Кейсы применения ИИ агентов в бизнесе: реальный опыт компаний в 2026 году

ИИ агенты в бизнесе — это не маркетинговая концепция, а рабочий инструмент, который уже сегодня заменяет целые бизнес-процессы в компаниях от финтех-стартапов до американских логистических операторов. В этой статье — конкретные кейсы от практиков: как Head of AI финтех-единорога Plata автоматизировала фидбек на интервью, как фаундер компании Wiz заменил SaaS за $450/месяц собственной системой за неделю, и как Wallet Telegram довёл автоматическое закрытие тикетов до 33% при CSAT выше 70%.

AI Summary: ИИ агент — автономная система на базе LLM, планирующая и выполняющая многошаговые задачи с доступом к внешним инструментам. Рынок: $5,2 млрд (2024) → $227 млрд (2034). Ключевой принцип успеха: конкретная боль → воспроизводимый пилот → немедленное внедрение → измерение.

Содержание

1. Что такое ИИ агент и чем он отличается от чатбота
2. Рынок ИИ агентов в 2025: ключевые цифры
3. Кейс #1: Plata — автоматизация рутины нон-девелопера
4. Кейс #2: Wallet Telegram — ИИ агент в P2P клиентской поддержке
5. Кейс #3: Zalando — онбординг через ИИ и внутренняя LLM
6. Кейс #4: Wiz — как фаундер заменил SaaS на собственные системы за 2 месяца
7. Кейс #5: Triple10 — управление контекстом команды через Claude Cowork
8. Чем отличаются успешные кейсы от провальных
9. Таблица: ИИ агент vs чатбот vs RPA
10. Пошаговый план внедрения
11. FAQ

Что такое ИИ агент и чем он отличается от чатбота

Key Takeaway: Чатбот отвечает на вопрос. ИИ агент выполняет задачу. Чатбот реагирует — агент действует.

ИИ агент — это программная система на базе большой языковой модели (LLM), которая способна самостоятельно планировать действия, использовать внешние инструменты (API, базы данных, браузер, почта) и выполнять многошаговые задачи без постоянного участия человека.

Ключевое отличие от традиционного чатбота: чатбот работает по заранее написанному скрипту или дереву решений. ИИ агент строит план действий в реальном времени на основе поставленной задачи и доступных инструментов.

Три признака настоящего ИИ агента:

• Автономность: агент сам определяет последовательность шагов для достижения цели, а не следует заранее написанному скрипту
• Доступ к инструментам: агент может обращаться к API, читать документы, писать код, отправлять сообщения, вносить данные в CRM
• Память и контекст: агент помнит историю взаимодействий в рамках сессии и учитывает накопленный контекст при принятии решений

[Факт]: По данным IBM, к концу 2025 года доля бизнес-процессов, выполняемых ИИ агентами, вырастет с 3% до 25%. Каждый четвёртый процесс в компании будет выполняться без участия человека.

Важное уточнение: ИИ агент — это не замена сотрудника как такового. Это замена конкретных функций и задач, которые можно описать, формализовать и измерить. Там, где задача требует уникального суждения, эмпатии, творчества или управленческого решения — человек остаётся незаменимым.

Рынок ИИ агентов в 2025: ключевые цифры

Key Takeaway: Рынок растёт на 45% ежегодно, но 95% компаний не получают ROI. Разница — в подходе, не в инструментах.

[Факт]: Глобальный рынок ИИ агентов составлял $5,2 млрд в 2024 году и, по прогнозам, достигнет $227 млрд к 2034 году при среднегодовом темпе роста 45,8%.

[Факт]: По данным McKinsey (2025), 88% мировых компаний используют ИИ минимум в одной бизнес-функции — на 10 процентных пунктов больше, чем годом ранее. При этом лишь треть из них масштабировала ИИ-решения на уровень всего предприятия.

[Факт]: 95% бизнесов не видят отдачи от вложений в ИИ (MIT). До стадии промышленной эксплуатации доходит лишь 1 из 20 проектов.

[Факт]: Исследование Школы управления СКОЛКОВО на основе 1600+ кейсов внедрения ИИ: компании, начинающие с пилота и обучающие команду, получают ROI в 3-5 раз выше, чем те, кто пытается автоматизировать всё сразу.

Эти цифры задают контекст для кейсов ниже: технология доступна, рынок растёт, но большинство компаний либо не начали, либо начали неправильно. Реальные кейсы показывают, как делается правильно.

Кейс #1: Plata — как Head of AI автоматизировала рутину для нон-девелоперов

Key Takeaway: Начинать с голосового ввода и трёх простых автоматизаций важнее, чем строить сложную personal OS. Результат — освобождение когнитивной мощности для стратегических задач.

