список того, что нужно описать до начала работ, чтобы приёмка была честной.

## Что делать дальше

Выберите один процесс из списка, который у вас повторяется каждую неделю. Опишите вход, выход и критерий качества. Запустите пилот на части заявок, сравните метрики и только потом расширяйте.

Если хотите быстро понять, что изменилось в ИИ за последние недели и что из этого применимо к бизнесу, посмотрите обзор [Что нового в ИИ в начале октября 2026 и что это даёт бизнесу](https://w1do.ru/blog/business-automation/ai-news-october-2026-business).

## ИИ-агенты для бизнеса

https://w1do.ru/blog/ai-agents/ai-agents-for-business

## Введение

Чат-бот отвечает на вопрос и на этом останавливается. Агент идёт дальше: открывает заказ, сверяет условия доставки, заводит карточку в CRM и, если что-то не сходится, передаёт дело живому сотруднику. На словах разница маленькая. На практике она большая, потому что теперь система сама совершает действия, а значит, за них нужно отвечать.

Ниже разобрано, что случилось в этом году, где агенты действительно окупаются и почему больше половины таких проектов, судя по прогнозам, не доживёт до конца 2027-го.

## Что произошло этой осенью

В начале октября Fujitsu запустила пробную среду для четырёх ИИ-агентов, которые помогают магазинам. Старт назначен на 6 октября 2026 года. Демонстрационные эксперименты с семью розничными компаниями идут поэтапно, то есть это проверка на живых точках, а не массовый релиз.

С другой стороны прилавка картина похожая. Отчёт Adobe, о котором 3 октября 2026 года написала The New York Times, фиксирует рост трафика на американские розничные сайты из ИИ-источников на 393% за этот год. Morgan Stanley прогнозирует, что к 2030 году траты, на которые влияют агенты, могут занять до 20% американской электронной коммерции, около 385 миллиардов долларов. Это прогноз, и относиться к нему стоит именно так. Но каталог магазина уже сейчас читает не только человек: его разбирает программа, которая сравнивает товары для покупателя.

Есть и вторая цифра, которую полезно помнить. Gartner, по данным Voiceflow от 17 сентября 2026 года, ожидает, что более 40% проектов с агентным ИИ будут остановлены до конца 2027 года. Причины там называют деньги, неясную пользу и слабый контроль рисков, а технология в этом списке стоит не первой. Часть продуктов, которые продаются как агенты, по факту остаётся чат-ботами или RPA с новой этикеткой.

## Что такое агент, если убрать маркетинг

Модель получает задачу, выбирает инструмент, вызывает его, смотрит на ответ и решает, что делать дальше. Инструментов может быть сколько угодно: поиск по базе знаний, карточка клиента, выставление счёта, письмо, смена статуса заказа.

Для бизнеса у такой схемы есть три обязательных части. Первая — доступ к данным. Без него агент отвечает уверенно и пусто. Вторая — список разрешённых действий, и каждое действие имеет границы. Третья — журнал решений и понятный путь к человеку. Если выбросить любую из трёх, получится собеседник, который приятно говорит и ничего не делает.

Подробные разборы сценариев продаж и поддержки собраны в категории [ИИ-агенты](https://w1do.ru/categories/ai-agents). Там же видно, чем агент отличается от обычного ассистента и по каким признакам оценивать качество.

## Где агенты окупаются

Агенту нужна работа, которая повторяется, опирается на понятные правила и лежит в нескольких системах сразу. Ниже типичные места, где это встречается.

- Первичная обработка заявок. Агент определяет тип обращения, находит клиента в CRM, создаёт задачу менеджеру и предлагает удобное время для звонка.
- Поддержка. Ответ по базе знаний, проверка статуса заказа, передача спорного случая оператору вместе с короткой сводкой, чтобы тот не переспрашивал клиента.
- Документы. Из счёта извлекаются реквизиты, сверяются с договором, расхождения помечаются. Подписывает всё человек.
- Отчётность. Данные собираются из трёх-четырёх систем, сводятся в одну таблицу и уходят ответственному в назначенное время.

Ценность тут не в замене людей. Она в том, что сотрудник перестаёт переключаться между вкладками и искать, где лежит нужная цифра. Остаётся работа, которая требует суждения.

## Какой процесс брать первым

Подходящий процесс обычно отвечает четырём условиям. Он повторяется ежедневно или хотя бы еженедельно. Решение по нему можно записать без долгих споров. Входные данные уже в цифровом виде. И ошибка обходится дешевле, чем ручная обработка того же объёма.

Самая частая ошибка — начинать сразу с «всей поддержки» или с «агента, который знает о компании всё». Такой проект растягивается на месяцы и заканчивается тем, что никто не понимает, работает он или нет. Удобнее взять два-три самых частых типа обращений, передавать остальное человеку и посмотреть на результат через несколько недель.

## Кому это подходит и в каком виде

Интернет-магазин может поручить агенту вопросы о наличии, сроках доставки и возвратах. Для него важна связка с системой заказов, а не красивые формулировки ответа.

Компания с долгим циклом продаж использует агента, чтобы квалифицировать входящие лиды, подготовить первое письмо и не потерять напоминание о следующем шаге. Здесь решающая часть — качество карточек в CRM.

Сервисная компания принимает заявку, уточняет параметры объекта и формирует карточку для выездного мастера. Ошибка в адресе или в типе оборудования обходится дорого, поэтому проверка обязательна.

Бухгалтерия и юристы выигрывают от извлечения данных из документов. Решение о проведении остаётся за человеком, и так и должно быть.

Для малого бизнеса обычно хватает одного агента с одним-двумя подключениями. Крупной компании нужна общая схема: несколько агентов, единые правила доступа и один журнал на всех.

## Как запускать пилот

Сначала нужно понять, с чем работаем сейчас. Сколько обращений приходит в день, сколько минут уходит на каждое, какая доля закрывается без участия человека и на каких ошибках чаще всего спотыкаются сотрудники. Без этих цифр потом не с чем сравнивать.

Второй шаг — собрать минимальный набор данных. Для поддержки это база знаний и история обращений. Для продаж — карточки клиентов, стадии сделок и шаблоны писем. Чистить всё до идеала не нужно, но нужно знать, где что лежит и кто отвечает за актуальность.

Третий шаг — договориться о границах. Агенту разумно разрешить читать данные и готовить черновики. Деньги, договоры, персональные данные и всё, что создаёт юридические последствия, на первом этапе остаётся за человеком.

Дальше собирается прототип и проверяется на реальных обращениях, которые уже обработали сотрудники. Сравнивать с демонстрацией на удачных примерах бессмысленно: удачные примеры есть у любого.

Пилот запускают на части трафика, с журналом и понятным способом передать диалог человеку. Расширять его стоит после того, как метрики стабильны несколько недель подряд, а не после одного хорошего дня.

## Данные и инфраструктура

Агенту нужны три вида данных: справочная информация о компании, оперативные данные по клиентам и заказам, история прошлых решений. Справочная информация обычно разбросана по документам и почте, поэтому её приходится собирать заново и приводить к виду, который можно искать. Оперативные данные живут в CRM, ERP или во внутренней базе. Агенту к ним нужен доступ через API или сервисный слой, который ограничивает, что именно можно читать и менять.

Выбор инфраструктуры зависит от задачи. Для пилота обычно хватает облачной модели через API, сервера, на котором крутится оркестрация, и базы для журнала. Если персональные данные нельзя отправлять внешним сервисам, появляется вариант с локальной или self-hosted моделью. Он требует более мощного железа и людей, которые эксплуатируют его всерьёз. Решать это стоит по требованиям к конфиденциальности, а не по тому, что модно в этом квартале.

Логи вызовов инструментов, версии промптов и тестовый набор обращений лучше завести с первого дня. Иначе в момент ошибки никто не сможет ответить, почему агент так поступил, и обновлять его станет страшно.

## Сколько это может стоить и принести

Считать эффект можно по простой схеме. Берём число обращений в месяц, минуты на одно обращение, стоимость часа сотрудника. Умножаем на долю обращений, которые агент закрывает сам. Из полученной экономии вычитаем стоимость модели, инфраструктуры и работу тех, кто проверяет ответы.

Точной цифры без данных компании не будет, и любой, кто её называет без них, рисует. Поэтому смысл пилота в том, чтобы заменить оценку фактом на одном процессе, а уже потом решать про масштаб.

Есть и обратная сторона. Если модель дешевле сотрудника, но каждый пятый ответ приходится переделывать, экономия уходит в ноль, а клиенты, которые получили неверный ответ, могут уйти совсем. Цену ошибки считают вместе с ценой работы.

## Где агенты ошибаются

Главная опасность — уверенная ошибка. Агент может выдать неверный факт ровным тоном и с аккуратным объяснением, и читатель не почувствует подвоха. Для клиентских ответов нужно ограничивать источники, проверять факты по базе и предусмотреть, как диалог уходит к человеку.

Вторая опасность — лишние права. Агент, которому можно писать во все системы, становится уязвимым. Достаточно неудачного запроса или ошибочного вызова инструмента, чтобы поменять данные, которые менять нельзя. Права выдают минимальные и расширяют по мере необходимости.

Третья опасность — устаревание. Цены меняются, регламенты переписываются, а агент продолжает уверенно цитировать старую редакцию. Базу знаний и тестовые сценарии нужно пересматривать по расписанию, а не когда что-то сломалось.

Четвёртая — зависимость от поставщика. Модели меняются быстро. Архитектура должна позволять заменить одну модель другой, не переписывая всю систему.

И ещё честно про границы. Агенты плохо работают с неполными данными, с задачами, где нужна личная ответственность, и с процессами, которые существуют только в головах сотрудников. Такие процессы сначала придётся описать на бумаге.

## Безопасность и персональные данные

Агент работает с людьми, поэтому вопросы безопасности решаются до запуска, а не после первой утечки. Нужно понимать, какие данные уходят в модель, где они обрабатываются, как долго хранятся и кто видит журналы. Для обработки персональных данных нужна правовая основа, а иногда и отдельное согласие пользователя.

Технически важны несколько вещей. Разделение доступа по ролям. Маскирование полей, которые не нужны для ответа: номер карты, паспорт, полный адрес. Защита от инъекций: текст из письма клиента может содержать команду для агента, и её нельзя выполнять без проверки. Журнал, по которому можно восстановить всю цепочку решений.

Если компания работает с закрытыми данными, полезно заранее записать, какие сценарии допустимы в облаке, а какие обрабатываются только внутри. Тогда спор о сервере не возникает посреди проекта.

## Чем агент отличается от альтернатив

Классическая автоматизация на правилах и RPA остаётся лучшим выбором, когда процесс стабилен и описан до последнего шага. Она предсказуема, её проще проверять, и эксплуатация недорогая. Слабое место — текст, который нельзя разложить по полям, и нестандартные обращения.

Чат-бот на языковой модели без инструментов дешевле и запускается быстрее. Но он не может ничего сделать с заказом или CRM, поэтому годится для справочных вопросов и не годится для операций.

Ручная работа с подсказками модели безопасна и не даёт масштаба. Удобный вариант — гибрид. Правила закрывают типовые случаи, агент разбирает всё, что не разложилось по правилам, а человек принимает решения с последствиями.

Перед выбором стоит честно спросить себя, не решается ли задача обычным скриптом или правилом. Если да, агент не нужен. Связанные материалы про выбор первого процесса, пилот и расходы есть в категории [Автоматизация бизнеса](https://w1do.ru/categories/business-automation).

## Как не превратить пилот в демо

Агент начинает работать, когда он встроен в процесс компании. Для этого нужны конкретный владелец процесса, список метрик, которые он отслеживает, регламент обновления базы знаний и понятная процедура передачи человеку.

Полезно заранее записать условие остановки. Например: если доля ошибок в проверочной выборке выше согласованного порога, агент переходит в режим подсказок для оператора и перестаёт отвечать клиенту сам. Такое правило снимает спор, когда ошибка уже случилась.

Подробнее про этапы, бюджет и типичные риски внедрения ИИ в компании можно прочитать в категории [Внедрение ИИ](https://w1do.ru/categories/ai-implementation). Там же собраны вопросы, которые стоит задать подрядчику до подписания договора.

## Что делать дальше

ИИ-агенты уже не эксперимент для энтузиастов. Но и купить готового агента, поставить его и забыть не получится: за ним нужны архитектура, права, журнал и регулярная проверка.

Если хотите проверить, подходит ли агент вашему бизнесу, начните с малого. Возьмите три самых частых обращения или операции за последний месяц, выпишите, сколько минут уходит на каждое, и отметьте, какая доля решается без человека. Этих цифр достаточно, чтобы понять, стоит ли пилот и какой процесс брать первым.

## Бесплатные ИИ-агенты

https://w1do.ru/blog/ai-agents/besplatnye-ii-agenty

Бесплатный ИИ-агент уже можно поставить на рабочий ноутбук за несколько минут. Агент читает задачу, сам открывает файлы, запускает команды и предлагает правки, а модель, которая думает за него, может стоить ноль рублей или оплачиваться по токенам. Для бизнеса вопрос в другом: что такой агент реально может взять на себя, где он ошибается и во что обойдётся пилот, если считать не только подписку.

## Что изменилось этой осенью

Открытый агент OpenCode описан на официальном сайте как агент с открытым исходным кодом, который помогает писать код в терминале, IDE или на десктопе. На той же странице сказано, что бесплатные модели включены, и можно подключить модель любого провайдера, включая Claude, GPT и Gemini. Заявлено больше 75 провайдеров через каталог Models.dev, включая локальные модели. Исходный код находится на GitHub. Конкретную лицензию на странице я не нашёл, поэтому до проверки её не называю.

Для рынка это тоже сигнал. Открытые нейросети и локальные нейросети уже не только для энтузиастов: их можно запустить на собственном оборудовании и не отдавать данные внешнему сервису. Качество таких моделей на практике зависит от задачи, поэтому проверять их лучше на своих примерах, а не по сводным таблицам.

Обзор на Хабре, опубликованный 25 сентября 2026 года, собрал состояние бесплатных тарифов на эту дату. В нём перечислены бесплатные модели OpenCode, например MiMo-V2.5 Free и Nemotron 3 Ultra Free, и бесплатные режимы других инструментов. Автор предупреждает, что список меняется. Это вторичный источник, поэтому перед внедрением нужно открыть тариф у каждого сервиса и посмотреть актуальные условия.

## Что на самом деле значит «бесплатно»

Бесплатным бывает сам агент, бесплатной бывает модель, а бесплатным бывает только доступ к ней в ограниченном объёме. В обзоре за 25 сентября эти различия видны хорошо. У Freebuff в полном режиме дневной запас составляет 100 Freebucks, которые обновляются каждый день и не переносятся на следующий. Ограниченный режим даёт 6 сессий в день по одному часу. У CodeGPT на бесплатном тарифе 10 взаимодействий в день на экономичных моделях и однократный кредит $1 для моделей премиум-класса. У Google Antigravity указаны еженедельные лимиты. У Cursor тариф Hobby стоит $0, но число запросов к агенту не фиксировано.

Вывод простой: бесплатный тариф подходит для проверки гипотезы и небольшого пилота на нескольких задачах, но не для ежедневной работы отдела. Если агент должен разбирать сотни заявок в день, лимит станет узким местом, и тогда придётся платить за токены или держать локальную модель.

## Как устроен агент

Агент состоит из трёх частей. Первая часть — модель, которая понимает текст задачи и предлагает следующий шаг. Вторая — инструменты: чтение и запись файлов, запуск команд, обращение к внешним сервисам через подключённые протоколы. Третья — цикл: агент делает шаг, смотрит на результат и решает, что делать дальше, пока задача не закрыта или пока не нужен человек.

Для бизнеса важна вторая часть. Именно инструменты определяют, что агент может изменить. Чат-модель только отвечает текстом. Агент с доступом к папке, таблице или почте уже может создать файл, изменить запись или отправить сообщение, поэтому права доступа нужно настраивать так же строго, как для сотрудника.

## Какую проблему бизнеса это решает

Чаще всего речь идёт о повторяющихся задачах, которые занимают время квалифицированных людей: разбор входящих писем и заявок, сведение выгрузок из нескольких систем, подготовка черновиков ответов по шаблону, поиск нужного пункта в регламентах, проверка полноты документов. Такие задачи не требуют творчества, но требуют внимания и аккуратности.

Бесплатный агент закрывает не всю проблему, а её техническую часть для небольшой команды. У компании без разработчика такой инструмент, скорее всего, не заработает сам по себе: нужен человек, который опишет задачу, проверит результат и поддержит настройку.

## Какие процессы можно автоматизировать первыми

Первый пилот стоит выбирать среди процессов с понятным входом и выходом. Подойдут такие задачи:

- разбор выгрузки из CRM или таблицы и выявление записей без обязательных полей;
- подготовка черновика ответа клиенту по заранее согласованным шаблонам, без отправки;
- сверка двух списков, например заказов и поступлений, с выводом расхождений;
- поиск ответа в собственных документах компании с указанием источника;
- первичная проверка договоров или счетов по чек-листу.

Не стоит начинать с процессов, где ошибка стоит дорого: выплаты, юридические решения, отправка писем клиентам без проверки, изменение цен.

## Кому подходит такой подход

Открытые агенты рассчитаны на тех, кто готов работать с настройками и понимает, что делает модель. OpenCode запускается из терминала, поэтому его удобнее давать разработчику, аналитику или технически подкованному специалисту. Тому, кто не работает с командной строкой, проще начать с no-code платформ. Разницу между ними разобрали в материале [AI-агенты без кода: возможности и ограничения no-code](https://w1do.ru/blog/ai-agent-no-code-platforms).

Для руководителя важен ещё один вопрос: кто будет отвечать за результат. Агент не отвечает ни за что. Ответственность остаётся у сотрудника, который утверждает изменение, и у компании, которая решает, какие данные можно отдать модели.

