Сначала выясним, стоит ли здесь вообще использовать AI.
Самая дорогая ошибка начинается не с выбора неправильной модели. Она начинается с задачи, которую никто точно не определил, корпуса, которому нельзя доверять, и пилота, успех которого невозможно измерить. Я помогаю превратить такую неопределённость в ограниченную систему, которую можно проверить на реальной работе и принять решение: развивать, изменить или остановить.
01
Диагностика AI-задачи
Когда полезно
У команды есть идея, требования или прототип, но нет общего ответа: какое решение улучшается, какие данные пригодны, какие ошибки недопустимы и как измерить эффект.
Что делаем
Разбираем реальный процесс, участников, источники, ограничения, исходный уровень и цену ошибки. Отделяем задачи для модели от организационных и человеческих задач.
Что получает команда
Карта процесса и данных; реестр ключевых рисков; критерии качества; вариант ограниченного пилота; либо аргументированное решение не использовать AI.
Универсального чата недостаточно: результат должен опираться на собственные источники, учитывать версии, сохранять цитаты и проходить определённые проверки.
Что делаем
Проектируем корпус, модель данных, поиск, инструменты, роли агентов, точки остановки и человеческого решения. Определяем, как система обнаружит неправильный документ, неполный контекст и устаревшую редакцию.
Что получает команда
Архитектурная спецификация; схема доступа к данным; контракт результата; план проверки качества; границы пилота и критерии готовности.
Нужно анализировать большой корпус законодательства, судебных решений, материалов дел или профессиональных документов, не превращая поиск похожего текста в юридический вывод.
Что делаем
Определяем исследовательский вопрос и единицу анализа, собираем и версионируем корпус, проектируем классификацию, проверку цитат, поиск контрпримеров и юридическое рецензирование.
Что получает команда
План корпуса; методология обработки; рабочая схема источников и цитирования; структура проверяемого отчёта; план пилота или исследовательской программы.
Организация рассматривает широкую AI-инициативу, но сначала хочет понять, работает ли ключевая гипотеза на реальном процессе.
Что делаем
Ограничиваем задачу одним наблюдаемым результатом, собираем контрольный набор, создаём минимальный рабочий прототип и проверяем средний результат и критические типы ошибок.
Что получает команда
Рабочий прототип; исходный уровень и результаты теста; журнал известных ограничений; материалы для решения go / reshape / stop; план передачи внутренней команде.
Провожу практические разборы и проектное менторство по RAG, агентным рабочим средам, AI-native разработке и исследовательским конвейерам. Участники работают не с учебным чат-ботом, а со своим процессом, репозиторием и проверяемым результатом.
Я не обещаю автоматизацию до знакомства с процессом.
Работа вряд ли будет полезна, если нужен массовый контент без проверки, публичная демонстрация без доступа к пользователям, заранее обещанная точность или внедрение, которое никто внутри организации не готов сопровождать. В таких случаях сначала следует изменить постановку задачи.