Как ВТБ, Lamoda и ФСК внедряют ИИ: 5 кейсов с измеримым ROI

Как член жюри Workspace Digital Awards 2025 и руководитель Аспирити AI, я проанализировал десятки проектов в секции цифровизация и трансформация. Уровень конкуренции вырос кратно. Появились пока ещё редкие ИИ-кейсы, но уже можно сказать, что рынок ИИ-решений для бизнеса действительно созревает.

Заметил парадокс: Несмотря на ажиотаж вокруг GenAI, лишь два из семи лучших ИИ-проектов года применяют генеративный искусственный интеллект, в то время как остальные пять построены на классических методах - машинном обучении и компьютерном зрении.

Это не случайность, а важный инсайт о текущем состоянии рынка.

В этом мини-исследовании я покажу:

• Кратко лучшие кейсы с конкурса
• Как можно усилить существующие решения генеративными технологиями
• Почему компании выбирают классический ML вместо GenAI

Статью решил разбить на две части, чтобы не растягивать.

В первой части мы начнём с краткого обзора лучших кейсов с конкурса, которые я сам оценивал на 8 и более баллов, а так же постараемся разобраться, как комбинация с GenAI могла бы улучшить эти проекты.

Во второй я раскрою выводы и поразмышляю над принципами эффективного внедрения искусственного интеллекта в бизнес. Продолжение выйдет уже на этой неделе. Так что подписывайтесь на наш ТГ-канал, я выложу там анонс.

ВТБ показал образцовый пример масштабного внедрения ИИ в клиентском сервисе. Их "Помощник ВТБ" — это не просто чат-бот с ИИ, а комплексная система автоматизации первой линии поддержки.

Техническая архитектура

• Ядро: Гибридная NLP-система (классификация интентов + генерация вариативных ответов)
• Покрытие: 800 из 1800 тематик переведены на машинное обучение
• Особенность: Обработка составных запросов (2+ вопроса в одном сообщении)

Измеримые результаты

• 85% автоматизации обращений (+5,5% за год)
• 76,1% запросов решается без уточнений (FCR - First Contact Resolution)
• 78,2% удовлетворенность клиентов (CSAT)
• 1,5x ускорение запуска новых сценариев
• 3,5 млрд ₽ годовая экономия! 😮

Ключевые инсайты для внедрения

Что сработало: ВТБ не гнался за совершенным ИИ. 

Фокус на конкретных метриках: сокращение времени разработки сценариев и снижение нагрузки на операторов. Автоматизация бизнес-процесса на 85% — это не 100%, но при масштабе ВТБ дает миллиардную экономию.

Подробный кейс здесь <-

Потенциал усиления через GenAI: Сейчас ВТБ использует классический NLP с заготовленными шаблонами ответов.

Интеграция LLM могла бы дать:

• Обработку нестандартных запросов (те самые 15%, которые идут на оператора)
• Генерацию персонализированных финансовых рекомендаций
• Создание пошаговых инструкций для сложных операций

Но как мы пустим недетерменированную модель к пользователям? 🤔

Риск того, что модель «нагаллюцинирует», действительно существует, и он вполне очевиден. В качестве одного из решений я бы предложил рассмотреть архитектуру по принципу Human-in-the-Loop («человек в цикле»), когда оператор не общается с клиентом напрямую, а выполняет роль верификатора ответов LLM. Это позволит контролировать качество генерации и при этом кратно увеличить количество обрабатываемых запросов.

Судя по нашему опыту в «Аспирити», интеграция генеративного слоя поверх классического NLP-стека позволяет повысить уровень автоматизации на 10–15% при росте затрат на 20–30%. Для компании масштаба ВТБ такая оптимизация может легко принести дополнительную экономию в 500+ млн рублей.

Но здесь нужно считать и грамотно проектировать систему, на таких объёмах можно не только сэкономить много денег, но и потерять не меньше на дорогом инференсе.

Проблема: Филиалы сетевых бизнесов периодически "исчезают" с Яндекс.Карт из-за технических сбоев. Владельцы узнают об этом через недели потерь трафика. Или вовсе не узнают.

Решение: CV-система автоматически сканирует карты и находит "пропавшие" точки.

Это мой любимый кейс из подборки. Команда сделала небольшой скальпель, которые приносит огромную ценность.