## Что нужно для пилота

Пилот требует пяти вещей. Нужна одна задача с понятным критерием успеха. Нужен доступ к данным в минимально необходимом объёме, лучше в копии. Нужен человек, который проверяет каждый результат в первые недели. Нужна учётная запись под агента с ограниченными правами. Нужен журнал: что агент сделал, на каких данных и с каким результатом.

Инфраструктура для такого пилота обычно простая: рабочий компьютер или сервер, доступ к выбранной модели, папка с документами и тестовая выборка. Для локального запуска модели понадобится мощность, которая зависит от размера модели и задачи. Точные требования нужно проверять по документации конкретной модели.

## Пошаговый план пилота

1. Выберите один процесс и зафиксируйте текущее время его выполнения и число ошибок за последний месяц.
2. Соберите тестовую выборку из 30–50 реальных случаев с известным правильным результатом.
3. Установите инструмент в изолированной среде и подключите модель. Для OpenCode установка описана на официальном сайте.
4. Ограничьте доступ: агент видит только тестовую папку и не имеет доступа к почте и платёжным системам.
5. Прогоните выборку, сравните результат с эталоном и запишите ошибки по типам.
6. Решите, расширять ли пилот, переключать модель или отказаться от задачи. Решение принимает ответственный сотрудник по критериям, которые записаны заранее.

## Сколько это может стоить

Тариф $0 не означает нулевых затрат. Бесплатный агент и бесплатная модель снимают лицензионную плату, но не снимают время на настройку, проверку результата и поддержку. Для пилота на одном процессе это может занять несколько рабочих дней специалиста. Ориентировочная стоимость зависит от оплаты времени и от того, придётся ли переходить на платные модели. Точную оценку нужно делать на данных компании.

Если лимиты бесплатного тарифа не хватают, появляется оплата токенов. Её стоит заложить в расчёт заранее, потому что объём запросов растёт вместе с числом документов и шагов в задаче.

## Ожидаемый эффект

Эффект измеряется в сокращении времени на конкретный процесс и в снижении числа ошибок, а не в абстрактной «продуктивности». Формула простая: экономия равна времени на операцию без агента, минус время на проверку результата агентом, умножить на число операций в месяц и на стоимость часа. Если проверка занимает почти столько же времени, сколько ручная работа, пилот не окупается. Именно такой расчёт нужно провести до масштабирования. Значение конкретного показателя зависит от проекта и требует проверки на данных компании.

## Риски и ограничения

Открытые и бесплатные модели меняются быстро. Модель может исчезнуть из бесплатного каталога, лимит может сократиться, провайдер может изменить условия. Агент, который работал в понедельник, может вести себя иначе во вторник после обновления модели, поэтому результаты надо перепроверять.

Модели ошибаются уверенно. Агент может выдать правдоподобный, но неверный ответ, пропустить условие или выполнить лишний шаг. Поэтому любой результат, который уходит клиенту или меняет данные, проходит проверку человека.

Есть юридическая сторона: условия использования моделей и лицензии кода различаются. Перед коммерческим применением нужно прочитать условия конкретного инструмента и модели.

## Безопасность и защита данных

Перед подключением агента нужно понять, куда уходят данные. При работе через облачного провайдера запрос с фрагментом документа передаётся внешнему сервису. Если в документе есть персональные данные, коммерческая тайна или условия контракта, такой запрос может быть недопустим без соответствующих договорённостей. Локальная модель снимает часть этих вопросов, но сама по себе не делает систему безопасной.

Минимальный набор мер включает ограниченные права доступа, отдельную учётную запись, запрет на автоматическую отправку писем и платежей, журнал действий и регулярную проверку журнала. Персональные данные лучше обезличивать до передачи модели.

## Сравнение с альтернативами

Есть три основных варианта. Первый — открытый агент с собственной настройкой. Он даёт наибольший контроль и почти не требует платы за лицензию, но требует технической подготовки. Второй — бесплатный или условно бесплатный тариф коммерческого продукта. Он быстрее стартует, но зависит от правил сервиса и лимитов. Третий — no-code платформа. Она подходит для типовых сценариев, но ограничивает глубину настройки.

Отдельно стоит сравнить локальный запуск с облачным. Локальная модель даёт больше контроля над данными, но требует оборудования и времени на настройку, а скорость ответа зависит от железа. Облачная модель проще в запуске, однако запрос с фрагментом документа уходит провайдеру, и условия его хранения нужно читать внимательно. Выбор зависит от задачи, команды и требований к данным. Для первого пилота обычно разумно выбрать самый простой вариант, который позволяет проверить гипотезу за несколько дней, и не строить сложную систему заранее. Сравнение подходов к агентам и обычному чат-боту есть в материале [AI-агенты и ChatGPT: в чём разница для бизнеса](https://w1do.ru/blog/ai-agents-vs-chatgpt).

## Что проверить перед масштабированием

Пилот можно считать успешным, если выполнены три условия. Результат на тестовой выборке совпадает с эталоном в заранее согласованной доле случаев. Время на операцию с учётом проверки меньше, чем без агента. Ответственный сотрудник готов поддерживать процесс и понимает, какие действия агент выполнять не может.

Если хотя бы одно условие не выполнено, лучше сузить задачу, сменить модель или вернуться к ручной обработке. Расширять пилот на соседние процессы имеет смысл только после того, как первый стабильно работает.

## Вывод и следующий шаг

Бесплатные ИИ-агенты стали доступнее, и для технически подготовленной команды их можно проверить без крупных затрат. При этом «бесплатно» почти всегда означает ограниченный объём, зависимость от правил провайдера и время на настройку. Начинать стоит с одного процесса, тестовой выборки и жёстких прав доступа.

Если локальные модели интересуют вас отдельно, посмотрите материал [Локальные ИИ-агенты](https://w1do.ru/blog/ai-agents/lokalnye-ii-agenty). Для более широкого взгляда на внедрение подойдёт [AI-агенты для бизнеса](https://w1do.ru/blog/ai-agents/ai-agents-for-business), а новости за октябрь собраны в [обзоре ИИ-агентов для бизнеса: что изменилось в октябре 2026](https://w1do.ru/blog/business-automation/ai-agents-business-news-october-2026). Если нужен не эксперимент, а работающий агент под ваш процесс, начните с [материала о заказе ИИ-агента](https://w1do.ru/blog/how-to-order-ai-agent): там описано, какие данные подготовить и как принимать результат.

## Локальные ИИ-агенты

https://w1do.ru/blog/ai-agents/lokalnye-ii-agenty

## Введение и актуальность темы

В августе 2026 года Meta выпустила Muse Glimmer: модель с 30 миллиардами параметров, открытыми весами и лицензией Apache 2.0. Главная её особенность для бизнеса в том, что модель описана как рассчитанная на агентную работу на локальном железе. Она принимает изображения как вход, поддерживает мультимодальные вызовы инструментов и подходит для сценариев, где агент сам выбирает действие: прочитать документ, найти запись в системе, подготовить ответ.

До сих пор агентная автоматизация почти всегда означала облачный API: данные уходили провайдеру, а стоимость росла вместе с количеством запросов. Для компаний, которым нельзя выносить клиентские или финансовые данные за пределы своего контура, это было серьёзным ограничением. Теперь у такой задачи появился открытый вариант, который можно развернуть на одной рабочей станции или сервере с хорошей видеокартой.

Эта статья о том, что именно изменилось, какие процессы можно передать локальному агенту, что нужно для пилота и где проходят ограничения. Работать с этим стоит без иллюзий: локальная модель не заменяет лучшие облачные модели в сложных задачах, но может закрыть значительную часть рутины, если процесс хорошо описан.

## Что появилось

Muse Glimmer вышла 10 августа 2026 года. По карточке модели на Hugging Face это плотная (dense) модель примерно на 29,6 миллиарда параметров, включая визуальный энкодер размером около 1,8 миллиарда. Текстовая часть имеет 52 слоя, контекст заявлен в 131 072 токена и более. Модель обучалась на данных более чем на сотне языков, но авторы прямо пишут, что качество на всех этих языках не проверялось и может падать вне основного набора.

Модель дистиллирована из Muse, закрытой модели Meta, доступной через API. По сути, это попытка перенести в открытый формат возможности, которые раньше были доступны только по подписке или оплате за токены. Знание о мире в модели ограничено датой отсечения 4 января 2026 года, поэтому свежие факты придётся подгружать отдельно, например через поиск по вашей базе знаний.

Модель заявлена для локальных агентов, кодовых агентов, вызова функций, анализа скриншотов, графиков и документов, а также для генерации синтетических данных и оценки качества других моделей. Аудио на вход и на выход она не поддерживает. Лицензия Apache 2.0 разрешает коммерческое использование, но это открытые веса, а не полностью открытый проект: набор данных и процесс обучения Meta не публикует.

## Как работает агент на локальной модели

Агент отличается от обычного чат-бота тем, что модель не только генерирует текст, но и выбирает инструменты. Цикл выглядит так: модель получает задачу и список доступных инструментов с описанием параметров; она решает, какой инструмент вызвать и с какими аргументами; среда выполняет вызов и возвращает результат; модель получает результат и принимает следующее решение. Так продолжается, пока задача не выполнена или не нужна помощь человека.

Инструменты обычно описываются через функции или через протокол MCP. В MCP-сервере вы регистрируете действия, например поиск заказа по номеру, создание задачи в CRM или проверку остатков на складе, а клиент с моделью получает их список. Локальный агент работает по тому же принципу, что и облачный, меняется только место, где выполняется модель.

По карточке модели для агентных задач рекомендуются температура 1.0, top_p 0.95 и top_k 64. Уровень рассуждений можно задать в системном промпте значениями low, medium, high или xhigh; для сложных задач авторы советуют high или xhigh. Эти параметры стоит проверить на своих данных, а не переносить из чужих примеров без теста.

## Какую проблему бизнеса это решает

Облачный агент решает задачу, но создаёт три типа проблем. Первая: стоимость. Оплата за токены сложно прогнозировать, потому что количество обращений и длина цепочки вызовов меняются. Вторая: данные. Переписка с клиентами, договоры, медицинские или персональные данные могут быть запрещены к передаче сторонним провайдерам внутри отрасли или по внутренним правилам. Третья: зависимость. Если провайдер меняет модель, цены или условия, процесс меняется вместе с ним.

Локальный контур закрывает вторую проблему полностью и частично решает первую и третью. Затраты переходят из переменных в фиксированные: закупка или аренда железа, работа инженера, поддержка. Модель можно заменить на другую открытую без переписывания инструментов, если интерфейс остаётся стандартным.

Но есть и обратная сторона. Локальная модель требует собственной эксплуатации: обновлений, мониторинга, контроля качества и резервного сценария на случай отказа. Если процесс редкий и объём небольшой, облачный API может оказаться дешевле и проще. Решение стоит принимать по расчёту, а не по моде на локальность.

## Какие процессы можно автоматизировать

Локальный агент подходит для процессов, где есть повторяемые решения, понятные входные данные и проверяемый результат. Ниже примеры, которые стоит проверить на своих задачах, а не считать готовыми решениями.

Первый класс задач связан с документами. Агент получает скан счёта, акта или договора, извлекает реквизиты и сверяет их с учётной системой. Визуальный вход здесь важен: модель может работать с фотографией документа или скриншотом таблицы без предварительного распознавания текста.

Второй класс: обращения клиентов. Агент классифицирует входящие письма и сообщения по теме, определяет срочность, находит связанные заказы или договоры и готовит черновик ответа для сотрудника. Отправку наружу лучше оставить за человеком на первом этапе.

Третий класс: внутренний поиск. Агент отвечает на вопросы сотрудников по базе знаний компании, опираясь на найденные фрагменты документов. Это классическая схема RAG, и локальная модель здесь особенно удобна, потому что документы не покидают контур.

Четвёртый класс: контроль качества. Модель может оценивать ответы других систем по заданным критериям, так называемый LLM-as-a-judge. Это дешёвый способ проверять большие объёмы текстов, но результаты оценки тоже нужно выборочно сверять с людьми.

## Сценарии для разных компаний

Юридическая или консалтинговая компания работает с документами, которые нельзя отправлять во внешние сервисы без согласования. Локальный агент может сравнивать версии договоров, выделять нестандартные пункты и готовить таблицу отклонений для юриста. Итоговое решение принимает человек, агент сокращает ручной просмотр.

Интернет-магазин или селлер получает много однотипных обращений по доставке, возвратам и наличию товара. Агент отвечает на типовые вопросы, подтягивая статус заказа через API, а сложные случаи передаёт оператору. Здесь локальность может быть не обязательной, но фиксированная стоимость удобна при сезонных пиках.

Производственная компания работает с паспортами изделий, сканами протоколов и фотографиями дефектов. Агент может извлекать параметры из документов и заполнять реестр, даже если часть площадок имеет ограниченный доступ в интернет. Это хороший кандидат для офлайн-сценариев.

Небольшое агентство или студия разработки использует локальный агент для внутренних инструментов: проверка кода, генерация тестовых данных, подготовка черновиков документации. Здесь важна скорость и отсутствие утечек исходного кода, поэтому локальный контур полезен даже при небольшом объёме.

## Пошаговый план внедрения

Пилот стоит строить как короткий проект с понятной метрикой. Ниже последовательность, которая обычно экономит время.

Шаг 1. Выберите один процесс с измеримым результатом: время обработки, доля автоматически закрытых обращений, число ошибок ввода. Не начинайте с обобщённой задачи вроде «внедрить ИИ во всё».

Шаг 2. Проверьте, нужна ли именно локальность. Ответьте на вопросы: нельзя ли передавать эти данные провайдеру, важна ли работа без интернета, критична ли фиксированная стоимость. Если ни один ответ не «да», облачный вариант может быть проще.

Шаг 3. Поднимите тестовый стенд. Для быстрого старта подходят llama.cpp, Ollama или LM Studio с квантованной версией модели. Для многопользовательской нагрузки обычно нужны vLLM или SGLang.

Шаг 4. Подключите инструменты: поиск по базе, чтение заказа, создание задачи. Каждый инструмент должен иметь описание, понятные параметры и ограничение прав.

Шаг 5. Соберите набор эталонных задач. Для пилота обычно достаточно 50–100 реальных примеров с правильными ответами. Точное число зависит от процесса и разнообразия входных данных.

Шаг 6. Запустите пилот на части трафика, с проверкой человеком. Сравните результат с текущим процессом и, если возможно, с облачной моделью на том же наборе.

Шаг 7. Решите, масштабировать ли процесс. Расширяйте его только после того, как метрика стабильно выше порога, заданного до запуска.

## Требования к данным и инфраструктуре

Требования к железу зависят от версии модели и от того, будете ли вы обслуживать нескольких пользователей. По карточке модели ориентиры такие: полная точность BF16 рассчитана на видеопамять около 64 ГБ; квантованный вариант K-Quant-Dynamic с потерей около 0,2 процента качества — около 32 ГБ; вариант K-Quant-17GB с потерей около 1,0 процента — около 24 ГБ, при этом языковая часть занимает менее 20 ГБ в четырёхбитном формате.

В материале Hugging Face для полной точности инференса называется минимум одна видеокарта H100 на 80 ГБ. Цифры разных источников немного расходятся, поэтому перед закупкой проверьте актуальную карточку модели и протестируйте конфигурацию на своих задачах. Скорость генерации тоже зависит от конкретной сборки и железа, и цифры производителей стоит воспринимать как ориентир.

Для данных понадобятся три вещи: база знаний в читаемом формате, доступ к системам через API с ограниченными правами и журнал вызовов агента. Без журнала невозможно понять, почему агент принял конкретное решение, и невозможно улучшать процесс.

Для интеграций удобно использовать MCP-сервер, который отделяет инструменты от модели. Тогда можно заменить модель без переписывания интеграций. Подробнее о подготовке задачи для разработчика описано в материале [как заказать ИИ-агента](https://w1do.ru/blog/how-to-order-ai-agent).

## Экономический эффект

Оценивать эффект стоит по простой формуле. Экономия равна стоимости ручной обработки, которую удалось снять, минус стоимость работы системы и её поддержки. Стоимость работы системы складывается из железа или аренды, электричества, времени инженера и проверки качества.

Условный пример без реальных денег: отдел получает 300 обращений в день, на каждое уходит 4 минуты ручной работы, то есть около 20 часов в сутки. Если агент закрывает или подготавливает 60 процентов обращений, высвобождается около 12 часов. Часть этого времени уйдёт на проверку черновиков и на исключения, поэтому реальный эффект будет ниже. Цифры нужно подставить свои, а не брать из этого примера.

Для оценки окупаемости важны два числа: доля задач, которые агент выполняет без ошибок, и доля, которая требует доработки человеком. Если вторая доля велика, эффект может оказаться отрицательным даже при хорошей технической работе.

Ещё один вклад, который легко недооценить, это скорость реакции. Клиент получает ответ быстрее, а сотрудник тратит время на сложные случаи. Такой эффект сложно выразить в деньгах напрямую, но его стоит фиксировать в метриках: время первого ответа, число эскалаций, оценка качества.

## Риски и ограничения

Первое ограничение касается качества. Локальная модель уступает лучшим облачным моделям на сложных многошаговых задачах. Результаты Meta по агентным тестам, включая MCP Atlas, SWE-Bench и другие, опубликованы самой компанией на выбранных ею наборах. Это не независимая проверка, и на ваших данных результат может быть другим.

Второе ограничение связано с языками. Модель обучалась на многих языках, но её качество на каждом из них не проверялось. Для русского языка стоит прогнать свой набор задач до запуска и не полагаться на общие заявления.

Третье: галлюцинации. Агент может уверенно выдать неверный номер договора или несуществующий статус заказа. Снижать этот риск помогает жёсткая привязка к данным из инструментов: ответ должен опираться на результат вызова, а не на память модели.

