Дальше — без магии: архитектура корпоративных ИИ-систем Раньше разговор про ИИ с корпоративными заказчиками почти всегда начинался с двух вопросов: «А на какой модели мы это сделаем?» и «Можно ли развернуть её on-prem, внутри нашего контура безопасности?». Эти вопросы по-прежнему важны и абсолютно логичны. Но всё чаще, к нашей радости, в унисон с ними звучит и третий: «А какой бизнес-результат даст эта автоматизация?». Для многих заказчиков на первом месте — не модель и даже не сам факт наличия ИИ, а результаты внедрения системы. И здесь быстро выясняется, что ИИ — не центр, а всего лишь часть корпоративной архитектуры. Он ничего не заменяет, а встраивается в процесс. И самое важное — то, как все компоненты собраны и работают вместе. Это хорошо видно на примере нашего кейса автоматизации обработки отзывов на маркетплейсах. Это обычная корпоративная система, которую можно разложить на несколько блоков: 🔸очередь отзывов и правила маршрутизации; 🔸пользовательские интерфейсы для операторов, администраторов и продуктовых команд; 🔸интеграции с маркетплейсами и внутренними системами; 🔸контур безопасности и эксплуатации: разграничение прав доступа, логирование, отчётность; 🔸и только затем — несколько моделей ИИ, встроенных внутрь этого контура. Эти модели ИИ работают точечно, на трёх конкретных этапах работы с текстом: 🔸классификация и анализ отзыва: тема, тональность, срочность, риски, отдельные термины и их синонимы, слова-триггеры и т. д. — всё то, от чего зависят правила и маршрут обработки; 🔸поиск по базе знаний — по смыслу, в утверждённых документах, описаниях продуктов и инструкциях; 🔸 генерация черновиков ответов — на основе найденных фактов и настроенных правил. При этом у ИИ почти нет «свободы творчества». Со всех сторон модели «окружены» бизнес-правилами, стилями ответов, справочниками и базой знаний. Финальное слово остаётся за оператором: он контролирует тексты перед публикацией. Все ограничения и логика работы настраиваются командами клиентского сервиса, маркетинга и продуктовой командой, а не разработчиками моделей. В результате внедрения 🔸сами отзывы стали источником идей для лаборатории и продуктовых команд; 🔸ответы на отзывы — каналом продвижения за счёт осмысленных рекомендаций новинок и подходящих дополнительных продуктов; 🔸также команда поддержки тратит меньше времени на обработку отзывов, отвечает точно, быстро и содержательно, оперативно реагирует на срочные обращения. Просто «подключить LLM» или «развернуть RAG» здесь было бы недостаточно — в этом случае ИИ остался бы отдельным инструментом, почти не влияющим ни на качество ответов, ни на глубину анализа, ни на использование данных из отзывов в бизнесе компании. В итоге: 🔸ИИ — не «система», а компонент внутри системы. 🔸Настоящая сложность — в архитектуре: как собрать всё это вместе так, чтобы получить результат. 🔸«Этому городу нужен новый герой» — говорили авторы фильма о Бэтмене. В корпоративном ИИ этот герой — не промпт-инженер и не вайб-кодер, а архитектор систем, который умеет встроить ИИ так, чтобы он действительно приносил результат. Подробнее о кейсе автоматизации анализа отзывов на маркетплейсах — по ссылке: https://resources.epsilonmetrics.ru/cases/otzyvy-s-pomoshhyu-ii/