Результаты:

• Рост показов на 465% после восстановления
• Конкретный пример: филиал Soda — с 39 до 87 маршрутов (+123%)

Подробный кейс здесь <-

Потенциал GenAI: Добавление LLM могло бы автоматически генерировать отчеты для франчайзи с рекомендациями по улучшению видимости и анализом конкурентов в радиусе. А так же помогать рекомендациями по выбору новой локации для открытия.

Технология: ML-pipeline для автоматической обработки товарных фото (удаление фона, цветокоррекция, кадрирование).

Метрики:

• Скорость: 5-15 секунд vs несколько минут вручную
• Ускорение: 20x
• Качество: 98% фото проходят контроль с первого раза

Подробный кейс здесь <-

Усиление через GenAI: Автогенерация SEO-оптимизированных описаний товаров на основе изображений сократила бы время полной обработки карточки товара еще на 70%.

Это самый технически сложный GenAI проект конкурса, не считая ВТБ. Команда RedMadRobot реализовала полноценную GenAI-платформу с локальным развертыванием для enterprise.

Архитектура решения

Технический стек:

• Основа: RAG (Retrieval-Augmented Generation) на базе open-source LLM
• Векторная БД: Для хранения эмбеддингов корпоративных документов
• Оркестрация: LangChain для управления цепочками запросов
• Безопасность: Полностью on-premise, без передачи данных вовне

Два специализированных агента:

1. ИИ-агент для контрагентов: Анализ документов, проверка благонадежности, подготовка справок
2. ИИ-агент по базе знаний: Поиск по внутренним регламентам, генерация ответов на основе корпоративной базы

Результаты и метрики

• 30-40% снижение нагрузки на техподдержку
• 90-98% точность ответов (измерено через RAGAS-метрики)
• 100% безопасность — все данные остаются внутри периметра
• Timeline: 6 месяцев от пилота до продакшена

Подробный кейс здесь <-

Для измерения и контроля точности использовали RAGAS и Structured Output - отличные инструменты для балансирования LLM. Кстати, если интересна эта тема, то можете почитать мою недавнюю статью про SO в нашем блоге.

Вернёмся к кейсу. Потенциал развития решения RAG-системы

Я бы выделил следующие ключевые направления для развития:

Fine-tuning модели: Разделение модели на несколько агентов и дообучение каждого по отдельности, создание архитектуры узко-направленными ИИ-агентами. Такой подход может повысить качество и релевантность ответов ещё на 20-25%.

Внедрение специализированных AI-агентов (через MCP):

• Compliance-ИИ-агент: Автоматическая проверка документов на соответствие требованиям.
• Аналитический ИИ-агент: Генерация дашбордов и отчетов в автоматическом режиме.
• ИИ-агент обучения: Персонализированный онбординг и тренировка новых сотрудников.

Интеграция с workflow-системами (BPM): Перевод системы из режима «вопрос-ответ» в полноценный автоматизированный контур для управления сквозными процессами, например, цепочками согласований.

Интересно, куда двинут эту систему сами заказчики.

Terabit создал специализированную платформу поиска и хранения инноваций на базе GPT. Это пример, когда "обертка" становится полноценным продуктом на основе ИИ.

Архитектура решения
Текущий функционал:

• Семантический поиск по сохраненным материалам
• Автоматическая категоризация и тегирование
• Генерация саммари и ключевых инсайтов
• Готовые промпты для анализа трендов

Подробный кейс здесь <-

Но зачем это нужно, если есть обычный ChatGPT Research или Perplexity? Логичный вопрос. Но на удивление мы получали несколько подобных запросов, так что давайте порассуждаем зачем создавать корпоративную ИИ-систему для работы с инновациями.

Преимущества перед чистым ChatGPT:

• Накопление базы знаний
• Специализированные промпты под задачи R&D
• Контроль версий и история изменений
• Командная работа с инновациями

Усиление через специализированных ИИ-агентов
Мы проектировали мультиагентные архитектуры для специализированных GenAI систем для R&D. Для платформы инноваций идеально подошли бы:

1. Research Agent (ИИ-исследователь)

• Функция: Автоматический мониторинг источников (arxiv, патенты, отраслевые публикации)
• Навыки: Выявление релевантных исследований, оценка применимости
• Интеграции: Google Scholar API, USPTO, отраслевые базы
• Результат: Еженедельный дайджест с оценкой влияния на бизнес

2. Trend Analyst Agent (ИИ-анализ трендов)

• Функция: Выявление паттернов в сохраненных материалах
• Навыки: Кластеризация тем, предсказание развития технологий
• Инструменты: Временные ряды упоминаний, анализ связей между концепциями
• Результат: Квартальные отчеты "Новые технологии" или типа того :) 

