Аскер про AI/ИИ в Бизнесе

ИИ-Агенты по проверке и подготовке договоров А теперь немного о том, как устроен Contract Toolkit. В предыдущем посте я рассказал об инструменте, который собрал для работы с договорами. Если не вдаваться в детали, я собирал небольшой цифровой процесс, в котором разные задачи выполняются последовательно. Например, когда я прошу подготовить новый договор, один AI-агент сначала делает черновик. После этого другой смотрит на него уже с совершенно другой задачей: «Представь, что это договор моего бизнеса. Где здесь меня могут подставить?» И проверяет результат. То есть я специально не стал доверять всю работу одному запросу. Похожий принцип используется и при анализе входящих договоров. Система смотрит не только на сам текст, но и при необходимости ищет актуальную информацию по законодательству. А ещё я добавил контекст конкретного бизнеса и это, пожалуй, самое интересное. Потому что хороший AI-инструмент для бизнеса, на мой взгляд, начинается не с вопроса: «Какую нейросеть использовать?» А с вопроса: «Что именно этот человек делает регулярно и как сейчас устроен этот процесс?» В моём случае это: я регулярно получаю договоры → читаю → ищу риски → думаю, что менять → согласовываю → иногда сам составляю новый договор → снова проверяю. Я просто разложил этот процесс на отдельные шаги и отдал часть работы AI. Получился инструмент, который знает: - кто я; - чем занимается мой бизнес; - как обычно выглядят мои договоры; - какие формулировки я использую; - что именно нужно проверить. И умеет выдавать результат в том виде готового документа. Отдельно я повозился с установкой. Мне не хотелось делать очередной проект, который на GitHub выглядит красиво, а после клонирования репозитория начинается: «Установите Python». «Поставьте ещё вот это». «Настройте вот здесь». «А теперь разберитесь, почему оно не запускается». Поэтому постарался сделать работу с ним простым. Запускаешь инструмент, и он сам проверяет окружение и помогает всё установить. То есть техническая часть должна оставаться там, где ей и место - внутри. Пользователь должен видеть не агентов, модели, библиотеки и конфигурационные файлы. Он должен видеть: загрузил договор → получил результат. И, пожалуй, это главный вывод, который я пока для себя сделал из подобных проектов. Чем лучше становится AI, тем меньше человеку должно быть интересно, как именно он внутри устроен. Ему должно быть интересно другое: какую работу теперь не нужно делать самому. Друзья, архив с инструментом и ссылку на видео по установке и я прикрепляю. Пользуйтесь на здоровье и дайте обратную связь. Видео с описанием процесса установки https://kinescope.io/uLwAPPUnGSB7yTvdrNeqL3

Доброе утро, друзья, доброе утро, дорогие мои читатели! Если честно, я не ожидал такой обратной связи и реакции на коллектив агентов по работе с договорами. И это, конечно, накладывает на меня огромную ответственность. Поэтому я подготовлю ролик о том, как с этим инструментом работать и как его разворачивать. Постараюсь быть настолько конкретным и простым в изложении, чтобы даже начинающий пользователь разобрался в этой истории. Это, возможно, займёт немного больше времени, чем я планировал, но постараюсь завтра до конца дня всё выложить. Надеюсь, останетесь довольны. И очень важный момент. Я с большим уважением отношусь к труду юристов — у меня очень много знакомых и друзей среди них. Я хочу, чтобы вы, коллеги и друзья, понимали: у этого решения нет задачи заменить вас. Моя настоятельная рекомендация — делать работу над договорами и документами рука об руку с юристами. Я в большинстве своём не делаю продуктов, которые кого-то заменяют. Моя задача — инструменты для упрощения и ускорения труда. В этом смысле сейчас работаю над переосмыслением методологии определения того, где искусственный интеллект вообще может быть применён. Но об этом — в другой раз.