Четвёртое: устаревшие знания. Дата отсечения знаний модели стоит на январе 2026 года, поэтому для актуальных фактов нужны внешние источники.

Пятое: эксплуатация. Обновления модели, драйверов и среды выполнения требуют времени инженера. Если его нет, локальный контур быстро превращается в проблему.

## Безопасность и защита данных

Локальный контур снимает вопрос передачи данных провайдеру, но не отменяет угроз внутри компании. Агент, который читает входящие письма и документы, уязвим к скрытым инструкциям в тексте. Текст из внешнего источника нельзя считать командой для агента, даже если он написан в повелительной форме.

Права инструментов должны быть минимальными. Агент, который читает заказы, не должен уметь их удалять. Действия, которые необратимы или меняют деньги, требуют подтверждения человеком. Это правило стоит закрепить до пилота, а не после первого инцидента.

Журнал вызовов нужен для расследования и для обучения команды. В нём должны быть время, инструмент, аргументы, результат и решение модели. Журнал тоже содержит персональные данные, поэтому доступ к нему нужно ограничить.

MCP-сервер и модель стоит размещать в закрытом сегменте сети, а доступ к ним выдавать по учётным записям, а не через общий ключ. Резервная копия базы знаний и конфигурации тоже обязательна.

## Сравнение с альтернативами

Есть три основных варианта. Облачные модели, такие как ChatGPT, Claude или Gemini, дают лучшее качество в сложных задачах и не требуют собственного железа, но данные уходят провайдеру, а стоимость растёт с объёмом. Подробнее о различиях агентов и чат-ботов есть в материале [агенты и ChatGPT: в чём разница](https://w1do.ru/blog/ai-agents-vs-chatgpt).

Меньшие локальные модели требуют менее мощного железа, но на многошаговых задачах с инструментами их качество нужно проверять отдельно на вашем наборе. Muse Glimmer на 30 миллиардах параметров занимает промежуточное место: по карточке модели её квантованный вариант умещается в 24–32 ГБ видеопамяти, а языковая часть в четырёхбитном формате занимает менее 20 ГБ.

Третий вариант: гибрид. Простые и чувствительные задачи выполняются локально, а сложные отправляются в облачную модель с обезличенными данными. Такая схема сложнее в поддержке, но часто даёт лучший баланс стоимости, качества и безопасности.

Выбор стоит делать на основе пилота с одинаковым набором задач для каждого варианта. Сравнение по описаниям в статьях и по чужим тестам менее надёжно.

## Вывод и следующий шаг

Muse Glimmer показывает, что агентная автоматизация на открытой модели с локальным запуском становится реалистичным вариантом для компаний, которым нельзя отправлять данные наружу. Это не универсальная замена облачным моделям, но понятный инструмент для рутинных процессов с документами, обращениями и внутренним поиском.

Практический следующий шаг: выберите один процесс, зафиксируйте текущие показатели и проверьте на наборе из 50–100 реальных примеров, справится ли локальная модель. Если результат подтвердится, переходите к интеграциям и постепенному запуску.

Если вам нужно понять, подходит ли локальный контур конкретному процессу, начните с разбора задачи и критериев приёмки. Общий порядок описан в статье [как внедрить ИИ в бизнес-процессы](https://w1do.ru/blog/ai-implementation/how-to-implement-ai-in-business-processes). Новости и разборы инструментов по этой теме публикуются в [разделе ИИ-агентов](https://w1do.ru/categories/ai-agents), а обзор последних событий есть в [новостях ИИ-агентов за октябрь 2026](https://w1do.ru/blog/business-automation/ai-agents-business-news-october-2026).

## Как я научил локальные модели писать структурированный код и перестал платить $200 за Claude Code

https://w1do.ru/blog/ai-development/local-models-structured-code-preference-memory

## Локальная модель не глупая — ей просто не объяснили, как работать

Я устал повторять один и тот же бриф каждому новому агенту: **тонкий контроллер**, DTO через `spatie/laravel-data`, валидация в FormRequest, бизнес-логика в Action, единый PHPDoc, файлы не длиннее 150 строк. Без этого даже сильная модель пишет «рабочий» код, который через неделю неудобно поддерживать.

Подписка Claude Code за $200 в месяц решает часть проблемы качеством модели. Но я хотел сохранить скорость и приватность локального запуска — и перестать платить за то, что уже однажды сформулировал. Поэтому я сделал не очередной «суперпромпт», а отдельный слой памяти: **Preference Memory**.

<figure style="margin:36px 0"><img style="display:block;max-width:100%;height:auto" src="https://backend.w1do.ru/media/projects/01m15zc30ghk21dmk2a4ph5wkg/media/PIyCpcJTJsPno3FmHHXJeSXjdGAlt3BQhtBY5z9E.png" alt="Запрос к Preference Memory и сформированные правила PHP" loading="lazy"><figcaption style="display:block;margin-top:12px;line-height:1.5">Один запрос — и агент получает не общие пожелания, а конкретные правила проекта.</figcaption></figure>

## Память вместо промпта на пол-экрана

Сервис хранит не бесформенную заметку, а правила: что мне нравится и что нельзя делать, насколько это строго, к какому языку или проекту относится. Перед началом задачи агент вызывает `get_context_for_task` через MCP и получает ровно тот контекст, который нужен сейчас.

Например, для PHP он видит не «пиши красиво», а проверяемые требования:

- контроллер только связывает FormRequest → DTO → Action → Resource;
- DTO лежит в `Application/DTOs`, использует camelCase и `spatie/laravel-data`;
- у класса и методов единый PHPDoc;
- в теле метода нет болтовни-комментариев и «умных» цепочек ради цепочек;
- каждый файл укладывается в лимит строк.

Это важная разница. <u>Модель перестаёт угадывать вкус разработчика</u> — она получает архитектурный контракт до первой строчки кода.

<figure style="margin:36px 0"><img style="display:block;max-width:100%;height:auto" src="https://backend.w1do.ru/media/projects/01m15zc30ghk21dmk2a4ph5wkg/media/BEwLWk5axHbsoK2Z0qKjlpd6mqit8NBNDUFxiqfX.png" alt="Пример DTO, сформированный с учётом предпочтений" loading="lazy"><figcaption style="display:block;margin-top:12px;line-height:1.5">DTO получается в заданной структуре, а не в случайном стиле модели.</figcaption></figure>

## Что меняется в реальном коде

На скриншотах не «идеальный ответ для демо», а обычная цепочка задачи: сформировать DTO, Request, Action и короткий контроллер. Контекст заставляет модель разделять ответственность до того, как она успела свалить всё в один файл.

<figure style="margin:36px 0"><img style="display:block;max-width:100%;height:auto" src="https://backend.w1do.ru/media/projects/01m15zc30ghk21dmk2a4ph5wkg/media/iWvNsUZpWjPvNQYwnuNMo54xZe20bJ2ds4XHx5Li.png" alt="FormRequest и Action в структурированном примере PHP" loading="lazy"><figcaption style="display:block;margin-top:12px;line-height:1.5">Валидация, бизнес-правила и HTTP-слой не смешиваются.</figcaption></figure>

В результате локальная модель может быть заметно проще облачной, но её ответ становится предсказуемым: он попадает в конвенции проекта, проходит по понятному чек-листу и требует меньше переписывания. Не потому что «локалка стала Claude», а потому что ей дали <strong>систему координат</strong>.

## Это не отменяет проверку — и в этом смысл

Preference Memory не превращает генерацию кода в автопилот. Она не проверяет миграции, не запускает тесты и не знает новую бизнес-логику без входных данных. Зато убирает самый дорогой вид рутины: повторять агенту правила, которые уже известны команде.

Я оставляю человеку контроль над решением и проверяю результат по критериям: контроллер не содержит бизнес-логики, правила валидации не размазаны по коду, структура файлов соответствует проекту, а тесты и линтер проходят. Так локальные модели становятся не заменой инженерного мышления, а <u>дисциплинированным исполнителем в уже заданном процессе</u>.

<figure style="margin:36px 0"><img style="display:block;max-width:100%;height:auto" src="https://backend.w1do.ru/media/projects/01m15zc30ghk21dmk2a4ph5wkg/media/Ac4sV1SmaSPwLSYuPTkybgqPx1GQceoyoeDIFhG9.png" alt="Результат и критерии готового кода" loading="lazy"><figcaption style="display:block;margin-top:12px;line-height:1.5">Критерии готовности делают результат проверяемым, а не «на глаз нормальным».</figcaption></figure>

## Попробовать Preference Memory

Проект открыт: [Preference Memory — память предпочтений для AI-агентов](/opensource/w1do-perfomance-memory). Его можно развернуть у себя, подключить к Claude Code, ChatGPT и другим MCP-совместимым агентам, а затем пополнять память по мере работы над проектами.

Начните с десяти правил, которые вы чаще всего повторяете в ревью. Уже этого достаточно, чтобы следующий запрос к локальной модели был не «напиши код», а «сделай задачу по нашему способу работы».

## Claude Code заблокировал мой аккаунт: опыт и альтернативы

https://w1do.ru/blog/ai-development/claude-code-account-blocked-five-projects

## Больше года Claude Code был моим основным инструментом

Claude Code помогал мне каждый день на протяжении года и трёх месяцев. За это время он стал важной частью рабочего процесса: я использовал его, чтобы разбираться в задачах и работать над несколькими проектами. Когда мой аккаунт заблокировали, под угрозой оказалась работа над пятью крупными B2B SaaS-проектами.

Я не хочу обесценивать этот опыт из-за одного неприятного события. Claude Code — сильный инструмент, который заметно помогал мне в разработке. Я благодарен ему за всё время работы и за задачи, которые удалось с его помощью решить.

## За что я ценил Claude Code

Для меня особенно полезно было работать с AI-помощником прямо в контексте проекта: последовательно разбирать задачу, учитывать соседний код и двигаться от вопроса к проверяемому изменению. Такой формат помогал не только писать отдельные фрагменты, но и поддерживать ежедневный темп разработки.

За год с лишним инструмент стал привычным. Мне не приходилось каждый раз заново выстраивать рабочий процесс: я знал, как передавать задачу, уточнять решение и проверять результат. Для человека, который ведёт несколько проектов параллельно, такая устойчивость особенно ценна.

Поэтому блокировка была болезненной не потому, что Claude Code оказался плохим. Наоборот, я потерял доступ к инструменту, которым был доволен и на который опирался каждый день. Мой опыт разработки с AI-помощником в одном из проектов описан в статье [«MVP на Astro и Directus»](/blog/ai-development/astro-directus-claude).

## Как блокировка поставила под угрозу пять проектов

В один день мой аккаунт Claude Code оказался заблокирован. Вместе с доступом к инструменту остановилась часть привычного рабочего процесса по пяти крупным B2B SaaS-проектам. Это быстро показало, насколько рискованно связывать работу над важными продуктами с единственным AI-сервисом.

Я обратился в поддержку и спросил, какое правило было нарушено и почему аккаунт заблокировали. Конкретную причину мне не сообщили. Я также попросил вернуть оставшиеся на аккаунте деньги, но возврат по моему обращению не оформили.

Я не могу судить о внутренних причинах решения, которых мне не объяснили. Могу описать только результат для себя: доступ прекратился, а восстановить его через поддержку не получилось.

## Что ответила поддержка

В переписке мне сообщили, что не могут раскрыть детали блокировки. Ниже — скриншоты ответов поддержки и обращения по поводу оставшихся средств. Нажмите на изображение, чтобы открыть его крупнее.

<div style="display:grid;grid-template-columns:repeat(auto-fit,minmax(min(100%,220px),1fr));gap:16px;align-items:start;margin:24px 0 32px;"><figure style="margin:0;padding:10px;background:#fff;border:1px solid #e8e8e8;border-radius:14px;"><a href="https://backend.w1do.ru/media/projects/01m15zc30ghk21dmk2a4ph5wkg/media/0GNljdO46l5GCAVPHD9h9K3Zjc08dV1Q5TRlXZ39.png" target="_blank" rel="noopener" style="display:block;"><img src="https://backend.w1do.ru/media/projects/01m15zc30ghk21dmk2a4ph5wkg/media/0GNljdO46l5GCAVPHD9h9K3Zjc08dV1Q5TRlXZ39.png" alt="Скриншот переписки с поддержкой Claude Code № 1" loading="lazy" style="display:block;width:100%;height:auto;border-radius:8px;"></a><figcaption style="padding:10px 2px 2px;color:#454545;font-size:13px;line-height:1.4;">Скриншот переписки с поддержкой Claude Code № 1</figcaption></figure><figure style="margin:0;padding:10px;background:#fff;border:1px solid #e8e8e8;border-radius:14px;"><a href="https://backend.w1do.ru/media/projects/01m15zc30ghk21dmk2a4ph5wkg/media/Vylugq2VAISbttABK16k2Z7eXObjC5vf0jyeW5YE.png" target="_blank" rel="noopener" style="display:block;"><img src="https://backend.w1do.ru/media/projects/01m15zc30ghk21dmk2a4ph5wkg/media/Vylugq2VAISbttABK16k2Z7eXObjC5vf0jyeW5YE.png" alt="Скриншот переписки с поддержкой Claude Code № 2" loading="lazy" style="display:block;width:100%;height:auto;border-radius:8px;"></a><figcaption style="padding:10px 2px 2px;color:#454545;font-size:13px;line-height:1.4;">Скриншот переписки с поддержкой Claude Code № 2</figcaption></figure><figure style="margin:0;padding:10px;background:#fff;border:1px solid #e8e8e8;border-radius:14px;"><a href="https://backend.w1do.ru/media/projects/01m15zc30ghk21dmk2a4ph5wkg/media/DNxDoQIGyJTAcMx1GWmXmdkRH56yj4qloW5S8rG5.png" target="_blank" rel="noopener" style="display:block;"><img src="https://backend.w1do.ru/media/projects/01m15zc30ghk21dmk2a4ph5wYE.png" alt="Скриншот переписки с поддержкой Claude Code № 3" loading="lazy" style="display:block;width:100%;height:auto;border-radius:8px;"></a><figcaption style="padding:10px 2px 2px;color:#454545;font-size:13px;line-height:1.4;">Скриншот переписки с поддержкой Claude Code № 3</figcaption></figure></div>

Без объяснения причин мне сложно оценивать ситуацию со стороны сервиса. Но как пользователь я остался без доступа к оплаченному инструменту и без ответа, который помог бы понять дальнейшие шаги.

## Чем я заменил Claude Code после блокировки

Я нашёл альтернативный сервис, зарегистрировался и пополнил баланс на 20 долларов. Через него подключил модели DeepSeek, GLM и Kimi. Это помогло вернуться к работе, не дожидаясь решения поддержки Claude Code.

На третий день после блокировки я снова продолжил задачи по проектам. Для моей текущей работы качества этих моделей оказалось достаточно, чтобы восстановить рабочий темп и постепенно перенести часть процесса на новую связку.

Здесь важно точно описать мой опыт: заменой стал не один инструмент, полностью повторивший Claude Code, а доступ к нескольким моделям через другой сервис. Я проверял их на своих задачах и адаптировал работу по ходу дела.

## Насколько хорошо сработали DeepSeek, GLM и Kimi

Переход помог продолжить разработку, но он не был переключением одной кнопки. У моделей свои особенности, поэтому приходилось настраивать новый процесс и проверять, насколько результат подходит конкретной задаче. Я не считаю их полностью взаимозаменяемыми с Claude Code или друг с другом.

При этом мне не требовалось сразу добиться полного совпадения. Главное было вернуть возможность работать над проектами: разбирать задачи, получать полезные результаты и проверять изменения привычным инженерным способом. Для этой цели связка DeepSeek, GLM и Kimi оказалась достаточной.

Вывод из моего случая не в том, что одна модель всегда лучше другой. Если привычный сервис перестал быть доступен, практичнее быстро проверить доступные варианты на собственных задачах: чтении кода, исправлениях, тестах и работе с проектным контекстом.

## Как выбрать альтернативу Claude Code

Подбирайте замену под свой реальный способ работы, а не по обещаниям в описании продукта. Для проверки возьмите несколько типичных задач из проекта и сравните результат, время до принятого решения и объём ручных исправлений.

Перед переносом проверьте:
- можно ли дать инструменту контекст репозитория и нужные файлы;
- удобно ли работать короткими итерациями и уточнять решение;
- доступны ли необходимые модели в вашем регионе и тарифе;
- подходят ли условия хранения данных и доступа к коду;
- можно ли контролировать изменения и проверять результат;
- как быстро переключиться на другой вариант при сбое.

Начните с безопасных задач и не передавайте новому инструменту больше доступа, чем нужно. Сохраняйте код и рабочую документацию в системах, которыми управляете независимо от AI-провайдера. Для сравнения подходов к AI-разработке можно также посмотреть материал [«Vibe coding и AI-инженерия»](/blog/ai-development/vibe-coding-prototyping-ai-engineering).

## Как подготовиться к повторной потере доступа

После блокировки я пересмотрел зависимость рабочих процессов от одного сервиса. Теперь важно иметь запасной вариант до сбоя, а не искать его в день, когда работа уже остановилась.

Практический план может быть таким:
- хранить код, документацию и инструкции вне AI-платформы;
- сохранять важный контекст проекта в репозитории или рабочих документах;
- заранее выбрать хотя бы один резервный сервис и проверить его на реальной задаче;
- держать настройки проекта переносимыми и не полагаться на скрытую историю одного чата;
- отдельно продумать оплату, доступы и безопасный порядок выдачи кода;
- периодически проверять, что команда действительно умеет переключиться.

Резервный вариант не обязан использоваться каждый день. Его ценность в том, что команда знает, как продолжить работу, если основной инструмент внезапно недоступен.