Контекст

Plata — финтех-компания из Латинской Америки с оценкой более $5 млрд (апрель 2025). За год компания выросла от статуса единорога ($1 млрд, март 2024) до $5 млрд — один из быстрейших growth-треков в LatAm. Маша Полтанова, Head of AI, отвечает за AI Adoption среди нон-девелоперов: маркетологов, HR, операционных менеджеров.

Это сложнейшая задача в AI трансформации: аудитория разнородная — кто-то боится кода, кто-то нормально с ним работает, кто-то стесняется задавать "тупые вопросы" про ИИ. Быстрые победы здесь важнее архитектурной красоты.

Проблема #1: Потери времени на набор текста

Решение: Superwhisper — приложение для голосового ввода на Mac. Работает с любым языком без переключения раскладки, мгновенно транскрибирует речь и вставляет текст в любое приложение: Slack, Telegram, Google Docs, Claude, браузер.

По словам Маши: "Теперь я переходила на ноут даже для ответов в Slack с телефона — потому что без Superwhisper печатать уже не хочется."

Почему это важнее, чем кажется: Голосовой ввод снижает стоимость создания контекста. Когда легко записать мысль, описать задачу или ответить на сообщение — люди дают агентам больше информации. Качество контекста прямо влияет на качество работы агента.

Проблема #2: Реактивное управление задачами и обещаниями

Через Claude Cowork (корпоративная версия Claude с доступом к Slack, Google Docs, Calendar) Маша настроила три автоматизации. Каждая настраивается за несколько минут:

Автоматизация 1 — Утренний дайджест автоматизаций. Каждое утро Claude анализирует переписку за вчера (Slack, Google Docs, Claude) и предлагает задачи, которые можно автоматизировать. Это рекурсивный AI процесс: агент ищет, где ещё можно внедрить агентов.

Автоматизация 2 — Трекер обещаний. Два раза в день Claude проверяет все встречи через Granola (AI notetaker), находит данные обещания и блокирует 30 минут в календаре для их выполнения. Решает классическую проблему "наобещала на митингах, забыла сделать."

Автоматизация 3 — Понедельничный рекап. Каждый понедельник в 8:00 Claude собирает сводку недели: движение проектов, запущенные тесты, незакрытые договорённости. Решает "понедельничную амнезию" — когда за выходные голова очищается и непонятно, что происходило в прошлой жизни.

Проблема #3: Оформление фидбека на интервью

Маша лично собеседует много кандидатов в Plata. Каждый отказ требует структурированного фидбека по шаблону. Задача занимала значительное время и моральные ресурсы.

Решение: После интервью Маша кратко произносит своё мнение вслух (записывает голосом после созвона). Claude через Granola видит, что была встреча-интервью, знает шаблон фидбека из HR-системы, и автоматически раскладывает слова Маши по нужным полям.

[Факт]: По словам Маши Полтановой: "Экономит больше нервов, чем времени." Тяжёлая когнитивная задача превратилась в лёгкую механическую.

Вывод кейса

"Самый важный AI скилл — думать, что ещё можно спихнуть AI с достаточным качеством. Как это качество отследить, как выцепить из жизни то, что больше не хочется делать." — Маша Полтанова, Head of AI, Plata.

Не стремитесь сразу к сложной personal OS. Подключите Slack и календарь, сделайте 2-3 простые автоматизации. Это запустит петлю улучшений.

Кейс #2: Wallet Telegram — ИИ агент в P2P клиентской поддержке

Key Takeaway: 33% тикетов закрывается полностью ИИ агентом, CSAT 70-80%. Ключ к успеху — короткие ответы, лёгкий выход на оператора, честное раскрытие, что отвечает ИИ.

Контекст

Wallet — криптокошелёк внутри Telegram с более чем 5 млн пользователей. Женя, руководитель клиентского сервиса P2P, строила систему поддержки с нуля. Финтех — сложная область: высокие требования к безопасности, разнообразные вопросы про транзакции, P2P-сделки, верификацию.

Архитектура агента (RAG-подход)

1. База знаний — FAQ из Helpscout разбит на маленькие абзацы ("чёткий вопрос — чёткий ответ")
2. Векторный поиск — при входящем вопросе система ищет релевантные фрагменты через embedding
3. Генерация ответа — GPT-4 (через корпоративный API ключ) формулирует ответ своими словами на основе найденных фрагментов; агент работает только с тем, что нашёл в статьях
4. Confidence scoring — каждый ответ получает оценку уверенности 0-1:
   • ≥ 0.7 → ответ отправляется пользователю
   • < 0.5 → немедленная передача на оператора-человека

Правила фильтрации: когда агент не отвечает

• Пользователь прислал картинку → на человека (модель не обрабатывает изображения)
• Пользователь написал "позовите оператора" → на человека
• Задано два вопроса одновременно → низкий confidence, на человека
• Персональные данные в сообщении → на оператора

[Факт]: Агент не скрывает, что он ИИ. Сразу сообщает: "Я виртуальный ассистент." Это создаёт правильные ожидания.

