Кейсы

Инженерные разборы внедрений. Что пробовали, что выкинули и почему получилось сложнее, чем казалось.

Внедрения

В каждом разборе мы показываем задачу, архитектуру системы и подходы, которые попробовали по дороге. Включая те, которые выкинули. Под спойлерами — полные инженерные карты для тех, кто хочет понять, как всё устроено на уровне компонентов.

Мы намеренно пишем про ошибки и тупики. По нашему опыту, именно они объясняют, почему система устроена так, а проект занял столько времени. Готовый результат без этого контекста выглядит либо тривиально, либо неправдоподобно.

Продажи

AI-агент вместо менеджера для портфелей до 5 млн

Агент сам инициирует продажу в мобильном приложении. 17 триггеров, чтобы попасть в момент, многослойный комплаенс, чтобы пройти регулятора. Почти половина правок за 10 недель разработки выросла из живых диалогов с реальными клиентами.

Телеком 2-я линия

Один из крупнейших телеком-операторов

Сотни тысяч обращений в месяц. Оператор тратил 15–25 минут на каждое, собирая контекст из пяти систем вручную.

Три пересборки архитектуры, четыре подхода выкинули, 60+ итераций корпоративного тона.

Госсектор Техподдержка

Оператор городской транспортной системы

Одна галлюцинация — и водитель не выходит на линию.

Формула уверенности из 30+ параметров, 8 маркеров для фильтра галлюцинаций. Каждое правило появилось после конкретного провала.

Страхование ДМС-сервис

Лучи: AI-система принятия решений в сервисе ДМС

Заявка пациента могла растягиваться почти на два часа: оператор вручную собирал данные из чата, программы, клиник, согласований и документов.

Это не помощник для ответов, а система, которая учитывает общий чат пациента, историю обращений, запись, гарантийные письма и готовит корректное действие в CRM.

Сквозной модуль платформы

Эти четыре внедрения дали не только клиентские системы. Из повторяющейся боли вокруг требований, наборов проверки и регрессий вырос отдельный слой платформы.

Сквозной модуль Контур качества

Контур качества AI-систем

Разбор слоя, который вырос из четырёх внедрений и превращает документы, живые диалоги и ошибки из продакшна в требования, проверочные наборы и регрессионный контур. Внутри платформы мы называем его datasetgen.

В работе

Готовим полные разборы, опубликуем по мере готовности.

Инфраструктура 1-я линия

Оператор городских сервисов

AI-агенты на 1-й линии поддержки. Разбор частотных категорий, где детерминированный бот давал плохой результат. Закрыли 10 самых частых типов запросов с качеством >80%. Плюс речевая аналитика: голос + чаты, контроль соответствия скриптам.

Ж/д инфраструктура Кратко

Железнодорожная инфраструктура Сербии

Краткая техническая записка: стек, AI-подход и главная инженерная идея railway operations copilot без избыточного описания внутренней реализации.

Ритейл Oracle CMS

Крупнейший бьюти-ритейлер

AI-агентский слой поверх Oracle CMS. 12 категорий обращений 2-й линии. Агенты повторяют работу оператора: получают обращение, категоризируют, уточняют у клиента, запрашивают внутренние системы, пишут контрагенту. Ключевое: агент не теряет контекст между итерациями.

Расскажите, какой процесс хотите разобрать.

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

или напишите напрямую — ilya@manaraga.ai