## Claude Code остаётся хорошим инструментом, но план замены тоже нужен

Claude Code действительно помогал мне больше года и был полезен в ежедневной разработке. Я благодарен за этот период и не стал бы описывать его как плохой инструмент только из-за блокировки аккаунта. Одновременно мой случай показал: даже удачный и привычный сервис не должен быть единственной опорой критичных проектов.

После блокировки я продолжил работу через альтернативный сервис с DeepSeek, GLM и Kimi. Качество оказалось достаточным для моих текущих задач, хотя настройка заняла время и полного совпадения с прежним процессом не было. Поэтому разумный вывод для меня — пользоваться тем инструментом, который хорошо решает задачи сегодня, и заранее поддерживать проверенный запасной путь.

Если аккаунт Claude Code заблокировали, сохраните доступные данные проекта, проверьте резервный сервис на ограниченной задаче и переносите рабочий процесс постепенно. Так можно признать сильные стороны Claude Code и при этом не останавливать проекты из-за одного недоступного аккаунта.

## Как внедрить ИИ в бизнес-процессы: план для компании

https://w1do.ru/blog/ai-implementation/how-to-implement-ai-in-business-processes

## Что значит внедрить ИИ в бизнес-процесс

Внедрить искусственный интеллект в бизнес-процесс — значит встроить его в конкретную рабочую операцию и определить, какие входные данные он получает, какой результат готовит и кто отвечает за проверку. Само подключение модели или чат-бота ещё не означает, что процесс стал быстрее или дешевле.

ИИ может классифицировать письмо, извлечь сведения из документа, найти ответ во внутренних материалах или подготовить черновик решения. Если сценарий требует обращения к CRM, календарю или системе заказов, нужны интеграции и строго ограниченные права. Для рискованных операций остаётся подтверждение сотрудника.

Начинать полезно с задачи, где много повторяющейся работы, есть примеры входных данных, а результат можно проверить. Дальше — измерить процесс до изменений, провести ограниченный пилот и сравнить его с исходным уровнем. Ниже — план, который помогает пройти этот путь без попытки автоматизировать всё сразу.

## Найдите процесс и выберите первый сценарий

Начните с коротких разговоров с сотрудниками и наблюдения за обычной рабочей неделей. Ищите не абстрактную «точку для ИИ», а конкретные повторяющиеся действия: читать входящее обращение, переносить сведения в CRM, искать ответ в нескольких инструкциях, сверять документ с заявкой, готовить первый вариант ответа.

Для каждой операции зафиксируйте:
- кто её выполняет и как часто;
- что поступает на вход и откуда это берётся;
- какие шаги человек делает вручную;
- где чаще всего возникают ожидание, повторная работа и ошибки;
- какой результат считается завершённым.

Полезно описывать текущий процесс простыми словами, включая исключения: что происходит, если данных не хватает, клиент просит нестандартное условие или система недоступна. Такая карта помогает оценить задачу и не перекладывать на модель неясные правила.

Сравните найденные операции по частоте, времени, доступности данных, проверяемости результата и последствиям ошибки. Хороший первый сценарий возникает регулярно, занимает заметное время и допускает проверку человеком. Например, агент может разобрать обращение, предложить категорию и заполнить черновик карточки, который менеджер проверит перед сохранением.

С осторожностью относитесь к процессам, где ошибка сразу влияет на деньги, здоровье, юридические обязательства или доступ человека к услуге. Первый пилот лучше ограничить подготовкой рекомендации без самостоятельного действия. Задача должна быть достаточно узкой, чтобы команда могла описать критерии успеха за несколько предложений.

Для примера выбора первой операции прочитайте материал про [AI-агентов для небольшой команды](/blog/business-automation/ai-agents-for-small-business). Если нужна оценка готовности, начните с [аудита AI-процессов](/services/ai-integration/ai-process-audit).

## Зафиксируйте исходные показатели до запуска

До подключения ИИ измерьте, как задача выполняется сейчас. Без исходной точки нельзя понять, ускорился ли процесс и не выросли ли расходы на проверку. Для одинаковых типов обращений соберите небольшую выборку и запишите время выполнения, долю ошибок, количество возвратов на доработку и число задач, завершённых за период.

Выберите одну основную метрику и несколько ограничивающих. Например, для обработки заявок основной может быть медианное время до готовой карточки, а ограничивающими — доля пропусков обязательных полей и число ошибочных записей. Для поддержки важны не только скорость ответа, но и точность, повторные обращения и корректная передача оператору.

Записывайте условия сравнения: период, тип входящих задач, состав команды и правила подсчёта. Если сезонность или нагрузка сильно меняются, сравнивайте похожие интервалы либо одинаковые тестовые примеры. Эти показатели станут основой решения о запуске, доработке или остановке пилота.

## Решите, нужен ли здесь ИИ или хватит обычной автоматизации

Не каждой задаче нужна языковая модель. Если данные имеют стабильный формат, а действия описываются однозначными условиями — например, перенести поле или отправить уведомление после события — обычно проще и надёжнее использовать код или правило в существующей системе.

ИИ полезен, когда входы отличаются друг от друга, нужно извлечь смысл из текста или документа, сопоставить вопрос с несколькими материалами либо подготовить естественный черновик. Иногда лучшая схема смешанная: обычный код проверяет обязательные поля и права, модель предлагает классификацию, а человек принимает решение в неоднозначных случаях.

Проверьте, какой именно шаг требует ИИ. Если убрать модель, исчезает ли важная возможность? Если нет, усложнение может не окупиться. При выборе между чат-ботом и агентом учитывайте ещё и действия: [в этой статье сравниваются ИИ-агент и ChatGPT для бизнес-задач](/blog/ai-agents/ai-agents-vs-chatgpt), а [материал про агента для бизнеса](/blog/ai-agents/ai-agent-for-business) помогает отделить сценарии с реальной пользой от простых автоматизаций.

## Подготовьте данные и базу знаний

Качество ответов зависит от того, какие сведения доступны системе и насколько они актуальны. Перед пилотом соберите инструкции, регламенты, ответы на частые вопросы, шаблоны и примеры корректно выполненных задач. У каждого важного источника должен быть владелец, который подтверждает содержание и сообщает об изменениях.

Уберите явные противоречия и устаревшие документы. Определите, какие сведения нельзя передавать внешнему поставщику модели, как долго хранить историю и кто получит доступ к результатам. Для персональных и коммерчески чувствительных данных заранее проверьте внутренние правила компании и условия выбранной инфраструктуры.

Соберите реальные примеры: типовые, неполные, неоднозначные и исключительные. Они пригодятся и для проверки ответов, и для обсуждения границ автоматизации. Не загружайте в базу всё подряд в надежде, что модель сама найдёт правильное: сначала определите, какие источники разрешены для конкретной задачи.

## Определите интеграции, права и границы доступа

Нарисуйте путь данных от входного события до результата. Укажите системы, к которым нужно обращаться, и минимальный набор операций для каждой из них. Например, для черновика ответа агенту может быть достаточно читать утверждённые инструкции и сведения о конкретном обращении, но не менять статус заказа или отправлять сообщение клиенту.

Разделяйте чтение и изменение данных. Доступ выдавайте только к нужным записям и действиям. Для операций с заметными последствиями настройте подтверждение человеком, журналирование и защиту от повторного выполнения. Продумайте, что произойдёт при тайм-ауте, недоступности модели, неполном ответе или ошибке внешнего API.

Заранее определите запасной путь: сотрудник должен понимать, как завершить задачу вручную, если автоматическая обработка остановилась. Подробности интеграции зависят от используемых CRM, сайта и внутренних систем, поэтому их возможности стоит проверить до оценки сроков и бюджета.

## Опишите сценарий и критерии приёмки

Для выбранного процесса составьте короткое техническое задание:
- событие, с которого начинается обработка;
- данные, которые агент вправе использовать;
- допустимый формат результата;
- действия, которые разрешены, запрещены или требуют подтверждения;
- варианты передачи задачи человеку;
- измеримые критерии успешного выполнения.

Опишите минимум несколько исключений. Например, что делать, если в заявке нет номера телефона, в документах найдены два разных тарифа или клиент просит условие, которого нет в правилах. В этих случаях безопасный ответ может быть не догадкой, а уточнением или передачей сотруднику.

Для приёмки подготовьте примеры ожидаемых результатов и ошибок, которые нельзя допускать. Формулировка «ответы должны быть качественными» не проверяется. Формулировка «не называть цену, если в утверждённом прайсе нет соответствующей услуги; вместо этого передавать вопрос менеджеру» задаёт конкретное поведение.

## Запустите пилот на ограниченной выборке

Начинайте с тестовых данных или режима, в котором ИИ только предлагает результат, а сотрудник подтверждает действие. Ограничьте пилот одним процессом, небольшим числом пользователей и понятным периодом оценки. Так проще увидеть ошибки и понять, вызваны ли они данными, инструкциями, интеграцией или самим устройством процесса.

Проверьте обычные и трудные примеры: пропущенные поля, опечатки, повторные обращения, конфликтующие документы, некорректные вложения и временную недоступность системы. Записывайте не только ошибки модели, но и случаи, где инструкция компании не даёт однозначного ответа.

Сотрудники должны знать, что тестируется, как сообщить о проблеме и как выполнить задачу вручную. Не просите их просто «попробовать ИИ»: дайте несколько сценариев, способ отметить результат и человека, который будет разбирать обратную связь. По итогам пилота решите, что оставить, что исправить и что пока не автоматизировать.

## Рассчитайте полную стоимость и ожидаемый эффект

Считайте не только разработку. В полной стоимости могут быть подготовка данных, настройка интеграций, инфраструктура, запросы к модели, мониторинг, поддержка, проверка результатов сотрудниками и обновление материалов. Отдельно оцените время команды на обучение и изменение рабочих инструкций.

Чистый эффект удобнее считать по подтверждённым результатам пилота. Для одной задачи можно использовать формулу:

**Эффект за период = сокращённые трудозатраты + подтверждённые дополнительные результаты − расходы на эксплуатацию и проверку.**

Если агент подготовил черновик за минуту, но сотрудник тратит ещё четыре минуты на исправление, считать нужно общее время от начала до принятого результата. Не приравнивайте все обработанные обращения к экономии: часть из них могла бы не потребовать ручной работы.

Подробный разбор расходов и окупаемости есть в статье [об ИИ-агенте для бизнеса](/blog/ai-agents/ai-agent-for-business), а оценка состава работ — в материале про [разработку ИИ-агента под ключ](/blog/ai-implementation/ai-agent-development-turnkey).

## Подготовьте рабочий запуск и поддержку

Перед запуском назначьте владельца процесса, технического ответственного и сотрудников, которые подтверждают правила и данные. Зафиксируйте, кто принимает решение при ошибке, кто обновляет базу знаний и кому сообщать о сбое. Подготовьте короткую инструкцию для команды: когда использовать результат ИИ, что перепроверять и как перейти на ручной сценарий.

Включайте автоматизацию постепенно. Сначала ограниченный круг пользователей или поток задач, затем расширение при выполнении критериев качества. Установите понятные пороги остановки: например, рост ошибочных действий, недоступность источника данных или систематические жалобы сотрудников. Точные значения следует определить по цене ошибки и исходному уровню, а не копировать из чужого проекта.

Сразу после запуска проверяйте реальные результаты и обратную связь. Изменение промпта, модели, источника знаний или интеграции может изменить поведение системы, поэтому после существенных изменений повторяйте ключевые проверки.

## Оцените результат и масштабируйте по одному сценарию

Сравните новые показатели с исходными и проверьте ограничивающие метрики. Решение о расширении стоит принимать, когда команда может объяснить, за счёт чего получен эффект, где остаётся ручная проверка и какие ошибки система не должна совершать. Если время не сократилось или исправления съедают выгоду, сначала измените процесс, данные или границы задачи.

Масштабирование — это не включение агента во все отделы. Добавляйте следующий сценарий отдельно: у него будут свои источники данных, права, исключения, критерии приёмки и цена ошибки. Используйте накопленные тестовые случаи, чтобы проверять обновления и не терять уже достигнутое качество.

Если проект включает разработку и внедрение AI-агента, в статье [про этапы разработки под ключ](/blog/ai-implementation/ai-agent-development-turnkey) описаны состав работ и вопросы для согласования. Для продажи и поддержки есть отдельные разборы сценариев: [ИИ-агент для продаж](/blog/ai-agents/ai-agent-for-sales) и [ИИ-агент для клиентской поддержки](/blog/ai-agents/ai-agent-customer-support).

## Частые вопросы о внедрении ИИ в бизнес-процессы

### С чего начать внедрение ИИ в компании?

С одной повторяющейся операцией, где доступны данные и можно проверить результат. Зафиксируйте текущие время и качество выполнения, ограничьте права системы и сначала проверьте её в пилотном режиме.

### Какие бизнес-процессы можно автоматизировать с помощью ИИ?

Обработку обращений, поиск по внутренним документам, извлечение сведений из файлов, подготовку черновиков и классификацию задач. Подходящий сценарий определяется не отраслью, а доступностью данных, частотой операции и возможностью безопасно проверить результат.

### Сколько стоит внедрить ИИ?

Универсальной цены нет. Стоимость зависит от числа сценариев и интеграций, качества данных, требований к размещению, объёма проверки и дальнейшей поддержки. Оценивать бюджет стоит после описания процесса и ограниченного пилота.

### Нужен ли компании собственный ИИ-агент?

Не всегда. Для фиксированных правил может хватить скрипта или функции CRM. Агент оправдан, когда задаче нужны работа с неоднородным вводом, поиск информации и несколько разрешённых инструментов. Начните с сравнения ожидаемого эффекта, стоимости ошибки и затрат на сопровождение.

### Как понять, что пилот можно расширять?

Когда выбранные метрики достигли согласованных значений, серьёзные ошибки обработаны, сотрудники понимают границы системы, а ручной резервный путь проверен. Расширяйте охват постепенно и продолжайте отслеживать качество после запуска.

## AI-агент для поддержки клиентов: сценарии и внедрение

https://w1do.ru/blog/ai-agents/ai-agent-customer-support

## О чём эта статья

AI-агент для поддержки клиентов помогает разобрать обращение, найти ответ в документах компании и выполнить разрешённое действие: проверить заказ, создать заявку или передать диалог оператору. Его задача — сократить рутинную работу без потери качества сервиса. Автоматизация начинается с вопросов, на которые уже существует проверенный ответ.

## Какие обращения можно автоматизировать

Для первого запуска подходят доставка, режим работы, правила подключения, инструкции по продукту и статусы заявок. Агент определяет тему сообщения, уточняет недостающие данные и обращается к нужному источнику. Например, вопрос «Когда привезут заказ?» требует проверки в системе доставки, а не ответа на основе общих знаний модели.

Жалобы, спорные возвраты и исключения из правил требуют отдельного маршрута. Агент может собрать сведения и подготовить обращение, но решение остаётся у ответственного сотрудника. Граница полномочий описывается до интеграции.

## База знаний и подключение систем

Я начинаю с ревизии FAQ, инструкций и регламентов: убираю противоречия, отмечаю владельца документа и дату обновления. При использовании RAG система находит подходящие фрагменты базы знаний и передаёт их модели вместе с вопросом. Такой поиск помогает опираться на материалы компании, но сам по себе не исключает ошибок.

Интеграции с CRM, учётом заказов и тикет-системой подключаются через серверный слой. Клиент получает сведения только о своём заказе после предусмотренной проверки. Доступ к внутренним системам ограничивается конкретными операциями.

## Как передавать диалог оператору

Причинами передачи могут быть отсутствие ответа, повторное обращение, просьба клиента или операция за пределами полномочий. Сотрудник получает историю, тему вопроса, найденные сведения и уже выполненные шаги. Клиенту сообщается, что обращение принято, и показывается реальный порядок ожидания ответа.

Для сайта можно начать с [чат-бота поддержки](/services/ai-assistants-chatbots/support-chatbot), а для отдельного канала — с [Telegram-бота](/services/ai-assistants-chatbots/telegram-chatbot). Общая история полезна только тогда, когда сопоставление пользователей между каналами разрешено и технически надёжно.

## Какие метрики проверять после запуска

- время первого содержательного ответа;
- доля вопросов, решённых без оператора;
- повторные обращения по той же проблеме;
- доля неверных ответов и необоснованных отказов;
- удовлетворённость клиентов и загрузка команды.

Снижение числа передач оператору не считается успехом, если клиенты перестали получать помощь. Поэтому автоматизацию оценивают вместе с качеством решения.

## Частые вопросы

### Может ли агент отвечать круглосуточно?
Да, если доступны его сервер и подключённые системы. При сбое нужен понятный резервный путь: форма обращения или очередь оператора.

### Можно ли начать без CRM?
Можно автоматизировать ответы по базе знаний. Проверка заказов и персональных статусов потребует интеграции.

### Заменит ли агент всю поддержку?
Практичнее поручить ему типовые запросы, а нестандартные случаи оставить сотрудникам. Сценарии для другого отдела разобраны в статье [об AI-агенте для продаж](/blog/ai-agent-for-sales).

## Ошибки при разработке AI-агентов: проверка до запуска

https://w1do.ru/blog/ai-implementation/ai-agent-development-mistakes

## О чём эта статья

Ошибки при разработке AI-агентов часто возникают раньше первого промпта. Команда выбирает модель, подключает CRM и показывает убедительную демонстрацию, но не определяет, какую операцию агент должен улучшить и как проверить результат. В рабочем потоке такая система сталкивается с неполными данными, повторными запросами и исключениями.

## Ошибка 1. Нет измеримой задачи

Формулировка «автоматизировать продажи» слишком широкая. Для MVP лучше выбрать одну операцию: разобрать входящую заявку, извлечь контакты и подготовить карточку для проверки менеджером. До разработки фиксируются исходное время обработки, частые ошибки и критерии приёмки.