Ключевые метрики

[Факт]: Full AI Resolution — около 33% тикетов закрывается полностью агентом. Это подтверждённый внешний benchmark: "У нас 25%" — прокомментировал участник аудитории Антон Ерёменко.

[Факт]: CSAT ИИ агента — 70-80%. "Немного ниже, чем у человека, но не критично."

[Факт]: Нагрузка на команду снизилась на 30-40%. Часть сотрудников была переведена в другие отделы, а не сокращена.

Почему CSAT высокий

Женя объясняет: "У нас короткие ответы — 2-3 предложения. Не полотно, которое не хочется читать. И очень легко добраться до живого человека. Я сама раздражаюсь, когда кричишь в трубку 'позовите оператора', а тебе 40 раз говорят 'скажите да или нет'."

Простой выход к оператору + короткие ответы + честное раскрытие = высокий CSAT при неполном закрытии запросов.

Вывод кейса

ИИ агент не заменил команду поддержки и не сократил её. Он снизил нагрузку и позволил перераспределить людей на более сложные случаи. Связка "агент для типовых вопросов + человек для сложных" работает лучше, чем любое решение по отдельности.

Кейс #3: Zalando — онбординг через ИИ и внутренняя LLM

Key Takeaway: Когда внешние ML-подрядчики ушли, ИИ помог внутренней команде освоить их код. Залог успеха в крупной компании — внутреннее сообщество практиков с еженедельным шерингом кейсов.

Контекст

Zalando — один из крупнейших fashion ретейлеров Европы, 60+ млн покупателей. Аня, фронтенд-инженер, рассказывает об AI-трансформации изнутри.

Кейс: Онбординг после ухода ML-подрядчиков

Внешняя команда ML-инженеров ("очень сильные, нёрдовые ребята") завершила контракт и передала проект. Документация написана, но неполная. Внутренняя команда должна поддерживать критичный для бизнеса ML-сервис без ML-инженеров.

Решение: Все репозитории, документация, чаты и данные проекта загружены в контекст ИИ агента. Агент помог команде разобраться в коде, понять архитектуру, начать самостоятельно вносить изменения.

[Факт]: "Бизнес у нас не встал" — ключевая метрика. Команда без ML-инженеров поддерживает и развивает продукт.

ZLM — внутренний LLM-прокси Zalando

Для соблюдения GDPR и корпоративных требований Zalando использует собственную LLM-обёртку (ZLM). Это не отдельная обученная модель, а фильтрующий прокси над внешними провайдерами, гарантирующий: данные компании не участвуют в обучении внешних LLM.

Честная оговорка от инженера: "Честно говоря, я не уверена на 100%, что они всё равно не обучаются." Enterprise-agreement снижает риск, но не устраняет его полностью. Для большинства компаний этот уровень защиты практически достаточен.

AI Culture в инженерной команде

В Zalando работает сильное инженерное комьюнити: еженедельные встречи, где команды делятся новыми инструментами и кейсами. Паттерн внедрения: энтузиасты тестируют → пишут документацию → показывают реальные примеры применения → остальные подхватывают.

Вывод: Один из лучших способов масштабировать AI Adoption в большой инженерной компании — создать внутреннее сообщество практиков с регулярным шерингом кейсов.

Кейс #4: Wiz — как фаундер заменил SaaS на собственные инструменты за 2 месяца

Key Takeaway: Открыть PnL, найти строку расходов, заменить SaaS собственной системой за неделю, внедрить за следующую неделю. Сингулярность в коде наступила в феврале 2025.

Это самый поучительный кейс — потому что показывает AI трансформацию со стороны основателя, а не сотрудника.

Контекст

Михаил Перегудов — серийный предприниматель. Основал Партию Еды (продана Яндексу в 2018, стала Яндекс.Лавкой), кофаундер венчурного фонда S16VC ($150+ млн под управлением). Wiz — текущий проект: аренда электробайков и мопедов для курьеров DoorDash, Uber Eats, Amazon в США. 5000+ велосипедов в 6 штатах, 100+ сотрудников, $25 млн инвестиций.

