Кейсы

Закупки авиазапчастей: от почты и таблиц к управляемому конвейеру

AI-агент читает входящие RFQ, сравнивает предложения поставщиков и проверяет документы. Рядом — операционная система, которая ведёт сделку по обязательным этапам.

Полный цикл

полный цикл AI-контура на живом процессе закупок — от входящего RFQ в почте до уведомления команды; подтверждено владельцем

3

типа сопроводительных документов проверял агент: FAA 8130-3, EASA Form 1, COC; подсчёт по брифу владельца

Платформа продаж и сопровождения партнёрской сети на живых данных

Партнёр спрашивает, кто в команде неактивен и что мешает следующему уровню, — и получает цифры только по своей части сети. Доступ ограничен на уровне SQL.

20 из 21

проверок UAT пройдено на живой бэкофис-базе клиента (протокол сверки на дев-стенде); одна частично — в данных нет даты последней активности

10 из 10

категорий вопросов из эталона поведения ассистента (~25 сценариев) реализованы; один подпункт не закрыт (подсчёт по чек-листу)

Спецификация сэндвич-панелей из чертежа за секунды вместо часов

Приложение читает DWG/DXF-раскладку и собирает спецификацию в Excel: 10–30 секунд вместо 2–15 часов вручную. 784 панели объекта сошлись с ручной спецификацией построчно.

784/784 и 189/189

панелей на одном объекте и стеновых на втором совпали с ручной спецификацией построчно, с типоразмерами; расхождение площади — 0,001 м²

2–15 ч → 10–30 с

подготовка спецификации объекта: вручную против обработки приложением — по замерам на реальных проектах

Прибыль по каждому SKU на трёх маркетплейсах со сверкой 0,00 %

Пять кабинетов на WB, Ozon и Яндекс Маркете свели в одну юнит-экономику по SKU. Расхождение с расчётом заказчика — 0,00 %, прогноз спроса в 2,7 раза точнее наивного.

0,00 %

расхождение с ручным расчётом заказчика по штукам, выручке, себестоимости, прибыли и марже на контрольном SKU за месяц; порог приёмки — 1 %

в 2,7 раза

точнее наивного прогноза: недельный WAPE по SKU с 80 % выручки — 29,6 % против 81,4 %. Цель 25 % пока не взята: история есть по 66,9 % SKU

Музыкальный релиз без потерянных дедлайнов

SaaS для артистов и малых лейблов: 9-стадийный цикл релиза, дедлайны 12 площадок, AI-черновики с подтверждением человеком. От нуля до production-контура за 7 недель.

7 недель

от первого коммита до production-контура с Vault, шифрованными бэкапами, SLO и переездом в РФ-ДЦ (265 коммитов)

16 дней

от старта разработки до инвесторской презентации с живым демо продукта

Маркетплейс земельных участков с планом освоения: MVP за 2 месяца

Из прототипа-картинки — в платформу «участок → список работ → подрядчик → заявка». Правиловый движок рекомендаций, три кабинета, 152-ФЗ. MVP за 2 месяца.

2 месяца

от утверждённого ТЗ до pre-release MVP на HTTPS-стенде — 9-я неделя при собственной оценке плана 10–13 недель

7 дней

от ТЗ до первой полной реализации платформы: 168 файлов, 21,5 тыс. строк; дальше — два месяца доводки до pre-release

Репрайсинг без ручного контроля цен: пилот с договорными гарантиями

Сервис следит за ценами конкурентов на маркетплейсе и считает цену в коридоре. Ни одна цена не применяется без подтверждения. Пилот: 10 SKU, настройка до 14 дней.

10 SKU · 2 сценария

объём пилота; лимит SKU и оба сценария зашиты в код и проверяются контрактными тестами — превысить лимит нельзя

до 14 дней

договорной срок настройки от получения входных данных до запуска, затем 1 месяц пилота; даты считает сервис, по окончании доступ закрывается

От бизнес-канваса до живого демо платформы занятости за полтора месяца

Заказчик пришёл с бизнес-моделью без продукта. Мы собрали MVP маркетплейса студенческих задач, где закон и правила платформы проверяет сервер, и подняли демо-стенд.

~6 недель

от первого коммита до демо-стенда со всеми кабинетами; 7 рабочих дней по истории коммитов

3 проверки

сервер выполняет перед назначением исполнителя: согласие на ПДн, статус самозанятого, ментор — каждая с понятным отказом

Команды ИИ-агентов, которые собираются конфигурацией и проверяют себя

Мы построили ядро мультиагентной платформы за 2,5 недели: 29 декларативных агентов в трёх командах, пары «агент-критик», память на четырёх СУБД и пять уровней автономии.

25 000+

строк Python в ядре платформы, 134 модуля; подсчёт по коду репозитория

29

декларативных агентов в трёх готовых командах — инженерной, когнитивной, исследовательской; подсчёт YAML-спецификаций

Агентная среда, где законы исполняются кодом, а не промптом

За четыре дня собрали и открыли под MIT агентную среду, где правила исполняются кодом: криптография, византийский консенсус, воспроизводимые эксперименты.

64 × 10 000

агентов × тиков в референс-эксперименте: 131 372 события, 0 нарушений инвариантов; sha256-аттестация прошла независимую верификацию

до 3,9×

ускорение тика политики на референс-нагрузке (1 126,7 → 286,5 мс) без изменения хешей; замер профилировочным скриптом из репозитория

Долговременная машинная память об ученике: от гипотезы до сервиса

Ядро нейроморфной памяти и цифровые когнитивные двойники учеников: 32 REST-эндпоинта, 368 тестов и формально доказанная сходимость памяти — за 10-дневный спринт.

10 дней

от первого коммита до релиза с формальной верификацией — срок по датам коммитов в репозитории

368

тест-функций в 37 файлах, включая интеграционные — подсчёт по коду

Из математической теории — в верифицируемую библиотеку за 9 месяцев

Библиотека компенсированных вычислений: потеря точности видна и аудируема, свойства арифметики доказаны в Lean 4, каждое численное утверждение воспроизводимо бенчмарком.

1.0 вместо 0.0

сохранён остаток агрегации [1e16, 1, −1e16], который float теряет; воспроизводимый бенчмарк-артефакт генерируется скриптом из репозитория

≥10x

коэффициент стабильности против float64 на катастрофическом сокращении; зафиксированный базлайн регрессионного контроля точности в CI

Мобильный клиент ИИ-платформы обучения без ожидания бэкенда

Flutter-клиент платформы подготовки школьников к экзаменам: адаптивные микроуроки, стриминговый ИИ-ассистент, карта знаний. UI собирали параллельно с бэкендом через mock-слой.

13 недель

от первого коммита до работающего приложения с аутентификацией, целями, уроками и ИИ-чатом

41 → 81 эндпоинт

покрытие серверного API клиентом выросло вдвое от MVP к расширенной версии — 14 → 31 модуль на той же архитектуре

Посетитель сайта уходит с планом пилота, а продажи — с готовым лидом

Мы заменили форму заявки ИИ-консультантом: он расспрашивает посетителя о бизнесе, выдаёт план пилота с KPI и рисками, а в CRM попадает лид с бюджетом и сроками.

1 день

Рабочий MVP — фронтенд, бэкенд и конфиги деплоя — собран за один день

16 дней

От первого коммита до прод-контура с HTTPS и выпущенным сертификатом на собственном домене

StudyNinja и KnowledgeBaseAI

Образовательная платформа и графовая платформа знаний описаны подробно в разделе «Экосистема».