Согласованный результат помогает отличить полезную автоматизацию от красивого диалога. Подготовить такие критерии можно в ходе [аудита AI-процессов](/services/ai-integration/ai-process-audit).

## Ошибка 2. Модель получает противоречивые данные

Старый прайс, дубли документов и инструкции без владельца делают ответы непредсказуемыми. Перед подключением базы знаний нужно определить приоритет источников, правила обновления и доступ по ролям. RAG помогает находить информацию, но не исправляет содержание документов.

Для проверки используют реальные вопросы с известными ответами. Если правильного ответа в базе нет, система должна сообщить об этом или передать задачу человеку.

## Ошибка 3. Любой ответ сразу превращается в действие

Текст модели нельзя считать разрешением на изменение записи или отправку документа. Между решением и действием нужны проверки параметров, прав и допустимого состояния процесса. Денежные операции и другие чувствительные действия требуют согласованного подтверждения.

Повтор одного запроса также не должен создавать второй заказ. Для этого проектируют защиту от дублей, журнал операций и правила восстановления после сбоя.

## Ошибка 4. Проверяется только успешный сценарий

Тестовый набор должен включать опечатки, пустые вложения, недоступный API, противоречивые инструкции и попытки получить чужие сведения. Отдельно проверяют, как система реагирует на команды, встроенные в документы, которые она читает.

Нужны и проверки качества ответов, и обычные тесты интеграций. Изменение модели или базы знаний — повод повторить критические сценарии.

## Ошибка 5. После релиза нет владельца

Без ответственного за документы и метрики качество постепенно падает. Новые товары, поля CRM и регламенты должны попадать в план поддержки. Сотрудникам нужен простой способ отметить ошибку и сохранить проблемный пример.

## Чек-лист перед рабочим запуском

- описана одна цель MVP и критерий готовности;
- определены источники данных и права доступа;
- предусмотрены лимиты действий и затрат;
- протестированы сбои и повторные запросы;
- есть передача человеку и возможность остановить сценарий;
- назначены владельцы интеграций и базы знаний.

### Можно ли исправить всё промптом?
Промпт уточняет поведение модели. Проверку прав, транзакции, журнал действий и защиту от дублей реализуют в программной логике.

### С чего начать проверку подрядчика?
Попросите показать обработку ошибки и восстановление после сбоя. Дополнительные критерии есть в статье [как выбрать разработчика AI-агентов](/blog/how-to-choose-ai-agent-developer).

## Разработка AI-агентов под ключ: этапы и стоимость

https://w1do.ru/blog/ai-implementation/ai-agent-development-turnkey

## О чём эта статья

Разработка AI-агентов под ключ объединяет постановку задачи, работу с данными, создание интеграций и внедрение в процесс компании. Результатом должен быть согласованный рабочий сценарий с инструкциями и поддержкой. Само выражение «под ключ» не определяет объём: его нужно раскрыть в задании и условиях проекта.

## Что должно входить в результат

До старта я фиксирую, что агент получает на входе, какие решения принимает и какие действия ему разрешены. Для агента обработки заявок результатом могут быть классификация обращения, проверка обязательных полей и запись в CRM. Подключение дополнительного канала или работа с документами оформляются отдельными требованиями.

В перечень поставки обычно включают код, настройки среды, интеграции, тестовые сценарии, инструкции и порядок сопровождения. Передача репозитория, размещение на инфраструктуре заказчика и права на результат согласуются явно.

## Этапы разработки

### 1. Аудит и границы MVP
Изучаются процесс, нагрузка, ограничения и качество данных. Выбирается один сценарий и метрика, по которой заказчик примет результат. Это позволяет не оплачивать лишние функции до проверки основной гипотезы.

### 2. Архитектура и источники знаний
Определяются модель, доступные инструменты, хранение истории и точки подтверждения человеком. Если нужны корпоративные знания, подготавливается поиск по документам. Разбираются ограничения CRM и внешних API.

### 3. Реализация и проверка
Создаются интеграции, обработка ошибок, защита от повторных действий и журнал операций. MVP проверяется на реальных примерах: успешных, неполных и ошибочных.

### 4. Пилот и рабочий запуск
Сначала агент работает на ограниченном объёме. Команда сравнивает результаты с исходными показателями, исправляет проблемные сценарии и принимает решение о расширении.

## От чего зависит стоимость

На бюджет влияют число систем и каналов, готовность документов, сложность полномочий, требования к размещению и объём проверки. Один помощник по FAQ и агент, меняющий данные в ERP, требуют разного количества работы.

В смете полезно разделить разовые расходы на разработку и регулярные: инфраструктуру, использование моделей, обслуживание интеграций и обновление знаний. Фиксированную сумму можно обосновать после согласования объёма. Универсальная цена без изучения процесса мало помогает сравнению предложений.

## Как обсуждать сроки

Срок зависит не только от написания кода. Доступ к API, подготовка документов и участие сотрудников в приёмке часто определяют календарь проекта. План должен содержать этапы, зависимости и ответственных со стороны компании.

## Частые вопросы

### Можно ли запустить сначала один отдел?
Да. Для пилота подходят [продажи](/blog/ai-agent-for-sales) или [поддержка клиентов](/blog/ai-agent-customer-support), если процесс повторяется и результат можно измерить.

### Включена ли поддержка в разработку?
Это зависит от согласованного пакета. Срок гарантии, обработку инцидентов и развитие функций лучше описать отдельно.

### Что подготовить для оценки?
Примеры задач, документы, список систем и ожидаемый результат. Порядок подготовки разобран в статье [как заказать разработку ИИ-агента](/blog/how-to-order-ai-agent). Для обсуждения проекта доступна [разработка AI-агентов](/services/ai-solution-architecture/ai-agent-development).

## AI-агент для бизнеса: задачи, стоимость и окупаемость

https://w1do.ru/blog/ai-agents/ai-agent-for-business

## О чём эта статья

AI-агент для бизнеса — это программный помощник, который использует модель, данные компании и разрешённые инструменты для выполнения задачи. Он может разобрать обращение, найти сведения, подготовить документ и передать результат в рабочую систему. Польза определяется конкретным процессом, а не количеством функций в демонстрации.

## Какие задачи подходят для агента

Лучшие кандидаты — повторяющиеся операции с понятным входом и проверяемым результатом. Например, сотрудник каждый день читает заявки, переносит поля в CRM и задаёт одинаковые уточняющие вопросы. Агент может подготовить эти данные, а менеджер проверить результат перед дальнейшим действием.

Другие сценарии: поиск по внутренним документам, разбор входящей почты, классификация обращений и подготовка черновиков отчётов. Если операция полностью описывается простыми правилами, обычная автоматизация может оказаться дешевле и надёжнее.

## Чем агент отличается от чат-бота

Чат-бот — это способ общения с пользователем. AI-агент — механизм работы с задачами и инструментами. Агент может быть доступен в чате, а может запускаться по событию в CRM без диалогового окна.

Для корпоративных ответов часто используют поиск по базе знаний. Для действий подключают API и вводят ограничения: какие записи можно читать, что разрешено изменять и когда нужно подтверждение сотрудника.

## Примеры применения по отделам

- Продажи: квалификация заявки, заполнение карточки и подготовка черновика предложения.
- Поддержка: поиск инструкции, проверка статуса и передача обращения оператору.
- Операции: извлечение полей из документов и сопоставление с учётной системой.
- Внутренний сервис: ответы по регламентам с учётом роли сотрудника.

Подробнее сценарии разобраны в статьях [про продажи](/blog/ai-agent-for-sales) и [поддержку](/blog/ai-agent-customer-support). Начинать стоит с одного потока, чтобы оценить влияние на команду.

## Как посчитать стоимость и эффект

В бюджет входят разработка, подготовка знаний, интеграции и последующая эксплуатация. Регулярные расходы зависят от объёма запросов, выбранной модели, инфраструктуры и поддержки.

Экономию считают по реально сокращённому времени, а не по всем обработанным сообщениям. Например, если из десяти минут операции агент убрал четыре, в оценку берут эти четыре минуты и вычитают время проверки результата. Для продаж дополнительно отслеживают качество лидов и изменение конверсии.

Период окупаемости оценивают как разовые затраты, разделённые на среднемесячный чистый эффект. Если эффект ещё не подтверждён пилотом, расчёт остаётся гипотезой.

## Когда внедрение лучше отложить

Агенту трудно помочь, если нет владельца процесса, документы противоречат друг другу или интеграции недоступны. Сначала стоит привести в порядок данные и правила. [Аудит процесса](/services/ai-integration/ai-process-audit) помогает определить, что действительно готово к автоматизации.

### Нужен ли агент небольшой компании?
Иногда достаточно одной автоматизации входящих заявок. Выбор зависит от нагрузки и стоимости ошибки, а не от размера компании.

### Можно ли подключить существующую CRM?
При наличии подходящего API и прав доступа. Ограничения конкретной системы проверяются до оценки [разработки агента](/services/ai-solution-architecture/ai-agent-development).

## AI-агент для продаж: CRM, лиды и контроль результата

https://w1do.ru/blog/ai-agents/ai-agent-for-sales

## О чём эта статья

AI-агент для отдела продаж помогает обработать обращение до передачи менеджеру: выясняет потребность, собирает обязательные сведения и готовит карточку в CRM. Это полезно, когда команда теряет время на однотипные вопросы или ручной перенос данных. Первым результатом должна стать более удобная работа с заявкой, а не просто новый чат.

## Какие задачи передать агенту

Начать можно с квалификации входящих лидов. Агент уточняет задачу клиента, сроки и нужный продукт по согласованному сценарию. Если ответа нет, поле остаётся незаполненным: догадку нельзя превращать в факт о покупателе.

Следующий этап — подготовка черновика коммерческого предложения. Цены, наличие и условия берутся из актуальных систем. Скидки и исключения подтверждает менеджер. Для повторного контакта заранее определяют допустимые каналы и правила коммуникации.

## Как устроить интеграцию с CRM

Перед разработкой описываются обязательные поля, этапы воронки, правила поиска существующего клиента и защита от дублей. Одно обращение не должно создавать несколько сделок после повторного сообщения или сбоя.

В CRM полезно сохранять источник заявки, краткое содержание диалога и сведения, которые требуют проверки. Тогда менеджеру не приходится перечитывать весь разговор, чтобы понять следующий шаг.

## Как провести пилот

Я выбираю один канал и один тип заявок. Сначала агент готовит данные в режиме помощника, а сотрудник проверяет их. После накопления примеров можно разрешить создание карточек для понятных случаев.

Проверяются время обработки, полнота данных, доля дублей и количество исправлений. Конверсия зависит также от качества трафика и работы менеджеров, поэтому её нельзя автоматически приписать агенту.

## Что агенту нельзя поручать без правил

Нельзя разрешать произвольные обещания клиенту, изменение цены и отправку неподтверждённых условий. Если запрос нестандартный, агент передаёт его сотруднику с уже собранным контекстом.

### Может ли агент заменить менеджера?
Он помогает с повторяющимися операциями. Переговоры, сложные условия и ответственность за сделку остаются у команды.

### Нужна ли отдельная CRM?
Не обязательно. Сначала проверяются возможности существующей системы. Для проекта можно обсудить [кастомного ИИ-агента](/services/ai-integration/custom-ai-agents), а общую оценку затрат посмотреть в статье [об агентах для бизнеса](/blog/ai-agent-for-business).

## AI-агенты без кода: возможности и ограничения no-code

https://w1do.ru/blog/ai-development/ai-agent-no-code-platforms

## О чём эта статья

AI-агента без кода можно собрать из визуальных блоков: входящее сообщение, обращение к модели, поиск данных и действие в сервисе. No-code помогает проверить короткий сценарий без разработки приложения с нуля. Но визуальный интерфейс не снимает необходимости описать правила, проверить доступы и обработать ошибки.

## Для каких задач подходит no-code

Подход удобен для прототипа помощника по документам, классификации писем и подготовки черновиков. Ещё один пример — уведомление сотрудника после разбора заявки. Такие сценарии ограничены и позволяют быстро проверить, полезна ли модель в конкретном процессе.

Если операция уже описывается строгими условиями, модель может не понадобиться: достаточно обычного автоматического сценария.

## Что проверить перед выбором платформы

- Нужные интеграции: есть ли доступ к API и необходимым операциям.
- Хранение данных: где остаются документы, история и логи.
- Права: можно ли ограничить пользователя и отдельный инструмент.
- Ошибки: предусмотрены ли таймауты, повторы и защита от дублей.
- Стоимость: учитываются ли операции платформы и вызовы модели отдельно.
- Переносимость: можно ли выгрузить сценарии и данные.

Проверка проводится на реальном примере, а не только по списку коннекторов. Наличие CRM в каталоге ещё не означает поддержку всех её полей.

## Где начинаются ограничения

Сложные транзакции, несколько ролей доступа и нестандартная бизнес-логика часто требуют программного слоя. Например, повтор операции после сбоя не должен повторно списать ресурс или создать заказ. Одного визуального блока для этого может быть недостаточно.

Расходы тоже нужно проверять на рабочей нагрузке: длинная цепочка из многих шагов способна оказаться дороже простого серверного обработчика.

## Как перейти от прототипа к системе

Сначала фиксируются сценарий и критерии качества. Затем пилот выполняется на ограниченном объёме. Если нужны собственные интеграции, их можно вынести в серверный адаптер, сохранив визуальную оркестрацию для понятных шагов.

Для такого подхода подходит [автоматизация на n8n](/services/n8n-automation). Перед выбором решения полезно прочитать [об ошибках разработки агентов](/blog/ai-agent-development-mistakes).

### Можно ли обойтись совсем без разработчика?
В простом сценарии — да, если человек понимает настройки и проверяет результат. Для нестандартных интеграций обычно нужна техническая помощь.

### No-code всегда дешевле?
Нет. Сравниваются подготовка, тариф, эксплуатация, поддержка и возможная стоимость переноса.

## Разработчик ИИ-агентов: задачи, навыки и результат работы

https://w1do.ru/blog/ai-career/ai-agents-developer

## О чём эта статья

Разработчик ИИ-агентов создаёт системы, которые связывают языковую модель с данными и инструментами компании. Его работа включает не только настройку промпта, но и проектирование процесса, интеграции, тестирование и сопровождение. Клиент получает полезный результат, когда агент выполняет согласованную операцию в понятных границах.

## Чем агентная разработка отличается от обычного чата

Чат помогает обмениваться сообщениями. Агент может использовать полученный запрос для выбора действий: найти документ, проверить запись или подготовить заявку. Для этого нужны программные интерфейсы, правила доступа и сохранение состояния.

Например, помощник по заказам должен определить пользователя, прочитать допустимые сведения и объяснить статус. Ответ модели не заменяет проверки прав в приложении.

## Какие навыки нужны разработчику

База — программирование, базы данных, HTTP API, очереди и работа с инфраструктурой. Дополнительно нужны понимание LLM, структурированных ответов и поиска по документам. Важна способность проверять качество на примерах, а не судить о системе по одной удачной демонстрации.

При использовании RAG разработчик отвечает за подготовку источников, поиск подходящих фрагментов и ограничения доступа. Если агент выполняет действия, отдельно проектируются валидация, лимиты и обработка повторов.

## Что должно остаться после проекта

- описание сценария и границ полномочий;
- работающий код и согласованные интеграции;
- набор примеров для проверки;
- журнал операций и обработка ошибок;
- инструкции для команды;
- порядок обновления знаний и поддержки.

Условия передачи кода и инфраструктуры обсуждаются до начала работы. Это помогает избежать ситуации, когда демонстрация доступна только в личном аккаунте исполнителя.

## Как начинается разработка

Я разбираю один процесс и выясняю, где он теряет время или качество. Затем выбираю небольшой MVP и согласую результат приёмки. Лишь после этого определяются модель и инструменты.

Если задача состоит только в переносе данных по правилам, агент может быть лишним. Техническое решение должно соответствовать операции, а не популярному названию.

### Нужен ли отдельный специалист по обучению модели?
Не всегда. Многие прикладные агенты используют готовую модель и корпоративный поиск. Обучение оценивается отдельно при наличии задачи и данных.

### Как проверить компетенции исполнителя?
Попросите показать интеграцию, обработку ошибки и критерии качества. Подробный список есть в статье [как выбрать разработчика](/blog/how-to-choose-ai-agent-developer). Обсудить реализацию можно через [разработку AI-агентов](/services/ai-solution-architecture/ai-agent-development).

## AI-агенты для малого бизнеса: с чего начать внедрение

https://w1do.ru/blog/business-automation/ai-agents-for-small-business

## О чём эта статья

AI-агенты для малого бизнеса полезны там, где небольшая команда каждый день повторяет одну и ту же работу. Это может быть первичная обработка заявок, поиск ответа в инструкции или подготовка записи клиента. Начинать лучше с одной операции, которую легко проверить и остановить при ошибке.

## Как выбрать первый сценарий

Соберите примеры за обычную рабочую неделю: какие вопросы повторяются, сколько времени занимает обработка и какие сведения сотрудники копируют между системами. Выберите поток с доступными данными и понятным результатом.

Для сервисной компании это может быть уточнение услуги и подготовка заявки на запись. Для магазина — ответ по правилам доставки и проверка статуса. Для небольшой B2B-команды — разбор письма и черновик карточки в CRM.

## Где достаточно обычной автоматизации

Напоминание по расписанию, перенос фиксированного поля и отправка шаблонного уведомления обычно решаются без LLM. Агент нужен, когда входные сообщения различаются, нужно извлечь смысл или найти ответ среди документов.

Разделение этих задач снижает расходы и упрощает поддержку. Не стоит включать модель в каждый шаг только потому, что проект называется AI.

## Как подготовить данные

Для пилота нужны актуальные услуги, цены, правила и примеры обращений. Назначьте человека, который подтверждает изменения. Если прайс расходится с сайтом, агент не сможет самостоятельно определить правильные условия.

