Программисты делают бизнес

Как AI превращает проджекта в «десятикратного» менеджера Раньше наш стандартный трек внутренней автоматизации выглядел так: анализируем процесс, описываем его, аналитики структурируют, составляем ТЗ. Потом разрабатываем, тестируем, делаем приёмку. А после — внедрение, и… новый цикл доработок. В итоге процесс растягивался на месяцы. И это у проактивных менеджеров, которые пушат всех. За это время у команды пропадал запал — долго, сложно, копится усталость. Сейчас я вижу сильное изменение: менеджеры, у которых нет жёстких блоков «надо всё делегировать разработчикам» и «код не моё дело» получают в руки очень мощный инструмент — нейронки. Опытный менеджер уже умеет формулировать требования, понимает, что поедет, и как это внедрять. Раньше процесс упирался в зависимость от разработчика. А теперь менеджер сам ставит задачу, сразу валидирует, поедет ли решение в таком виде, и тут же фиксит. Это работает особенно мощно, если команда выстроила предсказуемый пайплайн: доработки не ломают всё, их можно изолированно тестировать и быстро катить. В результате мы получаем «десятикратных» менеджеров — с помощью AI они дают в 10 раз больше результата. По аналогии с «десятикратными» программистам из книги «Мифический человеко-месяц» Фредерика Брукса. Например, наш финдиректор долго ждала доработок от разработчиков, чтобы автоматизировать несколько сценариев в гугл-таблицах. С помощью ИИ допилила инструмент сама: подтягивает нужные данные, агрегирует, настраивает под себя. Чтобы получить такой результат, важны две вещи: — понять, что мир изменился, и сломать внутренний блокер «я должен делегировать это разработчикам» — выстроить предсказуемую работу с ИИ и обеспечить среду, в которой можно итеративно пробовать, не боясь всё сломать. В доработках, где нет сложных интеграций и асинхронных операций, с задачей справляется человек, который умеет формулировать, что ему нужно. В результате скорость изменений внутренних процессов кратно растёт. То, что раньше требовало участия разработчиков и занимало квартал, сейчас можно внедрить за неделю. #максим_павлов 😀 #менеджментkts

😎 Как запустить AI-агента и не утонуть в инфраструктуре В enterprise AI-агенты часто превращаются в проект на месяцы: данные, интеграции, качество, безопасность. Масштабировать сценарии при таком подходе сложно — каждый раз приходится проходить этот цикл заново. Для тех, кто хочет запускать агентов в закрытом контуре за пару часов, а не за пару месяцев, мы развиваем AI Platform. Внутри — готовая инфраструктура для быстрой проверки гипотез и масштабирования: Агентская платформа ускоряет деплой до нескольких часов: новое решение не требует разработки с нуля, обновления выкатываются автоматически после проверки качества, а длинные сценарии не падают на середине из-за одной ошибки. Есть статистика по каждому запросу: какие инструменты использовались, время, стоимость. Платформа данных объединяет разрозненные источники в структурированную базу знаний. Система учитывает права доступа и правила безопасности — агент видит только ту информацию, которая доступна конкретному пользователю. Чувствительная информация остается внутри корпоративного контура. LLM-платформа помогает управлять разными моделями и контролировать безопасность, качество и бюджет. Запросы распределяются между внутренней инфраструктурой, российскими облаками и внешними моделями по заданным правилам. Подробнее о том, как устроена AI Platform, рассказываем на сайте: kts.tech/ai-platform

Когда опыт в менеджменте мешает Показательный кейс: сейчас помогаю с онбордингом менеджера в одном из наших юнитов. Небольшая команда, высокая скорость, нет жёсткого разделения обязанностей, «все делают всё». Разбираемся вместе, как выстроить менеджмент в таких условиях. Руководитель юнита поставил менеджеру задачу: по краткому перечню работ описать критерии приёмки, definition of done. Предметная область сложная — без технического специалиста сходу не разберёшься. Предложил менеджеру использовать для этой задачи AI-инструменты, так как привык так делать сам. У опытного менеджера здесь два привычных пути. Первый — классическое делегирование. Подключить технарей, распределить задания, выстроить приёмку общего результата. Второй — сделать самому. Большой контекст, нет смысла погружать специалистов. Менеджер выбрал этот вариант: потратил день-два, детально проработал материал с помощью AI и пришёл с финальным артефактом. Когда начали смотреть вместе с руководителем юнита, оказалось, надо много переделывать. Но главное не это. Выяснилось, что руководитель уже перестроил своё мышление и изначально ждал не готовый результат, а черновик от нейронки. Чтобы вместе докрутить то, что не понравится, прямо на встрече. И здесь появляется третий путь. Он меняет саму ткань делегирования, сам производственный процесс. AI генерирует ровную базу за минуту. Менеджер докручивает по своим критериям — убирает очевидно слабые места, задаёт направление. И приходит с этим черновиком на обсуждение. Дальше вместе правим на ходу. Реальная экономия уже не в том, что кто-то один тратит время и приносит готовый результат. А в том, чтобы не начинать с чистого листа. Менеджер признался, что жёстко прочувствовал эффект. Это не просто написать текст быстрее с помощью ИИ, а изменение собственных паттернов поведения. Когда годами работаешь на опыте, сложно в моменте включить голову и принять решение, как делать дальше. В этом и есть, пожалуй, главный вызов. Не научиться пользоваться новыми инструментами — это несложно. А разобраться, в каких местах накопленный опыт теперь скорее мешает. Там, где раньше не нужно было думать, потому что ответ и так был очевиден — теперь стоит остановиться и спросить себя заново. #максим_павлов 😀 #менеджментkts