Я больше не читаю договоры с клиентами от начала до конца. По крайней мере, стараюсь. Каждый раз, когда клиент присылает договор, ты за него садишься и вычитываешь 8–10 страниц нудного и топорного текста. Нужно найти, где можно попасть на штраф, где клиент оставил за собой право в одностороннем порядке поменять условия, где размыта приёмка работ, где ответственность почему-то в основном на тебе. Или другой сценарий, когда приходит время самому составить договор.. Я пока сам работаю с договорами без юриста в штате и в какой-то момент просто решил, что хватит делать это вручную. Собрал себе Contract Toolkit. Он работает по тем самым 2-м сценариям Сценарий 1: Мне прислали договор. Загружаю файл и получаю детальный разбор документа: - где для меня риски; - что именно в договоре не устраивает; - чем это может обернуться; - что стоит изменить; - и в итоге, подписывать, доработать или лучше отказаться. Сценарий 2: Мне нужно подготовить договор. Описываю, с кем заключаю договор и на каких условиях. Получаю готовый документ. Причём он ещё раз проверяется уже с позиции моих интересов. Есть ещё одна вещь, которая мне особенно нравится. Я не хочу каждый раз объяснять нейросети, как устроен мой бизнес и как я обычно пишу договоры. Поэтому один раз даю ей несколько своих документов. Она смотрит, как я называю стороны, как строю пункты, какие формулировки использую, как вообще выглядят мои договоры. После этого новый документ получается уже максимально близким к тому, как сделал бы его я сам. Это гораздо интереснее для меня, так как разница с «попросить нейронку проверить договор» большая: не использовать AI для работы с договорами, а сделать себе собственный инструмент для этой работы. Я сделал его прежде всего для себя. Но потом подумал, что если мне, предпринимателю, постоянно приходится решать эту задачу, наверняка я такой не один. Поэтому решил не прятать инструмент. На этой неделе выложу Contract Toolkit на GitHub. Можно будет забрать его себе и настроить под собственный бизнес. Ссылку выложу здесь.

Я перестал смотреть на бизнес через призму отделов, профессий и процессов. Когда ко мне приходит новая компания, я больше не думаю: «это логистика», «это производство», «это маркетинг» или «это строительство». Я пытаюсь посмотреть на неё немного с другой стороны и понять, какие действия сотрудники компании повторяют изо дня в день, независимо от того, как называется их должность и в какой отрасли работает бизнес. И в какой-то момент я заметил довольно интересную вещь: служба поддержки, сметчик, юрист, маркетолог или менеджер по продажам могут заниматься совершенно разной работой, но значительная часть этой работы устроена одинаково. Человек получает информацию, пытается понять её смысл, классифицирует, сопоставляет с тем, что уже знает, собирает первый осмысленный результат и передаёт его дальше - человеку, который должен принять решение или сделать следующий шаг. Для AI не так важно, что именно находится в этом процессе: обращение клиента, коммерческое предложение, смета, договор или письмо. Он не видит отрасль и должность. Он видит последовательность действий, и именно поэтому сегодня мне становится всё интереснее смотреть на компании не через профессии, а через повторяющиеся мыслительные операции. Покажу на двух проектах, которые на первый взгляд вообще не имеют ничего общего. Международная IT-компания Разрабатывает программное обеспечение для грузовых перевозок и работает в девяти странах. Каждую неделю в службу поддержки приходило около 250 обращений на английском, турецком и арабском языках. Кто-то из сотрудников отдела продаж в свободное время переводил сообщения, пытался понять, о чём идёт речь, вручную распределял обращения между подразделениями и надеялся, что ничего не потеряется. Часть обращений действительно терялась. В том числе запросы на партнёрство. Если убрать из этой истории IT, грузовые перевозки, три языка и девять стран, останется