Среда: омниканальные продажи и поддержка — голос, чат, почта. Уже есть CRM, контакт-центр, база знаний, частично задокументированные регламенты и «теневые» сценарии, которые живут в головах ветеранов. Система не зелёное поле: люди привыкли к своим скриптам, премии завязаны на KPI и на QA.

Что хотят внедрить: гибридную LLM-систему в двух режимах.

1. Real-time Copilot (Суфлер): в реальном времени слушает/читает диалог, ищет в базе знаний, подсказывает оператору следующие шаги, аргументы, ответы на возражения.
2. Post-call QA (Надзиратель): после диалога прогоняет транскрипт по чек-листам и регламентам, выставляет SCORE, даёт фидбек оператору и саммари руководителю.
3. Каналы: текст (чат, почта) и голос (транскрипция звонков).

Желание бизнеса (заявленное)

• Сократить штат отдела QA примерно на 80%.
• Поднять конверсию за счёт онлайн-подсказок.
• Обеспечить 100% покрытие диалогов проверками вместо выборочных ~2%.
• «Убрать человеческий фактор» при оценке сотрудников.

Компания разрабатывает бизнес‑критичное веб и мобильное приложение. Релизы выходят несколько раз в неделю, при этом CI/CD пайплайн уже насыщен юнит‑, интеграционными и end‑to‑end тестами. Но несмотря на это, разработки не успевают, регресс занимает много времени, а баги регулярно уезжают в прод. Разработчики массово пользуются GenAI помощниками для написания кода, но процесс code review и тестирования остался «по‑старому»: ручные проверки, перегруженные ревьюеры, огромные регрессионные прогоны, которые часами гоняются на каждой ветке.

Инициатива команды разработки — внедрить GenAI инструменты для

1. автоматизированного code review в пайплайне,
2. генерации тестов (юнит, API, сценарные),
3. интеллектуального отбора и приоритизации релевантных тестов под конкретный change‑set,
4. вспомогательных ML/AI моделей для анализа флакки‑тестов и ускорения регресса.

На уровне «своей песочницы» все уже игрались: кто‑то прикрутил Copilot, кто‑то ChatGPT в редактор, кто‑то запустил экспериментальный GitHub Actions с AI‑ревью. Но теперь команда хочет вывести это из режима «игрушки разработчиков» на уровень легальной части CI/CD и защитить инициативу перед CTO, CISO, бизнес‑заказчиком и CEO как серьезный продуктовый эксперимент.

Среда: стандартная тикетная система — Jira Service Management, Zendesk, ServiceNow или аналог. Ничего экзотического. Сотни тысяч тикетов в год, сотни категорий обращений, десятки команд экспертов. Система уже есть, она работает, к ней привыкли. Нового UI не будет — продукт должен встроиться в то, что есть.

Крупная сервисная компания — финансы, страхование или телеком — хочет внедрить AI-ассистента для экспертов поддержки. Эксперт ежедневно обрабатывает десятки обращений. Для каждого ему нужно вручную открыть 3–5 внутренних систем, собрать данные, убедиться в их непротиворечивости и сформулировать ответ в нужном тоне. Каждый ответ — зона его персональной ответственности.

Попытки уже были. Они провалились.

Желание бизнеса: снизить время обработки тикета и разгрузить экспертов с помощью AI-черновика.

Мы хотим добавить в поиск приложения оператора связи функцию ЛЛМ, чтобы закрывать вопросы пользователя и снизить дальнейшие обращения в колл центр (КЦ) и чат.

Желание бизнеса

Снизить kpi метрику обращений в поддержку в течении 24 часов после использования приложения. (идея, что приложение должно закрывать боли пользователя и ему не придется отбращаться в КЦ)

Мы хотим внедрить LLM поверх существующих сканеров безопасности контейнеров. Сейчас сканеры выдают сотни CVE (уязвимостей). Разработчики их игнорируют («alert fatigue»). ИИ должен анализировать контекст, отбрасывать ложные срабатывания (False Positives) и предлагать готовый фикс в Merge Request.