От RAG до агентов: что бизнес ждет от AI? В подкасте «Большой разговор про AI» Александр Опрышко, сооснователь KTS, рассказал, как AI уже меняет разработку и digital-рынок: от оцифровки базы знаний к агентам конкретных действий, от отдельных ассистентов к AI-центричному подходу в SDLC. Обсудили: ▫️почему компании так активно смотрят в сторону RAG, ассистентов проектировщиков и аналитики? ▫️как бизнес оценивает эффективность AI-проектов? ▫️почему многие хотят on-premise решения? ▫️куда перестраивается рынок? ▫️какой тренд показывает наш кейс ассистента Альфа-Банка с ROI 6 месяцев? 🔴 Посмотреть выпуск

AI — только для enterprise? Доказываем, что это не так! Миф: AI — это дорого и только для крупных корпораций. Реальность: в проектах KTS мы видим, что ИИ-решения работают в бизнесе любого уровня. Вопрос не в бюджете, а в том, с чего начать и как измерить результат. В новой статье собрали главное для тех, кто только присматривается к внедрению: 🌟почему проекты зависают в «вечном пилоте» 🌟 какие процессы автоматизировать в первую очередь 🌟 какие метрики действительно показывают бизнес-эффект 🌟 как платформенный подход меняет экономику AI-проектов Рассказываем, как за 1–2 месяца сделать AI прикладным инструментом с измеримым эффектом.

Инженер будущего Последние 4 месяца активно работаем над формированием образа специалистов, которые должны работать в компании. Этот вопрос пересекается с производственным процессом, потому что именно он диктует формат команд и роли внутри них. В этом посте позволю себе немного пофантазировать на тему будущего процесса разработки и места человека в нем. Думаю, что уже сейчас человек является бутылочным горлышком в производственном цикле. Представим роботизированную линию в каком-нибудь цеху. В нем есть участки, на которых стоят роботы с производительностью 100 изделий в час, но между участками есть этапы с людьми с производительностью 10 деталей. Общая производительность конвейера - 10 деталей. Классический конвейер разработки выглядит так же: аналитика -> дизайн -> разработка -> кодревью -> тестирование -> релиз Между каждыми этапами есть много административных временных издержек, а какие-то из этапов могут полностью блокироваться человеком. Стандартный пример — согласование требований. Аналитик написал ТЗ, ждёт согласования заказчика. Оно асинхронное и даже одна итерация правок может занимать от 1 дня до недели. Это не создавало проблем раньше, так как одно согласованное ТЗ, даже если на него уходила неделя, создавало большой объем работы на следующих этапах. Соответственно общая производительность зависела от производительности «участка» разработки. Сейчас же скорость создания артефактов в каждом участке, включая разработку, выросла в разы. И узким местом стали согласования, проверки качества и так далее. То есть все, что делает человек между участками производства. Какой смысл от того, что я могу написать ТЗ за 1 час вместо 6, если для согласования мне все равно придется подождать минимум день? Или какой смысл от быстрого написания кода, если мне нужно ждать кодревью от другого человека (при том, что его еще и завалило сверху бОльшим количеством ревью)? Текущие инструменты в основном применяют для ускорения участков, но не пайплайна целиком. В такой конфигурации можно получить прирост общей производительности в единицы или в лучшем случае пару десятков процентов, если «был запас». Но кратный прирост не получится. Это значит, что нужно изменять сам пайплайн. Минимизировать ручное администрирование и контроль, при этом обеспечив те же качество и предсказуемость, что и раньше. Тогда целевая функция инженера — не просто выдать артефакт, а доработать систему выдачи этих артефактов, чтобы в будущем результат был более стабильный и предсказуемый. Дообучить систему, короче говоря. Тогда роль «инженера будущего» в постоянном улучшении и ускорении пайплайна. Фактически как сейчас CI/CD, только в качестве шагов — агенты, которые делают те или иные проверки, вносят изменения в создаваемый продукт, а инженер отслеживает, в чем агенты ошибаются и изменяет самих агентов, или добавляет новых, чтобы в будущем система не допускала таких же ошибок. Тогда разработка — это полностью продукт агентов. А продукт инженера будущего — это система по автономному предсказуемому произведению цифровых продуктов с заданным качеством. #сергей_чернобровкин 😊