очень простой процесс: получить информацию → понять смысл → классифицировать → передать дальше. Мы передали этот участок AI. Теперь система сама переводит обращения на единый язык, определяет тему, присваивает категории, маркирует сообщения и отправляет их в CRM нужному подразделению. Всё, в чём она не уверена, остаётся человеку на проверку - специалист просматривает такие случаи раз в неделю. В результате компания получила не только экономию почти тысячи часов работы в месяц. Она перестала терять обращения, которые раньше просто растворялись в общем потоке, в том числе одиннадцать запросов на партнёрство, которые могли вообще не дойти до нужного человека. Второй проект из совершенно другой отрасли. PR-стратег яхт-клуба готовил около тридцати коммерческих предложений каждый месяц, и каждое предложение занимало два-три дня работы. Казалось бы, что может быть дальше от службы поддержки международной IT-компании? Но если убрать слова «яхты» и «коммерческое предложение», мы снова увидим примерно тот же паттерн. Человек получает информацию о проекте, вспоминает похожие кейсы, достаёт из памяти подходящую структуру, начинает собирать документ, редактирует его, возвращается к отдельным формулировкам, добавляет детали и в конце концов получает первый вариант, который можно показать клиенту. Мы загрузили в систему лучшие коммерческие предложения специалиста, его стиль, описания мероприятий и информацию о прошлых проектах. AI получил контекст, на основании которого клиент сам обычно принимал решения и собирал документы. В результате AI перестал писать «как нейросеть» и начал писать значительно ближе к тому, как писал сам специалист. Теперь полноценный первый вариант предложения появляется примерно за двадцать минут вместо двух-трёх дней. При этом человек никуда не исчез. Он просто перестал тратить большую часть времени на борьбу с «чистым листом» и сборку первого варианта. Теперь его работа начинается там, где действительно нужны его опыт и ответственность: уточнить детали, усилить аргументы, выбрать лучший вариант и принять решение. Итак, перед нами две совершенно разные компании, разные отрасли, разные специалисты и совершенно разные документы. Но в обоих случаях AI забирает одну и ту же часть работы: человек получает большой объём информации, должен разобраться в ней, привести её к понятной структуре, собрать первый результат и передать его дальше. Чем больше я смотрю на разные компании, тем чаще вижу этот паттерн. Любой бизнес - это десятки людей, которые каждый день читают, сравнивают, классифицируют, ищут информацию, проверяют документы, собирают первые версии, формулируют ответы и передают результаты следующим участникам процесса. Мы настолько привыкли называть это «работой человека», что перестали замечать: значительная часть этой работы представляет собой повторяющиеся мыслительные операции. И именно они сегодня становятся одной из самых интересных точек применения AI. Поэтому я всё реже спрашиваю у клиента: «Что у вас можно автоматизировать?» Мне гораздо интереснее другой вопрос: «Какие мыслительные операции ваши сотрудники повторяют сотни раз в неделю?» Ответ на него обычно гораздо быстрее показывает, где в компании действительно есть потенциал для AI. Причём необязательно пытаться автоматизировать профессию целиком или строить сложную систему вокруг целого отдела. Иногда достаточно забрать у человека одну повторяющуюся операцию, потом вторую, потом третью - и постепенно меняется уже не отдельная задача, а сам способ работы. Поэтому я всё больше склоняюсь к тому, что AI следует внедрять не вокруг профессий и даже не вокруг отраслей. Его нужно внедрять вокруг повторяющегося мышления. Когда начинаешь видеть повторяющиеся паттерны, практически любой бизнес становится гораздо понятнее с точки зрения того, что именно в нём можно передать AI, а что пока лучше оставить человеку. Аскер Аскеров ИИ-исследователь и архитектор AI-решений для бэк-офиса