Доступ к CRM и календарю ограничивается разрешёнными операциями. Сначала агент может готовить черновик записи, а сотрудник — подтверждать её.

## Как оценить бюджет

Сравните расходы на разработку, модель, инфраструктуру и поддержку с действительно сэкономленным временем. В расчёт включают проверку ответов и исправление ошибок. Если обращений мало, окупаемость может не оправдать отдельную систему.

Пилот должен показать не только скорость, но и удобство для команды. Можно начать с [Telegram-бота](/services/ai-assistants-chatbots/telegram-chatbot) или [бота на сайте](/services/ai-assistants-chatbots/website-chatbot), если этот канал уже используют клиенты.

## Частые вопросы

### Нужны ли сложная CRM и большой архив?
Нет. Для первого сценария достаточно небольшой проверенной базы. Персональные статусы потребуют подключения соответствующей системы.

### Как понять, что внедрение получилось?
Сравните время обработки, число пропущенных обращений и количество исправлений с исходным уровнем. Общая методика расчёта описана в статье [об окупаемости AI-агента](/blog/ai-agent-for-business).

### Можно ли расширить пилот?
Да, после проверки первого сценария. Новый канал или действие добавляются с отдельными критериями качества.

## AI-агент и ChatGPT: в чём разница для бизнеса

https://w1do.ru/blog/ai-agents/ai-agents-vs-chatgpt

## О чём эта статья

Сравнение AI-агента и ChatGPT начинается с задачи. ChatGPT — продукт для работы с AI, возможности которого зависят от режима и доступных инструментов. Кастомный AI-агент — решение, спроектированное под конкретный процесс. Поэтому неверно сводить разницу к формуле «один только отвечает, другой действует».

## Когда достаточно ChatGPT

Рабочий чат удобен для обсуждения идеи, подготовки текста, анализа предоставленных материалов и помощи с кодом. Человек формулирует запрос, проверяет результат и решает, как его использовать.

Если команда выполняет нерегулярные задачи и не нуждается в автоматической записи результата в учётную систему, отдельная агентная разработка может не окупиться. Передача рабочих данных при этом должна соответствовать правилам компании и выбранному продукту.

## Когда нужен кастомный агент

Он полезен, если задача запускается событием: пришло письмо, создана заявка или обновился документ. Процесс должен выполняться одинаково, учитывать роль пользователя и передавать результат в CRM или другой сервис.

Например, агент разбирает входящую заявку, проверяет обязательные сведения и готовит карточку. Компания определяет доступные источники, правила изменения полей и маршрут для спорных случаев.

## Что сравнивать при выборе

| Критерий | Рабочий чат | Кастомный агент |
| --- | --- | --- |
| Запуск | Обычно по запросу человека | По запросу или событию в системе |
| Процесс | Человек управляет шагами | Шаги и ограничения проектируются заранее |
| Интеграции | Зависят от возможностей продукта | Создаются под нужные операции |
| Проверка | Пользователь оценивает ответ | Проверки входят в процесс |
| Расходы | Доступ и использование продукта | Разработка, инфраструктура и поддержка |

Таблица описывает типичный способ применения. Наличие инструментов и интеграций у продуктов меняется; проверять нужно конкретный рабочий сценарий.

## Почему эти подходы можно совмещать

Сотрудник может обсуждать задачу в чате, а структурированные действия выполнять через корпоративную систему. Тогда свободный анализ отделяется от операций с рабочими данными.

В обоих случаях модель может ошибаться. Для чувствительных действий нужны проверки параметров и прав, а для документов — актуальные источники.

### Кастомный агент обязательно использует другую модель?
Нет. Отличие заключается прежде всего в архитектуре, данных и процессе.

### Что выбрать сначала?
Сначала проверьте гипотезу на примерах. Затем оцените необходимость интеграций. Для разработки есть [кастомные ИИ-агенты](/services/ai-integration/custom-ai-agents), а сравнение инструментов для кода разобрано [в статье о Codex и ChatGPT](/blog/codex-vs-chatgpt-for-business).

Описание продуктов можно сверить с [официальным обзором OpenAI](https://openai.com/solutions/use-case/coding/).

## Разработчик ИИ с Claude: навыки, задачи и практика

https://w1do.ru/blog/ai-career/ai-developer-claude

## О чём эта статья

Разработчик ИИ с Claude использует модель для анализа задачи, подготовки кода и работы с текстовыми данными. Но инструмент не заменяет знания приложения и ответственность за результат. Профессиональная работа начинается с требований, а заканчивается проверенным изменением, которое можно поддерживать.

## Два разных направления работы

Первое — применять AI как помощника при разработке: исследовать код, обсуждать решение и готовить изменения. Второе — создавать приложение, которое само обращается к модели через API. Эти направления пересекаются, но требуют разных проверок.

В первом случае важно оценить предложенный код. Во втором дополнительно нужно управлять запросами, расходами, отказами внешнего сервиса и качеством ответов для пользователей.

## Какие навыки нужны

Основу составляют программирование, Git, базы данных, HTTP и тестирование. Разработчик должен понимать, откуда поступают данные и что происходит после вызова модели.

Для AI-интеграций нужны структурированные ответы, проверка полей, управление контекстом и работа с документами. Если модель получает инструменты, права определяются серверной логикой, а не формулировкой в промпте.

## Как организовать работу с кодом

Я сначала изучаю существующий проект и воспроизвожу проблему. Затем ограничиваю задачу конкретными файлами, выбираю способ проверки и использую помощника для отдельных этапов. После изменения читаю разницу и запускаю подходящие проверки.

Полезно передавать требования и небольшие релевантные фрагменты. Секреты, ключи и лишние персональные данные не должны попадать в запрос.

## Что показать в портфолио

Убедительнее демонстрации чата выглядит небольшой законченный проект: помощник по документам, классификатор заявок или интеграция с CRM. В описании нужны входные данные, результат, ограничения и способ проверки.

Добавьте примеры отказа внешнего API, некорректного ответа и восстановления после сбоя. Они показывают, что система рассчитана на рабочую среду.

### Нужно ли знать Python?
Для задач машинного обучения он часто полезен. Прикладную интеграцию можно строить на языке существующего проекта, если он поддерживает нужные API и инфраструктуру.

### Достаточно ли умения писать промпты?
Нет. Для рабочего приложения нужны инженерные знания и проверка результата.

### Как развиваться дальше?
Выберите небольшой процесс и доведите его до запуска. Направления профессии разобраны в статье [о специалисте по ИИ](/blog/ai-specialist-profession), а архитектура — [в материале об инженерии агентов](/blog/ai-agent-engineering). Для практической задачи можно начать с [разработки AI-агента](/services/ai-solution-architecture/ai-agent-development).

## ИИ в разработке и автоматизации: план внедрения

https://w1do.ru/blog/business-automation/ai-in-development-automation

## О чём эта статья

ИИ в разработке и автоматизации помогает быстрее анализировать материалы, готовить код и обрабатывать сообщения. Однако экономия появляется только тогда, когда результат проверяется и действительно сокращает работу команды. Внедрение стоит начать с ограниченной задачи и измерения исходного процесса.

## Какие задачи выбрать первыми

В разработке подходят объяснение существующего кода, подготовка черновиков тестов и небольшие изменения по понятному заданию. В бизнесе — разбор заявок, поиск по документам и подготовка ответов.

Лучше выбирать операции с повторяющейся нагрузкой и доступными примерами. Если результат трудно проверить, пилот будет сложнее оценить. Полностью формализованный перенос данных часто выгоднее сделать обычным скриптом.

## Как построить пилот

Сначала фиксируется текущая ситуация: время выполнения, число ошибок и участие сотрудников. Затем готовится набор примеров, включающий неполные данные и исключения.

На первом этапе AI предлагает результат, а человек подтверждает его. Команда записывает исправления и причины отказа. После проверки можно расширять самостоятельность только для сценариев с понятными последствиями.

## Что проверять в AI-разработке

Сгенерированный код проходит обычный инженерный контроль: чтение изменений, тесты, сборку и проверку интеграций. Отдельно оценивают, не добавил ли помощник лишние зависимости или обход требований.

Для моделей внутри приложения нужны обработка недоступности API, проверка структуры ответа и лимиты запросов. Пользователь должен понимать, что делать, если автоматическая обработка не завершилась.

## Как оценивать эффект

Полезная метрика — время на завершённую задачу с учётом проверки и исправлений. Если черновик создаётся быстрее, но требует долгой переработки, общая экономия может оказаться небольшой.

В расходы входят инструменты, инфраструктура, интеграции и сопровождение. Для пилота сравниваются одинаковые типы задач до и после внедрения. Изменение нагрузки и состава обращений учитывается отдельно.

## План дальнейшего развития

- оставить сценарии с подтверждённой пользой;
- исправить слабые источники данных;
- назначить владельца процесса и проверки;
- подключить следующий инструмент по отдельному заданию;
- повторять оценку после значимых обновлений.

### Можно ли автоматизировать всё сразу?
Так трудно определить причину ошибок и эффект каждого изменения. Один проверенный процесс даёт более понятную основу для расширения.

### С чего начать в компании?
С [аудита AI-процессов](/services/ai-integration/ai-process-audit) и выбора первой операции. Пример архитектуры есть в статье [об инженерии ИИ-агентов](/blog/ai-agent-engineering), а критерии бюджета — [в материале об агентах для бизнеса](/blog/ai-agent-for-business).

## Специалист по ИИ: профессии, навыки и путь в разработку

https://w1do.ru/blog/ai-career/ai-specialist-profession

## О чём эта статья

Специалист по искусственному интеллекту — общее название нескольких профессий. Один человек исследует модели, другой внедряет их в приложение, третий готовит данные. Чтобы выбрать направление, полезно понять, какой результат вы хотите создавать: алгоритм, рабочий сервис или инфраструктуру для команды.

## Какие профессии связаны с ИИ

ML-инженер работает с данными, обучением и оценкой моделей. Data Scientist исследует закономерности и проверяет гипотезы. Инженер данных строит сбор, хранение и подготовку информации.

AI-разработчик чаще создаёт прикладные системы с готовыми моделями: поиск по документам, обработку запросов и агентов с инструментами. MLOps-инженер занимается средой запуска, версиями и наблюдаемостью. В небольших командах обязанности могут сочетаться.

## Базовые навыки для входа

Для прикладной разработки нужны программирование, Git, SQL, HTTP API и тестирование. Важно уметь разложить задачу на шаги и проверить результат.

Для работы с обучением моделей дополнительно потребуются статистика, линейная алгебра, подготовка выборок и метрики. Глубина этих знаний зависит от направления: интеграция готовой модели и исследовательская работа требуют разной подготовки.

## Как собрать учебный маршрут

Начните с небольшого приложения и понятного источника данных. Затем добавьте модель для одной операции: классификации сообщения или подготовки ответа. После этого проверьте ошибки, задержку и расходы.

Следующий проект может включать поиск по документам и инструмент, который выполняет ограниченное действие. В каждом проекте нужны инструкция запуска и примеры, по которым другой человек сможет оценить работу.

## Что важно для портфолио

Показывайте не только экран, но и задачу, архитектуру, критерии качества и ограничения. Хороший пример — система, которая отказывается отвечать при отсутствии данных и сохраняет контекст для сотрудника.

Сравнение с простым решением тоже полезно: если обычный фильтр работает лучше модели, это инженерный вывод, а не неудача проекта.

## Как оценивать карьерные перспективы

Доход зависит от региона, опыта, отрасли и ответственности. Универсальная цифра зарплаты без даты и источника вводит в заблуждение. Для выбора направления смотрите актуальные вакансии и реальные требования к задачам.

### Можно ли войти без собственного обучения моделей?
Да, через прикладные интеграции. Но программирование и проверка данных всё равно нужны.

### Нужно ли сразу изучать все AI-фреймворки?
Нет. Сначала освойте один законченный сценарий и поймите его ограничения.

### С чего начать практику?
Подойдёт небольшой помощник по документам. Разницу между ролями можно уточнить в статье [о разработчике ИИ-агентов](/blog/ai-agents-developer), а работу с инструментами — [в материале о Claude](/blog/ai-developer-claude). Для обучения команды доступен [корпоративный AI-воркшоп](/services/ai-workshops-education/corporate-ai-workshop).

## MVP на Astro и Directus: разработка с AI-помощником

https://w1do.ru/blog/ai-development/astro-directus-claude

## О чём эта статья

Astro и Directus можно использовать для MVP, где нужны быстрые страницы и управляемый контент. Astro отвечает за представление сайта, Directus — за данные и редакторский интерфейс. AI-помощник ускоряет отдельные этапы работы, но сроки проекта зависят от требований, интеграций и проверки результата.

## Когда подходит такая архитектура

Сочетание удобно для каталога, корпоративного сайта, блога и контентного продукта. Редакторы управляют записями в CMS, а фронтенд выводит их по заранее определённой структуре.

Для сложного личного кабинета и множества взаимосвязанных состояний архитектуру нужно оценивать отдельно. Не каждую задачу стоит решать статическими страницами.

## Как разделить ответственность

В [Astro](https://docs.astro.build/en/concepts/islands/) интерактивные компоненты можно подключать как острова. Форме или фильтру нужен клиентский код, а текстам, навигации и SEO обычно достаточно базового слоя страниц.

В Directus сначала проектируют коллекции, поля и отношения. [Документация по коллекциям](https://docs.directus.io/app/data-model/collections) помогает сверить модель данных. Названия полей и подсказки должны быть понятны редактору.

Серверные ключи CMS остаются в серверном адаптере. Компоненты получают готовые данные и не знают устройство API.

## Как использовать Claude в работе

Я начинаю с требований и схемы: какие записи нужны, какие страницы их показывают и как редактор обновляет содержание. Затем AI-помощник используется для ограниченных задач — подготовки компонента, разбора ошибки или проверки связей.

После каждого изменения проверяются код, сборка и соответствие исходной структуре. Сгенерированная страница не считается готовой только потому, что открылась один раз.

## Минимальный план MVP

1. Выбрать один пользовательский сценарий.
2. Спроектировать данные и права редактора.
3. Создать серверный слой получения данных.
4. Сверстать страницы и необходимые острова.
5. Добавить метаданные, понятные ошибки и пустые состояния.
6. Проверить мобильный экран, формы и публикацию контента.

Если страницы собираются заранее, изменение CMS должно сопровождаться пересборкой и выкладкой. При серверном выводе дополнительно проверяют время ответа и поведение при недоступности CMS.

## Частые вопросы

### Реально ли сделать MVP за один-два дня?
Иногда можно подготовить узкий прототип. Это не универсальный срок для рабочего продукта с интеграциями и приёмкой.

### Нужен ли React для всех страниц?
Нет. Его полезно подключать там, где нужен интерактив.

### Что делать после прототипа?
Проверить сценарий с пользователями и спланировать следующий этап. Обсудить реализацию можно через [разработку MVP](/services/mvp-prototyping/mvp-product-launch); вопросы качества AI-кода разобраны [в статье о vibe coding](/blog/vibe-coding-prototyping-ai-engineering).

## Codex или ChatGPT для бизнеса: как выбрать инструмент

https://w1do.ru/blog/ai-development/codex-vs-chatgpt-for-business

## О чём эта статья

Выбирать между Codex и ChatGPT стоит по рабочей задаче. [Codex](https://openai.com/codex/) ориентирован на агентную работу с программными проектами. ChatGPT используют для широкого круга задач с AI; конкретные инструменты зависят от режима и доступного продукта. Эти возможности пересекаются, поэтому выбор лучше проверять на своих примерах.

## Когда полезен Codex

Если задача связана с репозиторием, полезны чтение файлов, изменение кода и выполнение проверок. Например, исправление ошибки в форме требует изучить компонент, серверный обработчик и существующие тесты.

Результат оценивают по разнице в коде, сборке и поведению приложения. Важна управляемость изменений: какие файлы затронуты, почему выбрано решение и что проверено.

## Когда удобно работать в ChatGPT

Для обсуждения идеи, подготовки структуры текста, анализа предоставленных материалов и объяснения решений часто достаточно диалогового инструмента. Человек проверяет вывод и использует его в дальнейшем процессе.

Если нужен доступ к внешним данным или приложениям, проверяются возможности конкретной конфигурации. Не следует предполагать наличие любой интеграции по названию продукта.

## Сравнение по результату

| Задача | Что проверить |
| --- | --- |
| Исправить ошибку в приложении | Доступ к проекту, изменение файлов и запуск проверок |
| Подготовить текст или план | Качество структуры, фактов и соответствие заданию |
| Исследовать данные | Поддержку нужного формата и воспроизводимость анализа |
| Автоматизировать процесс | Интеграции, права, журнал и обработку ошибок |

Для бизнеса решающим является не количество функций, а стоимость завершённой задачи. В неё входят время проверки и исправления ошибок.

## Как провести сравнение у себя

Выберите несколько типичных заданий и одинаково опишите условия. Зафиксируйте время до принятого результата, число исправлений и доступные инструменты. Для кода обязательны обычные инженерные проверки.

Правила работы с данными, полномочия и лимиты нужно согласовать независимо от выбранного помощника. Ни один инструмент не должен получать лишние секреты или выполнять изменения без подходящих ограничений.

### Codex и ChatGPT обязательно оплачиваются отдельно?
Доступ зависит от действующих условий продукта. Их лучше проверить в [официальной справке](https://help.openai.com/en/articles/11369540-using-codex-with-your-chatgpt-plan), а не по старому сравнению тарифов.

### Какой инструмент лучше для CRM?
Само название не решает задачу. Нужна проверенная интеграция под ваш процесс.

Если требуется автоматизация событиями и API, полезно рассмотреть [кастомного агента](/services/ai-integration/custom-ai-agents). Его отличие от рабочего чата описано [в отдельной статье](/blog/ai-agents-vs-chatgpt).

