Как внедрить в компании ИИ и освободить инженеров от рутины

Автор: Денис Романов, директор департамента Professional Services, «Базис»

Почему это важно – и почему именно сейчас

Еще год назад я, как и многие в индустрии, воспринимал генеративный ИИ скорее как эксперимент, чем как инструмент для реального бизнеса. Но когда на рынке появились мощные open-source-модели (в частности – китайские Qwen и DeepSeek), стало ясно: технология созрела для промышленного применения.

Решили не ждать – и запустили пилот по внедрению ИИ в службу Professional Services (PS). Цель была простой: снизить нагрузку на инженеров, ускорить решение задач и повысить качество ответов.

Сегодня наш «Цифровой техлид» – не фича, а часть операционной модели, часть команды. И вот что это дало бизнесу.

С чего начали: не с модели, а с процесса

Многие ошибочно думают, что внедрение ИИ начинается с выбора модели или GPU. На самом деле – с вопроса: «Какую боль мы хотим снять?»

В нашем случае боль была очевидна:

• Инженеры тратили до 30% времени на поиск информации в разрозненной документации.
• Новички долго включались в работу – знания были «в головах», а не в системах.
• Один и тот же вопрос (например, «почему не мигрируют ВМ?») задавали по 10 раз в неделю – и каждый раз приходилось искать ответ заново.

Поэтому первым шагом стала структуризация знаний: мы переписали всю базу знаний по единым шаблонам, убрали жаргон, ввели четкую классификацию. Только после этого подключили ИИ.

Вывод для руководителя: ИИ не работает на хаосе. Он усиливает порядок. Чем лучше у вас процессы и документация – тем быстрее вы получите эффект от ИИ.

Что получили: цифры и эффекты

Мы внедрили ИИ-помощника в Telegram-бот, которым уже пользовались инженеры. Он отвечает на вопросы на основе внутренней базы знаний, не выходит в интернет и не генерирует «от себя».

Результаты за первые 6 месяцев:

Кроме того:

• Сократилось количество обращений в разработку – инженеры PS теперь решают 95% задач самостоятельно.
• Выросла предсказуемость проектов – меньше «сюрпризов» из-за упущенных нюансов.
• Знания перестали уходить с сотрудниками – всё, что найдено и проверено, фиксируется в системе.

Как это работает – без технических деталей

Представьте, что у вас появился виртуальный эксперт, который:

• знает всю документацию по вашим продуктам,
• понимает контекст запроса («не мигрируют ВМ» → предлагает 5 возможных причин и решения),
• показывает, на каких статьях основан ответ,
• даже предупреждает, если видит дублирующие материалы в базе знаний.

Инженер задает вопрос в чат – и получает не просто ответ, а структурированное решение с кодом, ссылками и пояснениями. При этом система собирает обратную связь: если ответ не помог – это сигнал к улучшению базы знаний.

Вам также может быть интересен материал Клуба ИТ-лидеров Компас CIO:

Стратегия внедрения ИИ в компании: от пилота до промышленной эксплуатации

Почему большинство AI-проектов буксует, несмотря на миллиардные инвестиции? Три неудобные истины о GenAI и пять факторов, убивающих внедрения на практике. Концепция AI-индекса для измерения проникновения ИИ, роль AI Product Manager, минимальный состав команды. Как защитить бюджет перед акционерами без гарантий ROI и почему 80% российских проектов дают скромный результат.

Стратегическая ценность: не «бот для инженеров», а «актив для бизнеса»

Важно понимать: внедрение ИИ в PS – это не про «крутые технологии». Это про:

1. Снижение операционных рисков

Зависимость от «ключевых людей» – один из главных рисков в инженерных командах. ИИ делает знания доступными, воспроизводимыми и масштабируемыми.

2. Повышение пропускной способности команды

То же количество инженеров теперь решает на 20–30% больше задач. Это прямой вклад в рост маржинальности услуг.

3. Улучшение клиентского опыта

Быстрее реагируем на инциденты, точнее отвечаем на запросы, меньше ошибок – всё это влияет на NPS и удержание клиентов.

4. Подготовка к следующему уровню автоматизации

Сегодня ИИ помогает инженерам. Завтра – будем встраивать в тикетную систему, аварийные процессы, онбординг, управление проектами. Мы уже тестируем:

• Цифрового аварийного менеджера, который ведет инцидент по регламенту;
• Цифрового наставника для новичков;
• Аналитику по «температуре» проектов – ИИ анализирует чаты и предупреждает о рисках до эскалации.

Что нужно, чтобы начать?

1. Четко определить зону применения – начните с одной боли (например, поддержка или онбординг).

2. Привести в порядок базу знаний – ИИ усилит то, что уже есть. Хаос он не исправит.

3. Выбрать closed-loop архитектуру – данные остаются внутри компании, нет зависимости от внешних API.

4. Внедрять итеративно – пилот → замер эффекта → масштабирование.

Заключение

Генеративный ИИ – не волшебная таблетка, но в руках зрелой инженерной службы он становится мультипликатором эффективности. Мы не просто «поставили ИИ-агента». Мы перестроили процессы вокруг знаний, сделали экспертизу доступной каждому инженеру и снизили когнитивную нагрузку на команду.

Для руководства это означает одно: вы можете масштабировать качество услуг без пропорционального роста headcount, а в условиях, когда таланты дефицитны, а клиенты требуют всё большего – это стратегическое преимущество.