Есть у меня хобби - садовая мебель. И, как у любого, кто этим реально занимается, половину инструментов приходится чинить или делать с нуля: зубила, деревянные тиски, пилы. А еще, часто тебе просто не подходят покупные инструменты, под твою задачу. С AI-агентами то же самое. Понимаешь, что для задачи нужен агент или целый агентский коллектив. И просто идёшь и делаешь его. Не ищешь готовое, не подгоняешь чужое - делаешь своё, под себя. Это просто отдельный вид кайфа. Кто знает - тот поймет. И как же мне этого не хватало предыдущие 20 лет. 😀

Прежде чем тратить деньги на ИИ.. стоит ответить на один вопрос. Что вам нужно на самом деле? Я постоянно вижу, как клиенты покупают не то.. эм.. уровень зрелости бизнеса относительно ИИ не совпадает с тем, что оно покупают. Например. Компания находится на уровне «несколько человек балуются ChatGPT», а они заказывают разработку агента. Или наоборот: три ИИ-пилота уже работают, а компания берёт очередной курс по промптингу. В обоих случаях деньги ушли, результат нулевой не потому что ИИ плохой, а потому что решение не соответствует уровню зрелости. Я использую простую шкалу оценки уровня зрелости клиента, чтобы не попадать в подобные ситуации. Таких уровней в шкале всего 4. На каждом есть свой ответ на вопрос «что делать». Правильно определил уровень - знаю следующий шаг. Ошибся - купил не то. Поговорим об уровнях зрелости. Уровень 1. «Сотрудники балуются ChatGPT». Открыли бесплатные версии. Генерируют посты, письма, иногда отчёты. Происходит это всё скорее собственной инициативе, не потому что руководитель поставил задачу. Связи с бизнес-показателями ноль. Если это про вас - вы на 1-м уровне. Что делать. Не покупать курс по промптингу и не заказывать агента. Начните с аудита: найдите один процесс, где ИИ даст измеримый эффект и сделайте пилот. Уровень 2. «Первые пилоты». Вы уже сделали один-два инструмента осознанно, например, FAQ-бот, генератор шаблонов, Custom GPT на своих данных. Все работает, но пилоты выбирали интуитивно. ROI не считали. Всё держится на одном ИИ-энтузиасте. Уйдёт он, и «ИИ в компании» закончился. Узнали себя? Это уровень 2 - самый опасный из четырёх. Создаёт иллюзию, что ИИ «уже работает». Что делать. Не запускать третий пилот. Возьмите один из тех, что уже есть, измерьте эффект в цифрах и перестройте в процесс так, чтобы работало без энтузиаста-одиночки. Уровень 3. «Прикручено к процессам». ИИ уже встроен в рабочие инструменты - CRM, сервис-деск, документооборот. Эффект измерен. Обработка входящих документов теперь занимает до 6 часов, вместо 4 дней. 120 часов рутины в месяц превратились в 25. Процесс работает, даже если ключевой человек ушёл, но масштабировать на другие отделы не получается. Нет того, кто отвечает за направление. Что делать. Назначить ответственного. Не обязательно нанимать Head of AI, для начала достаточно дать эту роль одному из руководителей, но с выделенным временем, и запустить второй процесс по той же модели. Либо взять CAITO «в аренду» - скоро расскажу. Уровень 4. «Системный подход». В компании есть роль Head of AI. ИИ встроен в ключевые процессы, управляется как часть операционки. Один сотрудник, вооружённый агентами, делает объём работы, на который раньше уходила команда и месяцы. Что делать. Если вы находитесь на этом этапе, то и так знаете что делать. Самое время переходить к созданию фабрик агентов и аналитического слоя, которые будет отслеживать качество и уровень использования искусственного интеллекта в компании. Но это отдельный разговор. Теперь вернитесь к началу. Вы знаете свой уровень и знаете, что делать. На первом уровне вам не нужен агент. На втором - не нужен очередной пилот. На третьем - не нужен ещё один инструмент. Нужен человек, который возьмёт направление под управление. Чаще всего я сталкиваюсь с клиентами на уровне 1, когда компания заказывает агента, который ей не нужен. Как итог, деньги потрачены, агент не взлетел. Компания делает ошибочный вывод о том, что «ИИ не работает». Да нет же! Просто решение не совпало с уровнем ИИ-зрелости. Поэтому первый вопрос, который следует себе задать - не «какую нейронку взять» и не «сколько это стоит», а «на каком мы уровне». Ответ на него сэкономит больше денег, чем любой следующий шаг. Аскер Аскеров ИИ-исследователь и архитектор AI-решений для бэк-офиса

После недельного эксперимента должен признать: я был не прав. Некоторое время назад мне задали вопрос: «чем твой Цех лучше скиллов в Claude Code?» Я пошёл искать на него ответ. В этом и была ошибка. Сам вопрос неправильный. Цех построен на базе, в том числе Claude Code, а не в противопоставлении ему. Противопоставлять одно другому - всё равно что сравнивать цыплёнка и курицу. Что прямо сейчас происходит в индустрии. Если верить словам Альтмана, модели упёрлись в сингулярность. Разработка уходит в агентные системы и обвязку вокруг моделей - то, что называют harness-слоем. Claude Code, Cursor, OpenCode, Codex - это прослойки между разработчиком и моделью. Провайдеры закладывают в них правильные алгоритмы: написание и проверка кода, безопасность, защита авторских прав. Сама модель теперь лишь часть системы. Цех построен на двух вещах. Универсальная архитектура агентных систем, не привязанная к конкретному провайдеру. В моём случае я получил её обратным инжинирингом архитектуры OSINT-агентов. И устройство Claude Code от Anthropic — после апрельской утечки мой соратник, Паша Валентов изучил, как работает система изнутри. Эти две вещи легли в основу и Цеха, и Яра Сережи Кобелева, а дальше объединились в единый продукт. Неделю назад я переподключил Цех через VS Code к плагину Claude Code. И всё заиграло по-новому. Система обнаружила ошибки, которые я наделал своими кустарными методами. Я-таки не-разработчик)). Исправили семантическую память и поиск и теперь материалы находятся корректно. Исправили логику Python-скриптов. Много чего подтянули. Новый Цех - это это стройная монолитная система, и я приступаю к раскатке на клиентские версии. Следующий шаг - роутинг моделей. Ассистент сам определяет, для какой задачи какую модель использовать. Сергей на днях описал связку Claude + ChatGPT в одном терминале. Довольно любопытно вышло. Забираю себе идею отдать Claude роль стратега, ChatGPT - исполнитель, а DeepSeek - документация и отчёты. И Claude же верифицирует итоговый результат. Важна не только harness-обвязка, но и сами модели. И важно вовремя признать, что ты был не прав. И да, о результатах такого эксперимента напишу через пару недель.