## Инженерия ИИ-агентов: архитектура, инструменты и контроль

https://w1do.ru/blog/ai-agents/engineering

## О чём эта статья

Инженерия ИИ-агентов — это проектирование системы, которая получает задачу, выбирает шаги и выполняет разрешённые действия. Промпт задаёт поведение языковой модели, а надёжность рабочего процесса обеспечивают интеграции, хранение состояния и проверки. Чем больше у агента полномочий, тем важнее эти части.

## Из каких слоёв состоит агент

Сначала полезно разделить знания и действия. Поиск по документам помогает получить сведения, а инструменты позволяют обратиться к CRM, базе данных или другому сервису. Модель предлагает следующий шаг, но программная логика проверяет, допустим ли он в текущем состоянии.

Типичный пайплайн содержит приём события, подготовку контекста, выбор инструмента, проверку параметров, выполнение и фиксацию результата. Для каждого шага определяются ошибка и путь восстановления.

## Как проектировать инструменты

Инструмент должен выполнять небольшую понятную операцию: найти заказ, создать черновик ответа или обновить разрешённое поле. Его параметры проверяются независимо от модели. Полномочия пользователя также устанавливает приложение.

Для внешних API нужны таймауты, ограниченные повторы и защита от дублей. Если ответ потерялся после успешной операции, повтор не должен создавать второй документ. Результаты вызовов сохраняются в журнале с идентификатором задачи.

## Зачем нужны состояние и память

История диалога, состояние процесса и база знаний решают разные задачи. История помогает понять сообщения пользователя; состояние показывает, какие шаги уже выполнены; знания содержат справочные данные. Их нельзя бесконтрольно объединять в один растущий промпт.

Я определяю срок хранения, доступ по ролям и правила очистки для каждого вида данных. Если задача продолжается после перезапуска, агент должен восстановить её по сохранённому состоянию.

## Когда полезны несколько агентов

Разделение на агента поиска, проверки и подготовки ответа оправдано, если у этапов различаются данные или критерии качества. Каждое дополнительное звено увеличивает время, стоимость и число возможных отказов.

Для короткого процесса последовательность обычных функций часто понятнее сложной оркестрации. Фреймворк выбирают по требованиям к состоянию и интеграциям, а не ради самого названия.

## Что проверять перед запуском

Набор примеров включает правильные и неоднозначные запросы, недоступность сервисов, повторные события и недостоверные документы. Измеряются качество ответа, успешность действий, задержка и расходы на завершённую задачу.

Логи должны позволять понять, какие источники и инструменты использовались, без лишнего сохранения чувствительных данных. При сбое нужен способ остановить сценарий и передать его сотруднику.

## Частые вопросы

### Чем агент отличается от цепочки промптов?
Он взаимодействует с состоянием процесса и инструментами. Если результат ограничен подготовкой текста, отдельная агентная архитектура может не требоваться.

### Можно ли гарантировать правильность каждого ответа?
Модель может ошибаться. Практический подход — ограничивать последствия, проверять действия и измерять качество на согласованном наборе задач.

Для проектирования такого решения можно начать с [кастомного ИИ-агента](/services/ai-integration/custom-ai-agents). Типовые риски перечислены в статье [об ошибках разработки](/blog/ai-agent-development-mistakes).

## Как выбрать разработчика AI-агентов: критерии и вопросы

https://w1do.ru/blog/ai-implementation/how-to-choose-ai-agent-developer

## О чём эта статья

Чтобы выбрать разработчика AI-агентов, нужно оценить не только знание моделей, но и способность довести процесс до рабочего результата. Убедительная демонстрация показывает возможность технологии. Для проекта компании дополнительно нужны данные, интеграции, проверки и сопровождение.

## Сначала сформулируйте задачу

Опишите одну операцию: что поступает на вход, кто её выполняет сейчас и какой результат должен появиться. Добавьте примеры обычного запроса и исключения. Это позволит сравнивать предложения на одинаковом основании.

Если исполнитель сразу предлагает сложную архитектуру без уточнения процесса, попросите объяснить её необходимость. Хороший вопрос со стороны разработчика — как заказчик будет принимать результат.

## Что искать в кейсах

Полезный кейс содержит исходную проблему, ограничения, интеграции и способ проверки. Узнайте, кто поддерживает систему после запуска и что происходит при недоступности API.

Само наличие чата или списка моделей мало говорит о рабочей надёжности. Попросите показать пример ошибки и путь восстановления. Для вашего проекта важнее сходство процесса, чем отрасли на красивой обложке.

## Вопросы до начала работы

- Какие действия агенту будут разрешены?
- Как проверяются права пользователя и параметры API?
- Как обновляется база знаний?
- Что происходит при повторной заявке?
- Где хранятся данные и код?
- Какими примерами проверяется качество?
- Что входит в поддержку и как принимаются изменения?

Ответы должны быть конкретными. «Модель разберётся сама» не заменяет техническое правило.

## Как оценить ТЗ и смету

В задании нужны сценарии, поля интеграций, ошибки и критерии готовности. Смета должна разделять разработку, подготовку данных и регулярные расходы. Неопределённые части лучше выделять явно.

Фиксированная цена подходит для согласованного объёма. Оплата времени полезна, когда требуется исследование, но тогда важны короткие этапы и проверяемые результаты. Универсально лучшей модели оплаты нет.

## Что согласовать для сопровождения

Уточните передачу репозитория, доступов и документации, порядок обновлений и ответственного за инциденты. Отдельно определите, какие изменения относятся к поддержке, а какие требуют нового задания.

### Нужна ли большая команда?
Размер зависит от объёма. Один опытный разработчик может закрыть ограниченный сценарий; сложный проект требует нескольких компетенций.

### Как снизить риск выбора?
Начните с небольшой оплачиваемой задачи с понятной приёмкой, а не с обещания автоматизировать всю компанию.

Практический список подготовки есть в статье [как заказать ИИ-агента](/blog/how-to-order-ai-agent). Для обсуждения требований доступна [консультация по внедрению ИИ](/services/consultation/ai-implementation-consulting).

## Как создать собственный ИИ: данные, обучение и запуск

https://w1do.ru/blog/ai-implementation/how-to-create-and-train-your-own-ai

## О чём эта статья

Создать собственный ИИ для бизнеса не всегда означает обучить нейросеть с нуля. Часто задача решается готовой моделью, поиском по документам и интеграциями. Выбор подхода зависит от данных, требований к результату и стоимости эксплуатации.

## Начните с задачи и метрики

Опишите, что система должна делать: классифицировать обращения, прогнозировать спрос, искать сведения или формировать ответ. Для каждой задачи нужен свой способ проверки.

Для классификации важны ошибки по категориям. Для поиска — способность находить нужный источник. Для генерации ответа — достоверность и полезность на согласованных примерах. Без такой проверки невозможно понять, что именно нужно улучшать.

## Готовая модель, RAG или дообучение

Готовая модель подходит для первого эксперимента и задач с понятной инструкцией. RAG добавляет поиск по корпоративным документам: система получает релевантные сведения перед формированием ответа.

Дообучение рассматривают, когда требуется устойчивое поведение или специализированный формат и есть качественные примеры. Оно не заменяет актуальную базу знаний и не гарантирует отсутствие ошибок. Обучение с нуля требует отдельного обоснования ресурсов и данных.

## Как подготовить данные

Проверьте происхождение и право использования материалов. Удалите дубли, исправьте противоречия и обозначьте чувствительные сведения. Для обучения важно отделить примеры, по которым модель учится, от набора независимой проверки.

Если данные меняются, определите частоту обновления и владельца. Образцы должны соответствовать реальным запросам, а не только удобным учебным ситуациям.

## Как оценить качество

Сначала создайте простое базовое решение. Затем сравните его с моделью на одинаковых примерах. В набор должны входить редкие категории, неполные записи и случаи, в которых правильный ответ — отказ или передача человеку.

Помимо качества измеряют задержку, стоимость завершённой операции и время проверки результата сотрудником.

## Запуск и поддержка

Интеграция проходит через серверный слой с проверкой входных данных и ограничением доступа. Нужны мониторинг, обработка сбоев и возможность вернуть предыдущую версию.

После пилота расширяют нагрузку и повторяют оценку. Изменение модели, документов или пользовательских задач может повлиять на качество.

### Нужно ли сразу обучать свою модель?
Нет. Сначала стоит проверить готовое решение и определить, какую проблему обучение должно устранить.

### Можно ли держать данные внутри компании?
Это зависит от модели, размещения и интеграций. Требования к хранению проверяют при проектировании.

Подготовить подход можно через [консультацию по внедрению ИИ](/services/consultation/ai-implementation-consulting). Для задач с инструментами полезна статья [об инженерии агентов](/blog/ai-agent-engineering), а подготовке команды — [материал о профессиях в ИИ](/blog/ai-specialist-profession).

## Как заказать ИИ-агента: подготовка задачи, ТЗ и приёмка

https://w1do.ru/blog/ai-implementation/how-to-order-ai-agent

## О чём эта статья

Заказать разработку ИИ-агента проще, если начать с описания процесса, а не с выбора модели. Исполнителю нужно понять, какую работу вы хотите сократить, какие данные доступны и что будет считаться готовым результатом. Такой бриф помогает оценить объём и не оплачивать функции без подтверждённой пользы.

## Опишите одну операцию

Укажите событие запуска: пришла заявка, сотрудник задал вопрос или загрузил документ. Затем опишите текущие шаги и ожидаемый результат. Например: из письма нужно извлечь сведения, проверить обязательные поля и подготовить карточку для менеджера.

Добавьте частоту задач, среднее время обработки и цену ошибки. Эти сведения помогают выбрать уровень самостоятельности агента.

## Какие материалы подготовить

- несколько реальных примеров, включая сложные случаи;
- актуальные инструкции и источник правильных ответов;
- список CRM, ERP и других систем;
- перечень разрешённых действий;
- контакты владельца процесса и технического специалиста.

Чувствительные сведения в примерах можно обезличить. Доступы выдаются по согласованному порядку и с минимальными полномочиями, а не передаются в переписке вместе с брифом.

## Что должно быть в ТЗ

Техническое задание описывает входные данные, сценарии, интеграции и результат. Нужны также ограничения: когда агент отказывается, что требует подтверждения и как передаётся задача человеку.

Критерии приёмки должны проверяться на примерах. «Отвечает хорошо» — недостаточное условие. Лучше определить обязательные сведения, допустимые ошибки и поведение при недоступности системы.

## Как согласовать MVP и этапы

Для первого этапа выбирают минимальный законченный сценарий. План включает подготовку данных, реализацию, проверку и пилот. Каждый этап имеет результат и зависимость от участия заказчика.

В смете разделяются разработка и эксплуатация. Условия изменения объёма, порядок оплаты и поддержка согласуются до начала работ.

## Как принимать результат

Проверяйте не только успешный диалог. Повторная заявка, пустой документ и сбой интеграции должны обрабатываться предсказуемо. Команда должна понимать, где увидеть статус и как продолжить задачу вручную.

После запуска назначаются владельцы базы знаний и интеграций. Для разработки важно передать код, инструкции и согласованные доступы.

### Можно ли заказать без готового ТЗ?
Да. Первым этапом может быть [аудит процесса](/services/ai-integration/ai-process-audit) и подготовка требований.

### Как сравнить предложения?
Дайте исполнителям одинаковый сценарий и попросите раскрыть состав работ. Критерии выбора собраны [в отдельной статье](/blog/how-to-choose-ai-agent-developer).

### Куда обратиться с подготовленным брифом?
Можно обсудить [разработку AI-агента](/services/ai-solution-architecture/ai-agent-development). Состав проекта описан [в материале о разработке под ключ](/blog/ai-agent-development-turnkey).

## Пожар на складе WB: как селлеру восстановить продажи

https://w1do.ru/blog/ecommerce/sgoreli-sklady-wb-pomoshch-selleram

## О чём эта статья

После пожара на складе WB селлеру приходится одновременно разбираться с потерянными остатками и сохранять работу магазина. Практический приоритет — получить достоверные сведения о товарах, остановить неподтверждённые обещания покупателям и подготовить доступные каналы продаж.

Этот материал описывает порядок организации работы после складского сбоя. Он не сообщает о новом пожаре и не устанавливает условия компенсаций. Для конкретного события нужно использовать сообщения площадки и документы в кабинете продавца.

## Зафиксируйте состояние бизнеса

Сохраните доступные отчёты об остатках, поставках и заказах. Отдельно отметьте позиции, наличие которых подтверждено, и товары с неопределённым статусом. Для каждого источника полезно указать дату получения.

Обращения к площадке и ответы поддержки храните вместе с идентификаторами. Это помогает восстановить историю событий и не смешивать сведения из разных периодов.

## Проверяйте условия компенсации по своему случаю

Порядок выплат и документы зависят от события и применимых условий. Например, [документ Wildberries](https://static-basket-02.wbbasket.ru/vol20/offers/prd/product/87/c3f64d42-e31b-464e-8a6b-6fa4266ed7d3.pdf) содержит отдельный раздел о пожаре 13 января 2024 года в Шушарах. Эти условия нельзя автоматически переносить на другой склад или период.

Перед принятием предложенных документов проверьте их содержание и последствия для вашего случая. Сайт или бот не может гарантировать выплату компенсации.

## Как продолжить продажи

Составьте каталог товаров с подтверждённым наличием и реальными сроками отгрузки. Если позиция недоступна, сообщите об этом прямо. Предзаказ имеет смысл только при понятных условиях, сроках и возможности выполнить обязательства.

Резервный сайт помогает показать ассортимент и собрать заявки. Но он не заменяет автоматически трафик маркетплейса: отдельно нужен план привлечения клиентов и обработки обращений.

## Где полезна автоматизация

Форма заявки, Telegram-бот и CRM помогают не терять сообщения и видеть статус каждого обращения. Бот может отвечать по актуальным правилам и передавать сложные вопросы сотруднику.

Сведения о наличии должны поступать из проверенного источника. Генерация ответов не должна превращаться в обещание товара, которого нет. Для начала можно рассмотреть [бота на сайте](/services/ai-assistants-chatbots/website-chatbot) или [Telegram-бота](/services/ai-assistants-chatbots/telegram-chatbot).

## Чек-лист восстановления

- подтверждены доступные остатки и каналы отгрузки;
- покупателям показаны реальные сроки;
- обращения собираются в одном рабочем процессе;
- ответственный обновляет сведения о наличии;
- условия конкретных выплат проверяются по документам площадки.

### Поможет ли отдельный сайт получить компенсацию?
Нет. Он решает задачу коммуникации и продаж.

### Можно ли запускать AI-помощника при неопределённых остатках?
Только с правилами, исключающими неподтверждённые обещания. Общие сценарии разобраны [в статье об AI для малого бизнеса](/blog/ai-agents-for-small-business).

## Vibe coding и AI-инженерия: от прототипа к рабочему MVP

https://w1do.ru/blog/ai-development/vibe-coding-prototyping-ai-engineering

## О чём эта статья

Vibe coding помогает быстро исследовать идею через диалог с AI-помощником и генерацию кода. Подход полезен для прототипа интерфейса и проверки гипотезы. Чтобы превратить результат в рабочий MVP, нужны инженерные требования, понятная архитектура и проверка поведения приложения.

## Где подход ускоряет работу

AI-помощнику удобно поручать небольшой экран, черновик компонента или объяснение существующего кода. Быстрые итерации помогают увидеть, как будет выглядеть сценарий, и обсудить его с пользователями.

Скорость генерации не равна скорости готового проекта. Подключение данных, работа с ошибками и адаптивная верстка всё равно требуют времени. Поэтому обещание запустить любой продукт за несколько часов не подходит для планирования.

## Сначала определите границы прототипа

Запишите, какие действия пользователь должен пройти и какой результат получить. Укажите реальные и демонстрационные данные. Если форма ещё не отправляет заявку, это должно быть понятно команде.

Для контентного проекта полезно разделить страницы, CMS и серверный слой. Astro может отвечать за базовые страницы, интерактивные компоненты — за формы и фильтры, а сервер — за доступ к данным.

## Что проверить в сгенерированном коде

- соответствие исходному заданию;
- обработку пустых и ошибочных состояний;
- проверку данных на сервере;
- отсутствие секретов в клиентском коде;
- лишние зависимости и дубли логики;
- корректность маршрутов и адаптивного интерфейса.

Изменения читаются по разнице в файлах. Запускаются сборка и проверки, соответствующие задаче. Для интерфейса нужна проверка в браузере, включая мобильную ширину.

## Как перейти к AI-инженерии

Если приложение само использует модель, добавляются лимиты, обработка отказов API и проверка ответа. Если модель выполняет действия, нужны ограничения инструментов и журнал операций.

Для нагрузки проверяются база данных, очереди, кеширование и поведение при сбоях. Использование AI при написании кода само по себе не делает систему высоконагруженной.

## Как принять решение о запуске

MVP должен закрывать один законченный сценарий и иметь понятный способ поддержки. После пилота команда оценивает пользу, проблемные места и стоимость следующего этапа.

### Можно ли выпускать прототип сразу?
Только если он соответствует требованиям реального использования и прошёл необходимые проверки. Демонстрационный экран этого не подтверждает.

### Подходит ли vibe coding опытному разработчику?
Да. Знание проекта помогает ограничивать задачи и быстрее замечать ошибки.

Архитектура контентного MVP разобрана [на примере Astro и Directus](/blog/astro-directus-claude). Для продуктового сценария можно обсудить [создание MVP](/services/mvp-prototyping/mvp-product-launch), а рабочие AI-интеграции — [в статье об инженерии агентов](/blog/ai-agent-engineering).