RAG-платформа для 12 000 операторов Альфа-Банка: ускорили поиск данных в 20 раз Раньше операторы контакт-центра вручную искали информацию в базе знаний, чтобы ответить клиенту. На обработку одного запроса в среднем уходило 5 минут. Чтобы ускорить работу операторов, Альфа-Банк решил внедрить RAG-платформу. За помощью обратились к команде KTS. За 4 месяца мы вместе вывели проект в production и настроили систему так, чтобы данные всегда были актуальны, и каждый оператор получал ответ с учётом его уровня доступа. Платформу развернули внутри контура банка и запустили на двух GPU H100. Это позволило уложиться в экономику проекта и при этом обеспечить запас по производительности. В результате RAG-платформа ускорила и упростила работу операторов: ▪️ среднее время обработки запроса уменьшилось на 40 секунд: с 5 минут до 4 минут 20 секунд ▪️ поиск данных стал в 20 раз быстрее: 3 секунды вместо 60 93% операторов положительно оценили работу платформы, и решение масштабировали на всех сотрудников Альфа-Банка. Сегодня система обрабатывает 85 000 запросов в сутки. Больше деталей про настройку и работу RAG-системы показали в кейсе

Отметились на Workspace Digital Awards/26 🏆 Workspace Digital Awards — ежегодный конкурс лучших digital-кейсов. В этом году награды получили четыре проекта KTS: 🟢2 место в номинации «Маркетинг и реклама. Креативный подход» за кейс Орево для «Бургер Кинга». Голосовая геймификации в мобильном приложении собрала 4,1 млн взаимодействий и привела 400к+ уникальных участников. 🟢3 место в номинации «SMM и PR. Спецпроекты» за проект Выживалити для «Пятницы!». Игра в Telegram, синхронизированная с телеэфиром, удержала 86% аудитории на протяжении всего сезона шоу. 🟢3 место в номинации «Сайты. СМИ, искусство и общество» за проект IGM. Помогли игровому сообществу увеличить выручку в 1,5 раза с помощью запуска e-commerce платформы. 🟢3 место в номинации «Сайты. Мебель, интерьер и товары для дома» за Флатику. Вместе с коллегами из Mish провели полный ребрендинг международной платформы под российский рынок. Принимаем поздравления 💚

Раньше менеджеры девелопера вручную оповещали агентов по каждому изменению статуса — это съедало время колл-центра и тормозило цикл сделки. Мы настроили единую систему триггерных уведомлений, где агент получает нужную информацию сам, в нужный момент, в удобный канал: 🟢 Telegram-бот для агентов: напоминания, статусы, документы 🟢 Личный кабинет для агентств: управление командой и аналитика В кейсе показываем, какие именно триггеры сработали, как выстраивали интеграцию с внутренними системами застройщика и что в итоге изменилось в цифрах. 😎 Читать кейс

Вы всё ещё переплачиваете за инфраструктуру? Тогда мы идём к вам. Расходы на облако часто растут незаметно. Тестовые среды работают ночью и в выходные. Неиспользуемые ресурсы продолжают списывать деньги. У команд нет общего правила, кто следит за потреблением и где проходит граница между «нужно» и «просто осталось включенным». В итоге счета растут, а ясности, за что платит бизнес, становится меньше. Мы поможем найти, где инфраструктура расходует лишнее, и сократить затраты без риска для продукта и команды. Что делаем: — проводим аудит расходов на облако; — оптимизируем инфраструктуру; — настраиваем мониторинг потребления и уведомления; — выделяем центры затрат; — прогнозируем бюджет; — считаем TCO и ROI. Если есть ощущение, что можно сэкономить на инфраструктуре, начните с бесплатного аудита. За 5 рабочих дней покажем, где вы теряете деньги. Сначала доведем до результата и только потом возьмем оплату. Гонорар KTS = подтвержденная экономия за 6 месяцев.