Полгода экспериментов с ИИ: RAG, ИИ-ревью, автотесты, агенты и автообработка счетов
Habr AI · оригинал
Материал подготовлен автоматизированной редакционной системой. Факты можно сверить по указанному первоисточнику.
Команда Cynteka описала результаты шести месяцев внедрения нейросетей в процессы разработки и поддержки строительного ПО. Ключевые кейсы включают автоматизацию проверки счетов, генерацию планов тестирования и создание AI-агентов для работы с интерфейсом.
Ценность: Материал демонстрирует практические примеры интеграции LLM в бизнес-процессы B2B-софта, показывая реальные метрики эффективности (например, сокращение штата обработчиков счетов) и типичные проблемы работы с контекстом, что полезно для технических лидеров и разработчиков.
Команда Cynteka, специализирующаяся на разработке ПО для строительной отрасли, поделилась опытом шести месяцев экспериментов с искусственным интеллектом. На фоне сложного периода в отрасли руководство компании поставило задачу оптимизировать внутренние процессы и найти точки приложения нейросетей без потери качества продукта. Начав с базовых чат-ботов и тренингов, инженеры перешли к решению конкретных рабочих задач, собрав результаты в виде внутреннего митапа.
Одной из первых проблем стала автоматизация составления планов проверок для тестировщиков. Изначально модель плохо справлялась с пониманием специфической терминологии продукта, например, воспринимая название внутреннего портала «Продавай» как глагол. После внедрения технологии RAG (Retrieval-Augmented Generation) и подключения внутренних знаний ситуация улучшилась, однако возникла другая проблема: противоречивые данные из разных источников ухудшали качество ответов. В итоге команда разработала отдельный инструмент для работы с внутренними знаниями, который постепенно вводится в штатную работу сотрудников.
В области контроля качества кода был создан сервис review.ai. Он выполняет первичный анализ коммитов из GitLab примерно за минуту, выявляя потенциальные ошибки. При этом разработчики подчёркивают, что ИИ не заменяет человека: модель может ошибаться в оценке контекста (например, пропускать проверки выше по коду), поэтому её вердикт служит лишь первым фильтром перед ревью инженером.
Значительный прогресс достигнут в автоматизации обработки счетов. Система распознаёт документы, сопоставляет позиции с заявками и проверяет корректность данных. По данным компании, около 65% счетов теперь проходят обработку без участия оператора за 5–30 секунд. Это позволило сократить штат сотрудников, занятых ручной обработкой, с 80 до 35 человек, несмотря на рост объёма входящих документов. Сложные случаи, такие как разбивка комплектов (например, двери на фурнитуру и полотно), пока требуют ручного вмешательства.
Также команда успешно применила LLM для ускорения разработки: сервис аккредитации поставщиков, который вручную создавали бы несколько месяцев, был собран за семь рабочих дней с использованием генеративных моделей. При этом код тщательно проверялся инженерами на каждом этапе. В интерфейсе продукта появился AI-агент в виде чат-виджета, способный не только отвечать на вопросы по данным, но и выполнять действия: открывать страницы, заполнять формы и искать информацию в документации через специализированных суб-агентов.
Ещё один эксперимент касается сервиса «Закупай», где ИИ помогает поставщикам находить релевантные заявки на основе их прайс-листов. В одном из тестов система автоматически подготовила 19 счетов на геотекстиль, один из которых был оплачен заказчиком. Главный вывод команды состоит в том, что успех внедрения ИИ зависит не от самой модели, а от качества подготовки контекста и понимания границ возможностей технологии.