AI-лаборатория.
Встраиваем AI в процессы,
которые зарабатывают деньги.

AI-платформы стоят на серверах, лицензии оплачены, а процессы работают так же, как до AI. Мы закрываем этот разрыв.

ТелекомСтрахованиеФинтехТранспортРитейлГоссекторЖ/д инфраструктураБухгалтерияБанки ТелекомСтрахованиеФинтехТранспортРитейлГоссекторЖ/д инфраструктураБухгалтерияБанки

Почему мы так устроены

Когда начинается AI в крупной компании, все хотят платформу. Мы внедряли в разных индустриях и видели одно и то же: процесс не переведён на новые рельсы, и никакая платформа этого за вас не сделает.

Конструкторы без кода заканчиваются одинаково: полгода настройки, автор увольняется, никто не может поддерживать. Заказ платформы у вендора привязывает к скорости его доработок и ограничениям его архитектуры — а когда перерастёшь, миграция обойдётся дороже, чем всё внедрение. Строить целиком свою тоже бессмысленно: где работает открытый код, незачем оборачивать его в свой интерфейс.

Поэтому мы — лаборатория. Берём один процесс, разбираем до винтика, строим систему и проверяем по цифрам. Где работает готовое решение — берём готовое, где нет — делаем своё. Если не работает — говорим прямо.

Где ломается AI в крупных компаниях

По статистике 95% всех внедрений не имеет положительного ROI. И дело не в кривых руках разработчика — внедрение AI прежде всего про изменение подхода и процессов. Что может пойти не так?

Пилот живёт отдельно от процесса

AI показывают на изолированном сценарии, он работает красиво. В реальный процесс его никто не встраивает, потому что там десятки исключений, которых не было в демо. Пилот так и остаётся демонстрацией для совета директоров.

Никто не знает, за счёт чего окупится

Все говорят про качество, но когда просишь формулу «что мы измеряем и какой порог считаем рабочим», начинается философская дискуссия. Без формулы невозможно отличить рабочую систему от нерабочей.

Данные есть, логика решений — нет

У компании есть документы, тикеты и чаты. Но нигде не зафиксировано, почему опытный сотрудник принял именно это решение. AI без этого контекста работает как стажёр, которому дали доступ к базе, но не объяснили правила.

Как мы это чиним

Мы начинаем с одного конкретного процесса: разбираем правила, данные, исключения и точки, где человек принимает решение.

Экспертиза кодируется в систему

Мы усиливаем оператора: каждая его правка становится обучающим сигналом, и система наследует логику рассуждений людей.

AI внутри процесса

Агент работает в CRM оператора, в тех же интерфейсах и с теми же данными, без отдельных окон и порталов, в которые никто не заходит.

Первый результат за 2–3 месяца

Мы подключаем реальные данные в контуре клиента и собираем рабочий скелет. Пусть 40% качества, но это живая система на ваших данных, которую можно открыть и потрогать.

Код и знания остаются у вас

Репозиторий, документация, обученные модели. Заказчик может развивать систему своими силами. Клиенты, которые владеют системой, переподписываются на следующий этап. Поэтому мы так устроены.

Платформа

На каждом проекте мы сталкивались с одними и теми же инфраструктурными задачами. Из этих повторений выросли шесть модулей: инференс и маршрутизация, мониторинг, защитные фильтры, оценка качества, обработка документов, агенты.

Модули разной зрелости: синтетические данные и мониторинг мы переносим между проектами почти без изменений, а поиск по документам каждый раз собирается под конкретную задачу. Мы честно разделяем: вот open source, который хорошо работает сам; вот наши наработки поверх него; а вот кастомный код, который всегда будет уникальным для каждого клиента.

Инференс, маршрутизация, мониторинг, защитные фильтры, оценка качества, документы, агенты — как устроена платформа →

Как начинаем

Один процесс, полный доступ

Выбираем процесс с ручной нагрузкой, понятными правилами и достаточным потоком задач. Подключаемся к данным и системам клиента напрямую.

Рабочий скелет в контуре клиента

Собираем первую версию системы на реальных данных. Живой маршрут целиком, от входа задачи до результата.

Решение по цифрам

После пилота видно, что работает, где потолок качества и есть ли экономика для продакшна. Если цифры не сходятся, мы говорим об этом прямо.

Примеры внедрений

Мы работаем с компаниями, где AI-проект — это часть операционной машины, а не эксперимент ради отчёта.

Финансы Продажи

Инвестиционное подразделение крупного банка

AI-агент, который сам продаёт инвестиционные продукты в мобильном приложении. Мониторит триггеры, инициирует диалог, ведёт клиента по воронке продаж, обрабатывает возражения и закрывает на сделку. Менеджер подключается, только если клиент попросит.

Телеком 2-я линия

Один из крупнейших телеком-операторов

Оператор тратил 15-25 минут на обращение, собирая контекст из 3-5 систем вручную.

Каскад из трёх агентов классифицирует обращение, подбирает сценарий, собирает данные из пяти внутренних систем, формирует ответ. Оператор проверяет — а не пишет.

Госсектор Техподдержка

Оператор городской транспортной системы

Одна галлюцинация модели — и водитель решает, что платформа сломалась, и не выходит на линию.

AI-поддержка водителей через email и Telegram. Каждый фильтр в системе появился после конкретного провала на реальных обращениях.

Также работаем с

Лучи Страхование Медицинский иншуртех из топ-2 Европы, 4+ тысячи корпоративных клиентов
Бухгалтерия Облачная бухгалтерия и кадровый учёт, сотни тысяч компаний
Интеграция Системный интегратор, enterprise-проекты в госсекторе и промышленности

Разборы внедрений с инженерными деталями — на странице кейсов. Смотреть кейсы →

Основатели

Илья Летунов

Технология

Строил VK Cloud — корпоративную облачную платформу внутри VK. Работал с ВТБ, Газпромбанком, X5, Магнитом, Burger King, L'Oréal. Прошёл от Java-разработчика до руководителя платформы. ВМК МГУ.

Знает, как крупные компании покупают, запускают и эксплуатируют технологические платформы. И где всё разваливается.

Дмитрий Кибкало

Бизнес и продукт

Основатель «Мосигры» — от нуля до 70 магазинов в 30 городах, потом продажа. Трижды строил компании с аудиторией больше миллиона. Мехмат МГУ, Stanford GSB.

Умеет довести сильную инженерную штуку до продукта и продаж, чтобы она не осталась внутренней победой команды разработки.

Расскажите, какой процесс хотите разобрать.

Ответим, подходит ли задача для AI-агентов, и если да, предложим конкретный план.

или напишите напрямую — ilya@manaraga.ai

AI-лаборатория.Встраиваем AI в процессы,которые зарабатывают деньги.