В прошлом году мы собрали для ГК «А101» систему работы с корпоративными знаниями на базе Smart Platform — нашего решения для запуска знаниевых ИИ-агентов и работы с внутренней информацией. С тех пор платформа успела пройти несколько этапов внедрения и стать частью повседневных процессов компании.
Здесь рассказываем, как встраивали решение в цифровую среду девелопера и какие результаты это дало по скорости поиска, точности ответов и нагрузке на поддержку.
ИИ-база знаний: с чего начался проект
ГК «А101» — один из крупнейших девелоперов Москвы. У компании большой портфель проектов, много внутренних процессов и постоянно обновляющийся массив корпоративных знаний. В ежедневной работе сотрудникам поддержки нужно быстро находить информацию — например, условия по жилым комплексам, акциям или внутренним регламентам. Эти данные используются для ответов клиентам, поэтому важна не только скорость, но и точность.
Однако, когда знания хранятся в разных системах и не связаны между собой, результат зависит от того, насколько хорошо специалист ориентируется во внутренней структуре компании. Даже если нужная информация есть в документах, её всё равно нужно найти, проверить и собрать в понятный ответ. «А101» хотела сократить этот путь.
Мы подошли к задаче как к созданию интеллектуальной среды, в которой соединили технологии, людей и знания и заложили возможность расширять систему под новые запросы. Для сотрудника это выглядит как привычный рабочий запрос: он задаёт вопрос по объекту, агент находит нужные сведения, сверяет их с источниками и возвращает ответ.
Как поддерживается актуальность данных
ИИ-агент должен работать с той же версией данных, что и сотрудники в рабочих системах. Если информация уже обновилась — изменения должны быстро попадать в базу знаний, иначе бизнес возвращается к той же ручной проверке, от которой хотел уйти.
Мы выстроили процесс так, чтобы новые и изменённые материалы обновлялись автоматически. Каждый день агент подключается к Confluence «А101», обрабатывает документы и обновляет индекс — команде не нужно вручную переносить документы в отдельную базу.
А теперь по шагам: что сделали
1. Пилот
На первом этапе мы собрали ИИ-базу знаний на основе датасета по карточкам жилых комплексов и акционным предложениям. Доступ к тестовой версии получила небольшая внутренняя команда девелопера, которая проверяла систему в рабочих сценариях.
Пилот показал, что поиск информации можно заметно ускорить, а ответы — сделать точными и релевантными. Часть типовых запросов система начала обрабатывать автоматически, и это снизило нагрузку на поддержку.
2. Развёртывание
После успешного пилота мы развернули платформу в инфраструктуре компании — хранение данных, индексация и генерация ответов стали происходить внутри её контура.
Вместе с продуктовой командой «А101» также собрали набор эталонных вопросов и ответов, на котором проверили корректность работы системы и донастроили её под целевые сценарии.
По итогам тестирования получили такие метрики:
Faithfulness — 92%
Context Relevance — 90%
Answer Relevance — 91%
3. Развитие
Следующим этапом стало подключение Confluence — основного хранилища компании. Мы настроили автоматическое обновление базы, чтобы документы индексировались раз в сутки. Со своей стороны «А101» реализовала интеграцию с VK Teams, и ответы стали приходить сразу в рабочем чате.
Как ИИ-инфраструктура работает сейчас
Сотрудник «А101» задаёт вопрос на естественном языке и за несколько секунд получает ответ на основе внутренних документов компании. При этом не нужно заранее знать, как называется файл или в каком разделе лежит нужный фрагмент. Знаниевый агент может найти его, даже если запрос сформулирован не так, как написано в документе.
Технический контур
В основе решения лежит связка RAG + LLM.
RAG находит релевантные фрагменты во внутренней базе знаний и снижает риск галлюцинаций. LLM-ассистент анализирует найденные материалы, формулирует ответ и сопровождает его ссылками на документы-источники. За счёт этого система опирается не на общие знания модели, а на корпоративные данные.
Дальше это разворачивается в полноценный RAG-пайплайн. Если разложить сценарий по шагам, логика выглядит так:
1_
Сотрудник задаёт вопрос
2_
Система проверяет запрос через Guardrails — наш собственный модуль, который фильтрует нежелательный контент и контролирует, можно ли передавать запрос дальше
3_
Запрос преобразуется в векторное представление, и платформа ищет релевантные фрагменты в БД
4_
Система сортирует найденные материалы и выбирает лучший контекст для генерации ответа
5_
LLM формирует итоговый ответ на основе подобранных документов
6_
На выходе ответ снова проходит через Guardrails, чтобы добавить ещё один уровень контроля качества
Такая схема помогает снизить риск некорректных ответов и сделать работу с системой более предсказуемой.
Из каких слоёв состоит архитектура
На уровне архитектуры этот сценарий обеспечивают пять технологических слоёв. Они отвечают за подключение и подготовку данных, обработку контента, поиск, контроль качества и разграничение доступа.
Слой обработки данных подключает источники, парсит документы, размечает материалы и готовит их к работе в поисковом контуре.
Агентная система классифицирует материалы, выделяет сущности, размечает связи между объектами, создаёт аннотации для последующей работы моделей и проверяет качество разметки, выполненной агентами или людьми.
Поисковая система управляет стратегией поиска, векторной выдачей, реранжированием и точностью подбора контекста.
Слой валидации и аналитики защищает от шума и нежелательного контента, применяет инструменты фильтрации и даёт команде возможность отслеживать качество ответов через аналитические инструменты.Ролевая модель доступа следит за тем, какие данные доступны конкретному сотруднику. Платформа формирует ответ только на основе той информации, которую пользователь может видеть в рамках своей роли.
Это позволяет подбирать модель под конкретную задачу, требования по безопасности и целевую стоимость ответа. При необходимости слой можно использовать как единый прокси для доступа к LLM.
Что получилось на выходе
На старте проекта у «А101» было сразу несколько задач: собрать знания в единую и понятную систему, снизить риск неточных ответов, поддерживать актуальность базы и встроить всё это в повседневные процессы.
Внедрение знаниевых ИИ-агентов сократило время на поиск информации минимум на 50% — в среднем сотрудник поддержки получает готовый ответ за 20 секунд. В «А101» отдельно сравнивали это с ручным поиском по Confluence: лучший результат составил 40 секунд, средний — больше минуты.
Сегодня платформа масштабируется на новые подразделения и помогает улучшать как внутренние процессы, так и клиентский опыт за счёт более быстрых и точных ответов.
В чём смысл, Базин?
Всё просто: отдельное ИИ-внедрение уже не создаёт устойчивого преимущества — оно смещается в способность масштабировать применение технологий без постоянной пересборки процессов.
Если под каждую новую задачу нужно заново собирать решение и отдельно настраивать логику работы, компания быстро теряет скорость. В итоге пока остальные игроки расширяют применение ИИ, бизнес тратит ресурсы на повторные внедрения и реагирует на изменения со значительной задержкой.
Основная ценность появляется там, где решение изначально рассчитано на расширение. Оно снижает стоимость следующих запусков, быстрее переносит ИИ в новые процессы и позволяет компании развивать технологию без повторного внедрения под каждый проект.