## ИИ для автосервиса: запись и обработка звонков

https://w1do.ru/case/autoservice-automation

Когда мастер занят автомобилем, звонок остаётся без ответа, а администратору приходится вручную уточнять детали ремонта. В этом проекте я выстроил сценарий голосового приёма обращений, который собирает нужную информацию до передачи заявки сотруднику. Ассистент уточняет марку и модель автомобиля, симптомы и желаемую услугу, распознаёт разговорную лексику и просит пояснить неразборчивые детали. Интеграция с телефонией и системой записи помогает проверить доступное время и сохранить обращение вместе с контекстом разговора. Я отдельно предусмотрел передачу сложных запросов человеку: спор по цене, нетипичная неисправность или неуверенное распознавание не должны превращаться в выдуманный ответ. Сценарии проверяются на типовых и шумных звонках, а ошибки распознавания используются для дальнейшей настройки словаря. Результат — согласованный процесс приёма звонка, в котором автоматизация собирает первичные данные, а сотрудник получает понятную заявку для продолжения работы.

## ИИ для поддержки клиентов: классификация и ответы

https://w1do.ru/case/client-service-antigravity

В поддержке клиенту приходится повторять вопрос, если обращение попало не в ту очередь или оператор не видит предыдущую переписку. В этом проекте я проработал поток обработки обращений: от определения темы до ответа по материалам компании или передачи человеку. Система выделяет тип запроса, проверяет, хватает ли контекста, и ищет ответ в базе знаний. Если материал не покрывает вопрос, документы противоречат друг другу или запрос касается индивидуального решения, обращение уходит сотруднику вместе с исходным сообщением и собранными деталями. Ключевая часть работы — границы автоматизации. ИИ не должен подтверждать оплату, обещать сроки или менять данные клиента без надёжного источника и разрешённого действия. Для запуска сценарии проверяются на обезличенных примерах обращений, а не только на заранее подготовленных демонстрационных вопросах. В результате поддержка получает понятную схему, где типовые вопросы обслуживаются по согласованным материалам, а нестандартные быстрее попадают к нужному специалисту.

## ИИ в HR: карта навыков и развитие сотрудников

https://w1do.ru/case/hr-skills-ai

Оценка компетенций становится неточной, если данные о проектах, задачах и обучении находятся в разных системах. В этом кейсе я описал подход к карте навыков, которая связывает рабочие сигналы с понятными для HR компетенциями. Система может собирать разрешённые сведения из источников вроде трекера задач и базы документации, сопоставлять их с моделью навыков и показывать, на каких данных основан вывод. Такая карта нужна для поиска экспертизы и планирования обучения, но не должна самостоятельно выставлять итоговую оценку сотруднику или решать вопрос о найме и продвижении. Я закладываю проверку источников, объяснимость каждого вывода, ограничение доступа и возможность исправить неверную связь. HR-специалист подтверждает интерпретацию, а сотрудник должен понимать, какие данные используются и для какой цели. Итог проекта — прозрачный аналитический контур для работы с компетенциями, где ИИ помогает структурировать сигналы, а кадровые решения остаются за людьми.

## LLM в производстве: поиск по регламентам и техдокументам

https://w1do.ru/case/llm-manufacturing

Производственные инструкции, регламенты и технические документы сложно использовать, когда сотрудник не знает точного названия нужного файла. В этом проекте я сосредоточился на поиске по естественному вопросу и выдаче ответа вместе с исходным документом. Перед подключением языковой модели документы нужно разделить по версиям, подразделениям и уровням доступа. Поиск возвращает фрагменты из разрешённых источников, а ответ показывает ссылки на них. Если документы расходятся, версия устарела или надёжного фрагмента нет, система сообщает об этом и направляет вопрос ответственному специалисту. Отдельно задаются правила доступа к индексам и журналирование запросов: пользователь не должен увидеть материал другого участка только потому, что модель нашла его по смыслу. Качество проверяется на вопросах сотрудников и на сценариях с похожими, но разными инструкциями. Результат — контролируемый интерфейс к производственной документации, который сокращает путь от вопроса до нужного регламента без подмены инженерного решения генеративным ответом.

## Аналитика маркетплейсов: прибыль и решения по SKU

https://w1do.ru/case/marketplace-analytics

Отчёт о продажах не отвечает на вопрос, какой товар приносит прибыль после комиссии, логистики, рекламы, возвратов и хранения. В этом кейсе я выстроил структуру аналитики, которая сводит показатели маркетплейса с себестоимостью и даёт единый разрез по SKU. Данные приводятся к общим артикулам и периодам, чтобы сопоставлять продажи, удержания, рекламные расходы и остатки. В отчётах важно разделять фактические значения и расчётные показатели: если себестоимость или часть расходов не загружена, маржинальность нельзя показывать как точную. Я предусмотрел проверку полноты импорта и расхождений между источниками, а также возможность перейти от сводного результата к исходной строке отчёта. Это помогает разбирать причины изменений и не принимать решение по одной выручке. В результате владелец получает основу для сравнения товаров и каналов по полной экономике. Конкретные выводы о росте прибыли можно делать после загрузки и сверки данных аккаунта.

## Управление остатками Wildberries и Ozon с помощью ИИ

https://w1do.ru/case/marketplace-management

Ручной контроль остатков по нескольким складам не показывает вовремя, какие товары скоро закончатся и где запас превращается в затраты на хранение. В этом проекте я сфокусировался на планировании пополнения по артикулам на основании спроса и срока поставки. Модель использует историю продаж, остатки и календарные факторы, но не выдаёт прогноз за гарантию. Для каждого предложения должны быть видны исходные данные, горизонт прогноза и причина рекомендации. Сезонность, акции, возвраты и перебои в поставках требуют отдельной проверки, особенно если по SKU мало истории. Система выделяет товары с риском дефицита и позиции с избыточным запасом, а решение о заказе остаётся у менеджера. Пилот разумно начинать с ограниченной группы товаров и сверять рекомендации с фактическими продажами. Итог — рабочий процесс принятия решений о пополнении, который заменяет разрозненные таблицы прозрачными сигналами по остаткам и спросу.

## Медицинское SEO: контент с проверкой специалиста

https://w1do.ru/case/medical-seo-claude

Медицинская страница должна отвечать на запрос пациента и не превращать общий текст в диагноз или обещание результата лечения. В этом кейсе я описал контентный процесс, в котором ИИ помогает подготовить структуру, но медицинская точность проверяется специалистом. Работа начинается с группировки поисковых запросов по услугам и вопросам пациентов. Для каждой страницы задаются источники, автор или проверяющий специалист, дата пересмотра и понятная граница между информацией и персональной рекомендацией. Модель может собрать черновик и предложить структуру, но не должна придумывать противопоказания, эффективность лечения или медицинские факты. После экспертной проверки я оптимизирую заголовки, мета-данные, перелинковку и технические элементы страницы. Для оценки нужны данные Search Console и аналитики за одинаковые периоды; без них нельзя достоверно заявлять рост позиций или трафика. Результат — воспроизводимый процесс медицинского SEO с человеческой проверкой и понятной ответственностью за опубликованный материал.

## RAG-база знаний: ответы по внутренним документам

https://w1do.ru/case/rag-knowledge-base

Сотруднику трудно найти точный пункт регламента, если знания распределены между документами, папками и внутренними базами. В этом проекте я спроектировал RAG-сценарий, который сначала находит релевантные фрагменты, а затем формирует ответ с опорой на них. Документы проходят подготовку, получают метаданные и индексируются с учётом прав доступа. По запросу система возвращает выдержки и ссылки на исходные материалы. Если поиск не находит достаточного подтверждения, ответ должен прямо обозначить этот пробел и предложить обратиться к владельцу документа. Качество оценивается на наборе реальных обезличенных вопросов: проверяется полнота извлечённых фрагментов, соответствие ответа источнику и корректность отказа. Отдельно отслеживаются обновления документов, чтобы устаревшая версия не оставалась единственным ответом в индексе. Результат — проверяемый поиск по внутренним знаниям, в котором можно проследить, откуда взялся ответ и кто вправе видеть исходный материал.

## Прогнозирование спроса в ресторане с помощью ИИ

https://w1do.ru/case/restaurant-ai

Закупки и подготовка кухни становятся сложнее, когда спрос меняется по дням недели, сезону и локальным событиям. В этом кейсе я описал аналитический контур, который оценивает спрос по блюдам и помогает команде планировать запасы. В основу прогноза входят история продаж, календарь и доступные операционные данные. Перед использованием цифры сверяются с меню и фактическими остатками: изменения состава блюд, акции и закрытие точки могут сделать прошлые данные несопоставимыми. Модель показывает диапазон и факторы прогноза, а не автоматическую команду на закупку. Менеджер видит, какие позиции требуют внимания, сравнивает прогноз с планом кухни и фиксирует фактическое отклонение. На этом цикле можно уточнять модель и находить случаи, где причина ошибки связана не с алгоритмом, а с неполными данными. Результат — единая основа для планирования закупок и загрузки кухни с проверкой рекомендаций по реальному спросу.

## AI SEO-платформа: семантика, контент и контроль качества

https://w1do.ru/case/seo-ai-platform

Подготовка SEO-контента распадается на несвязанные этапы: семантика хранится в таблицах, задания пишутся отдельно, а проверка и публикация выполняются вручную. В этом проекте я описал платформенный процесс, который связывает исследование запроса, подготовку материала и контроль его качества. Система группирует запросы по намерению, формирует структуру и редакционное задание, затем помогает подготовить черновик. Перед публикацией редактор проверяет факты, полноту ответа, тональность и отсутствие повторов. Отдельные проверки контролируют мета-данные, внутренние ссылки и соответствие готового текста исходному заданию. Автоматизация не подменяет анализ выдачи и экспертную редактуру: её задача — убрать повторный перенос данных между инструментами и сделать каждый этап проверяемым. Эффективность измеряется по времени цикла, доле материалов, прошедших редактуру, и органическим метрикам на сопоставимом периоде. Итог — управляемая цепочка от поискового запроса до опубликованной страницы с ясными точками контроля качества.

## Семейный чат W1DO

https://w1do.ru/opensource/w1do-chat

Свой чат на собственном сервере W1DO Chat — браузерный мессенджер для семьи, друзей, команды или сотрудников. Установка и обновление выполняются через Docker Compose; обязательная внешняя чат-платформа или control plane не нужны. Возможности Публичные и приватные комнаты, роли владельца, администратора и участника, приглашения и личные диалоги. Сообщения в реальном времени, ответы, реакции, упоминания, редактирование и мягкое удаление. Индикаторы присутствия и набора текста, уведомления о пропущенных сообщениях, синхронизация истории после обрыва. Поиск по комнатам на Typesense, загрузка фотографий и документов. Опциональные AI-редактор черновиков и пересказ прикреплённых документов. Административная панель, светлая и тёмная темы, управление размером текста и клавиатурная доступность. Технологии Backend: PHP 8.4, Laravel 13, Octane с FrankenPHP, Reverb, Horizon, PostgreSQL, Redis и Typesense. Frontend: React 19, TypeScript, Vite, TanStack Query и Zustand. Стек включает восемь Docker-сервисов, OpenAPI 3.1 и CI-проверки. Полный список функций, требования к серверу и инструкции по установке приведены в README проекта.

## Preference Memory — память предпочтений для AI-агентов

https://w1do.ru/opensource/w1do-perfomance-memory

Личная память, которую понимают AI-агенты Preference Memory превращает голосовые или текстовые фразы вроде «не люблю файлы длиннее 150 строк» в структурированные правила: формулировку, отношение, папку, домен, проект, теги, ограничения и уровень важности. Пользователь проверяет предварительный результат перед сохранением. Поиск и согласование правил Правила индексируются в Qdrant с dense-векторами и sparse BM25. При добавлении система ищет кандидатов в конфликт или дубль, а модель помогает определить, является ли запись новой, повтором или обновлением существующего правила. Данные группируются по папкам, доменам и проектам. Интеграция с агентами MCP-сервер отдаёт контекст инструментам вроде get_context_for_task , а также поддерживает поиск по папкам и предпочтениям. Сервис собирает актуальный PREFERENCES.md ; в репозитории также есть Agent Skill и скрипты для подключения и настройки проектов. Состав и технологии Docker Compose включает веб-интерфейс, API, MCP-сервер, Qdrant и сервис резервного копирования. Backend построен на Fastify и TypeScript, интерфейс — React, Vite и TypeScript. Для распознавания, обогащения и эмбеддингов используются настраиваемые OpenAI-совместимые модели. Сервис размещается на собственном сервере, но текст и голосовые данные для AI-обработки отправляются выбранному внешнему API-провайдеру. Конфигурация провайдера задаётся владельцем установки.

## ИИ-агенты для бизнеса под ключ

https://w1do.ru/ai-agents

Я проектирую и запускаю ИИ-агентов для бизнеса: от выбора процесса и базы знаний до интеграции с CRM, таблицами, API и внутренними сервисами.

## Обучение ИИ

https://w1do.ru/ai-training

Практическое обучение ИИ: от основ Claude до проектирования RAG-систем и MCP-серверов. Курсы по искусственному интеллекту для разработчиков от эксперта.

## Консультация по ИИ

https://w1do.ru/consultation

Я провожу персональные консультации по внедрению ИИ в бизнес и автоматизации рутины. Помогу тебе внедрить Claude, Cursor и n8n для кратного роста продуктивности.

## Создание сайтов и веб-инструментов для бизнеса

https://w1do.ru/sozdanie-saita

Я разрабатываю современные, быстрые и эффективные сайты на Astro. От лендингов до сложных систем автоматизации и интернет-магазинов с ИИ.

## Создание интернет-магазина под ключ для продаж в интернете

https://w1do.ru/sozdanie-saita/internet-magazin

Я разрабатываю интернет-магазины для брендов, локальных производителей, экспертов и товарного бизнеса: каталог, корзина, заявки, оплата, доставка, SEO и автоматизация.

## Разработчик ИИ, Вайб кодер и MLOps инженер

https://w1do.ru/vibe-coding

Я — профессиональный разработчик ИИ, Вайб кодер и MLOps инженер. Создаю автономных агентов, внедряю RAG-системы и настраиваю LLMOps пайплайны для бизнеса.

## Автоматизация с ИИ-агентами

https://w1do.ru/ai-agents/ai-agent-automation

Я автоматизирую заявки, документы, письма, отчёты и внутренние операции с помощью ИИ-агентов, RAG, n8n, API и CRM-интеграций.

## ИИ-агент для бизнеса

https://w1do.ru/ai-agents/ai-agent-for-business

Я создаю ИИ-агента для бизнеса, который помогает продажам, поддержке, операционным командам и руководителю быстрее обрабатывать повторяющиеся задачи.

## Внедрение ИИ-агента в процессы

https://w1do.ru/ai-agents/ai-agent-implementation

Я внедряю ИИ-агента в текущие процессы: подключаю данные, CRM, API, правила контроля и запускаю пилот без остановки работы команды.

## Курс инженера искусственного интеллекта с нуля

https://w1do.ru/ai-training/ai-engineer-course

Я веду практический курс инженера искусственного интеллекта с нуля: от устройства LLM до проектирования надёжных агентных систем. Моя программа помогает собрать первую архитектуру и понять логику продакшн-разработки.

## Обучение настройке MCP-серверов

https://w1do.ru/ai-training/mcp-servers-training

Я обучаю настройке MCP-серверов для безопасной связи LLM с API, файлами и внутренними сервисами. В программе я показываю устройство Model Context Protocol, разработку инструментов и тестирование интеграций.

## Обучение разработке RAG-агентов

https://w1do.ru/ai-training/rag-agents-training

Я обучаю разработке RAG-агентов, которые находят знания в документах и используют их в ответах LLM. Моя программа охватывает индексацию, поиск, память и оценку качества агентных сценариев.

## Консультация по автоматизации рутины

https://w1do.ru/consultation/business-automation-consultation

Я консультирую по автоматизации рутины с помощью ИИ: нахожу процессы для автоматизации и показываю, как собрать их в n8n и связке с нейросетями.

## Консультация по Claude и Cursor

https://w1do.ru/consultation/claude-cursor-setup

Я консультирую по настройке Claude и Cursor: помогаю выстроить рабочее окружение, правила проекта и промпты для быстрой разработки с ИИ.

## Онлайн-консультация по ИИ

https://w1do.ru/consultation/online-ai-consultation

Я провожу онлайн-консультации по ИИ по видеосвязи: разбираю задачу, отвечаю на вопросы и даю рекомендации из любой точки, без привязки к городу.

## Сгорели склады WB — свой интернет-магазин для селлеров со скидкой 50%

https://w1do.ru/sozdanie-saita/internet-magazin/internet-magazin-dlya-sellerov

Если после пожара на складах WB товары сняты с продажи, компенсации еще не закрыли убытки, а оборот нужен сейчас, я помогу запустить свой интернет-магазин со скидкой 50%.

## Разработка продающих лендингов

https://w1do.ru/sozdanie-saita/landing-page

Я создаю высококонверсионные посадочные страницы (Landing Page) на Astro. Идеально для запуска продукта, услуги или рекламной кампании.

## Разработка ИИ-агентов и RAG-систем

https://w1do.ru/vibe-coding/ai-agents-rag-development

Я разрабатываю ИИ-агентов и RAG-системы, которые ищут знания, вызывают инструменты и выполняют полезные действия в бизнес-процессах.

## MLOps инженер для вывода моделей в продакшн

https://w1do.ru/vibe-coding/mlops-engineer

Я выстраиваю MLOps и LLMOps-процессы для вывода моделей в продакшн: настраиваю мониторинг, оценку качества и надёжную эксплуатацию ИИ-сервисов.

## Вайб кодинг: быстрая разработка с ИИ

https://w1do.ru/vibe-coding/vibe-coding-development

Я применяю вайб кодинг для быстрой разработки с ИИ: превращаю идею в проверяемый продукт, сохраняя контроль над архитектурой и качеством кода.