Долго думал, выложить эту запись или нет, но решил, что надо. У меня очень стойкое ощущение перемен. Довольно серьезных и судьбоносных. Ощущения буквально физические. Мне очень захотелось поделиться.

«Мы уже пробовали ИИ. Не взлетело». «А разве нельзя просто загрузить туда документы и общаться с ними?». «Купили подписку, но дальше текстов для соцсетей дело не пошло». Фразы, которые я слышу от клиентов постоянно. И за ними один и тот же сценарий. Блогеры и евангелисты создали легенду о том, что автоматизация через ИИ - это простая история - «просто отдай это ИИ», «ИИ все сделает за вас».. Ага, щучьему велению, по моему хотению. На деле купить подписку и закинуть доки в ИИ это даже не 5% успеха. Нужно развернуть инфраструктуру, правильно прицепить базу знаний, понимать, какие задачи отдавать ИИ, а какие нет, уметь с ним работать. У меня для этого выстроена целая палитра шагов: от аудита до конкретных пилотов и агентов. Почему «просто загрузите в чат» не работает. На практике это ломается в пяти местах. Галлюцинации. Модель придумывает факты, которых нет в документах. Для соцсетей это забавно, а вот для бухгалтерского отчёта или договора - катастрофа. Контекстное окно. Загрузили сто страниц инструкций, попросили найти ответ на конкретный вопрос. Модель прочитала первые двадцать, остальные проигнорировала. Ответила уверенно, но мимо. Источники данных. Нейросеть не скажет, из какого документа взят ответ. А бизнесу нужно знать: это из регламента, утверждённого в прошлом году, или из черновика трёхлетней давности? Конфиденциальность. Мое любимое.. Всё, что загружается в публичный чат, уходит на чужие сервера. Для внутренних документов компании это неприемлемо. Непредсказуемость и нестабильность. На один и тот же запрос сегодня и завтра ИИ даст два разных ответа. Бизнес-процесс, который зависит от настроения модели, перестаёт быть процессом. Я не говорю, что нейросети бесполезны. Я говорю, что чат-интерфейс - это только точка входа. А чтобы ИИ работал в бэк-офисе с повторяемым результатом, вокруг этой точки нужна конструкция. Для того, чтобы ИИ работал на результат, он должен знать контекст компании. Понимать, какие профессиональные навыки от него требуются. Видеть, из каких источников брать информацию, а какие обходить. И отвечать не как чат-бот из интернета, а как человек, который в теме. За этим стоит конкретная последовательность. - Аудит процессов, чтобы понять, что вообще отдавать ИИ. - Оцифрованная база знаний, чтобы модели было откуда брать факты, а не фантазии. - Правильно настроенные промпты, чтобы результат был стабильным, а не разным от запроса к запросу. - Контур безопасности, чтобы данные не покидали компанию. - И пилоты, чтобы обкатать решение до того, как отдать его сотрудникам. Чат - это интерфейс, взаимодействия с ИИ, решение требует построения целой архитектуры Аскер Аскеров, ИИ-исследователь и архитектор AI-решений для бэк-офиса

Мы привыкли, что продаётся продукт творчества - картина, код, текст. Но что если на конвейер поставят саму способность творить? Не картину, а умение её написать. Не код, а мышление, его породившее. Что будет, когда творческий акт оценят, масштабируют и коммодитизируют? Это мысленный эксперимент о том, куда идёт человек, когда его последнее неотчуждаемое становится товаром. Слушайте в новом выпуске подкаста https://askerych-online.mave.digital/ep-35