3. Competitive Intelligence Agent (ИИ-конкурентная разведка)

• Функция: Мониторинг активности конкурентов
• Источники: Пресс-релизы, вакансии, патенты, GitHub
• Анализ: Реверс-инжиниринг стратегии по публичным данным
• Результат: Алерты о важных движениях конкурентов

4. Implementation Advisor Agent (ИИ-советник по внедрению)

• Функция: Оценка feasibility инноваций для конкретной компании
• Анализ: Сопоставление с текущим стеком, компетенциями, ресурсами
• Методологии: Автоматический SWOT, оценка рисков и т.д.
• Результат: Roadmap внедрения с вероятностью успеха

Целесообразно ли это экономически?

Попробуем посчитать экономику мультиагентной системы под R&D.

По нашему опыту разработки сложных агентных ИИ систем в Аспирити:

• Стоимость разработки: 8-12 млн руб за полную систему
• Экономия времени на ИИ-автоматизации R&D: 40-60% на research-задачах
• ROI: 10-15 месяцев для компаний с R&D бюджетом от 50 млн/год
• Ключевой эффект: Не пропускаются важные технологические сдвиги

Почему это будущее корпоративного GenAI

Одиночные LLM-решения быстро становятся обыденностью. 

Ценность создают:

1. Специализация под конкретную предметную область
2. Накопление контекста — система умнеет со временем
3. Интеграция в процессы — от инсайта к действию
4. Мультиагентность — разделение сложных задач между специалистами

Ключевой барьер для внедрения GenAI в российских enterprise-компаниях — риск утечек данных при использовании облачных решений вроде ChatGPT.

On-premise RAG полностью снимает эту проблему, сохраняя все преимущества генеративного ИИ.

В Аспирити мы наблюдаем растущий спрос на такие решения: компании готовы платить до 200–300% премии за гарантии безопасности при разработке ПО. При этом на старте многие не хотят инвестировать в дорогое железо.

Как найти баланс между безопасностью и затратами?

Мы предлагаем двухэтапную стратегию внедрения, отработанную на нашем опыте:

1. Пилот в защищенном облаке (Яндекс.Облако, Selectel). Это снижает первоначальные затраты до 50% на пилоте и позволяет точно оценить нагрузку без капитальных вложений.
2. Масштабирование на собственных мощностях. Данные пилота помогают избежать как недостатка мощностей, так их избытка — это оптимизирует бюджет и снижает риски.

Мы часто комбинируем подходы в разработке ИИ-проектов.

Например, наш голосовой ИИ-тренажер использует:

• Классический локальный ML для распознавания речи
• Локальных агентов для анализа диалогов и генерации текста
• Облачную систему для генерации голоса для отработки сценариев

Это дает оптимальный баланс безопасность, скорости, точности и стоимости.

Проанализировав топ-7 ИИ-проектов WDA 2025 (5 из которых представлены в этом обзоре), я обнаружил показательную картину: только 2 из 7 лучших кейсов используют генеративный ИИ. И это не случайность — это отражение рынка в миниатюре.

Почему такая разница?

ML работает С существующими процессами.
Для ML уже есть готовые процессы. Компании знают, как его внедрять, измерять эффект и масштабировать. Это как с CRM-системами в 2000-х: сначала никто не понимал зачем, потом стало стандартом.

GenAI часто требует НОВЫХ процессов.
Цикл создания новых процессов и преодоления сопротивления GenAI мы ещё не прошли до конца.

Ключевые тренды на 2025-2026:

1. Гибридные архитектуры станут стандартом
2. On-premise GenAI для enterprise вырастет в 3-5 раз
3. Мультиагентные системы заменят одиночные LLM
4. Специализация ИИ важнее универсальности

В итоге GenAI изменит бизнес. Но не завтра и не для всех.

Тизер нашего подхода:

1. Начинаем с данных — аналитика показывает, что происходит сейчас
2. Находим точки роста — где именно GenAI даст максимальный эффект
3. Внедряем итеративно — маленькими шагами с измеримыми результатами
4. Учимся вместе — каждый проект делает нас умнее

И в следующей статье мы разберём его подробнее, продолжим тему и посмотрим на 4 универсальных принципа для успешного внедрения ИИ. Следите за обновлениями в блоге в нашем тг-канале ⬇️