Есть простая штука, которую почти никто не делает перед запуском ИИ-пилота - сесть и посчитать, окупится он или нет. По данным McKinsey, 87% ИИ-проектов не доходят до полноценного запуска. И дело не в технологиях. Просто через три месяца после старта руководитель спрашивает: «что мы получили?» — а ответить нечем. Метрик не собирали, исходных показателей не снимали. Вендоры ситуацию не улучшают. Обещают 10x, а по факту выходит в 3–5 раз меньше. Потому что цифры никто не проверял под реальный процесс заказчика. При этом методология расчёта, по сути, простая. Четыре переменные: - сколько человек на процессе, - сколько часов тратят, - сколько стоит их час - и какую долю работы реально отдать ИИ. Плюс стоимость внедрения. Всё. В какой-то момент мы упаковали эту логику в бесплатный калькулятор на сайте. Заполнил параметры > увидел оценку экономии и срок окупаемости. Та же формула, что и в реальном аудите. У нас, на 17 проектах коэффициент автоматизации получился от 60% до 99,6% ручного труда, средняя окупаемость пилота - 2–4 месяца. Если честно, любой руководитель, который знает свой процесс и его метрики, за пять минут понимает, стоит вообще заходить в автоматизацию или нет. И для этого не нужны консультанты, продавцы и «давайте попробуем». Просто цифры на столе. Ссылка на калькулятор https://clck.ru/3Uxknm Аскер Аскеров, ИИ-исследователь и архитектор AI-решений для бэк-офиса — Коллеги, прошу прощения. В публикации есть ошибка. McKinsey не давала цифру в 87%. Цифра была у MIT и не 87%, а 95% MIT report: 95% of generative AI pilots at companies are failing https://fortune.com/2025/08/18/mit-report-95-percent-generative-ai-pilots-at-companies-failing-cfo/ McKinsey говорили без цифр о том, что у компаний в принципе низкая зрелость к принятию и внедрению ИИ. Это я и сам наблюдаю в работе с российскими компаниями. В дополнение - BCG отмечают, что только 5% компаний относятся к “future-built” и создают значимую ценность от ИИ в масштабе. https://www.bcg.com/press/30september2025-ai-leaders-outpace-laggards-revenue-growth-cost-savings Прошу прощения, впредь буду внимательнее

Кстати! Давно хотел сделать ROI-калькулятор ИИ-инициатив. Проект с марта висит в отложенных. Пожалуй, выходные этому и посвящу. Для чего нужен такой инструмент? А для того, чтобы понять какой выхлоп от внедрения ИИ может быть.

Друзья, давно уже надо было это сделать, но никак руки не доходили. Переписал ссылку на канал. Было @AiStrata - стало @ai09t_ch, согласно актуальному названию компании. Не теряйте.

Я уже рассказывал о своей услуге «Интеллект компании». Её первая версия была реализована полностью на основе моих представлений о том, как и для чего должна быть устроено база знаний. Надо сказать, что представления не были теоретическими, но и пробелов было достаточно. Собственно эти пробелы я и решил нивелировать вчера утром и сформировать системное понимание всего ландшафта работы с базами знаний. Для начала надо было сформировать теоретический фундамент. Мои ИИ-агенты провели глобальный OSINT-аудит по девяти доменам. Брали и российские и мировые источники: от фундаментальной модели SECI (Нонака-Такеучи, 1995) до свежего GraphRAG от Microsoft Research (2024). Логику подбора доменов знаний я подчинил процессу оцифровки. Теория управления знаниями, архитектура хранения и поиска, оцифровки, причём в двух векторах: бумага → цифра и цифра → AI-читаемый формат. Последнее критично, так как мало кто понимает, что DOCX и PDF для ИИ нечитаемы без спецконвертеров типа Docling. Дальше: извлечение знаний из баз данных, текстов и «голов экспертов». Для этого существует 50+ инструментов (от SharePoint до Obsidian, от Pinecone до pgvector), полный разбор RAG и эмбеддингов, change management при внедрении, удержание знаний при уходе людей, российский рынок со всеми 152-ФЗ. Итого ~150 источников, глобальный охват. > В результате исследования я получил 17 структурированных файлов, ~120 страниц, с мастер-индексом и playbook'ом. Playbook - это практический алгоритм из семи шагов: аудит → стратегия → архитектура → оцифровка → платформа → внедрение → поддержка. На основе этого корпуса знаний мы с Яром пересобрали сам продукт и накатили изменения для существующих клиентов. Параллельно, я обновил одностраничник услуги «Интеллект компании». Цены на сайте привёл к единой матрице. Теперь у услуги есть полная методологическая база. Почитать можно тут https://ai09t.tech/ru/intelligence-company.html

Ставим потихонечку консалтинг и Цех на поток.