Февраль 2025: Михаил перестал страдать, что сотрудники "не вайбкодят", и сел делать это сам.

Ключевое решение на старте: Не делать трекер привычек или учёт книжек. Открыть PnL и пойти по строкам расходов. "Я хотел сделать то, что мы сразу внедрим и то, что принесёт деньги."

Шаг 1: Замена SaaS управления сменами ($450/месяц → $0)

Wiz платил $450/месяц за американский SaaS для управления сменами в физических магазинах. Михаил написал полноценную замену с Claude Code за одну неделю.

Что умеет система People:

• Управление сменами и расписанием для 70 сотрудников в 10 локациях
• Clock in / clock out с GPS-верификацией
• Расчёт переработок, перерывов, бонусов по американскому трудовому праву
• Аналитика и отчётность для менеджеров
• Управление профилями, должностями, магазинами

Внедрение: Через 10 дней — ровно к следующему платёжному дню — 100 сотрудников перешли на новую систему. Старый SaaS отключён.

[Факт]: "С того момента ни разу не пришлось кого-то уговаривать пользоваться этими инструментами в компании. Теперь другая задача — иногда отговаривать людей, чтобы они не забывали о другой работе." — Михаил Перегудов, Founder Wiz.

Шаг 2: Система электронной очереди ($1000/месяц → $0)

Коофаундер Саша написала систему электронной очереди для магазинов (номерок → вызов к столу → аналитика для механиков на iPad). Заменила сторонний сервис, который плохо работал и стоил $1000/месяц.

[Факт]: Системой пользуются 2000-3000 клиентов ежемесячно.

Шаг 3: Собственная Wiki вместо Notion

Причина: ИИ агенты плохо работают с внешними SaaS-системами — сложно настраивать доступ, нестабильный контекст, нет семантического поиска. Команда переписала базу знаний внутри. Теперь агенты обращаются к Wiki через MCP-сервер и имеют тот же контекст, что и сотрудники.

Шаг 4: ИИ агенты для колл-центра

[Факт]: Первые звонки AI-агентов прошли в апреле 2025. Агенты работают по скриптам из Wiki и могут в реальном времени искать ответы в базе знаний, если не знают ответа.

Трансформация роли разработки

Команда разработки сократилась в 2 раза. Их задача теперь — не писать код самим, а создавать безопасную среду для написания кода другими: GitHub-процессы, тестовые и production серверы, деплой, код-ревью.

[Факт]: "Мы начали тратить сотни тысяч долларов меньше в месяц" за 4 месяца AI-трансформации.

Концепция "билдера"

Михаил вводит понятие билдер — человек, который объединяет в себе функции, ранее требовавшие 4-5 специалистов: продакт-менеджер + дизайнер + аналитик + разработчик.

"Задача отдела разработки — построить для билдеров безопасную среду, чтобы они ничего не сломали. А билдеры строят то, что нужно бизнесу."

Прогноз для рынка: "Сейчас есть 1000 компаний по 100 человек — будет 10000 компаний по 10 человек. Количество предпринимателей будет очень сильно расти, потому что некуда будет идти работать. Надо будет только своё что-то делать."

Кейс #5: Triple10 — управление контекстом команды через Claude Cowork

Key Takeaway: Единое рабочее пространство команды в Claude Cowork снижает количество встреч, ускоряет работу и позволяет шерить AI-навыки через систему скилов.

Контекст

Настя Рябова — AI Lead в Triple10 (часть американской Nebus Group). Занимается поиском точек роста в маркетинге и продажах, внедрением AI в командные процессы.

Проблема: Разрозненный контекст

Когда каждый член команды использует ИИ со своим личным аккаунтом: у каждого свои промты, разные модели, разный контекст. Один маркетолог делает ресёрч с Claude и получает одни выводы. Второй смотрит на тот же ресёрч и говорит: "Ты неправильно описал метрику." Результат: потраченное время на склейку контекстов и конфликтующие выводы.

[Факт]: "Сейчас Claude — это главное окно моей работы. Я больше работаю с Claude, чем с коллегами." — Настя Рябова, AI Lead, Triple10.

Решение: Единое пространство Claude Cowork

Вся команда роста переехала на общий план Claude Cowork с подключёнными коннекторами: Slack, Jira, Google Calendar, Hubspot CRM, аналитика (через управляемый слой данных), Apple Notes.

Что это даёт:

• Единая архитектура контекста — все работают с одними и теми же данными
• Меньше встреч — контекст передаётся через системы, а не через созвоны
• Команда работает быстрее — нет затрат на склейку контекстов

Управление контекстом: словарь метрик

Команда ведёт документ-словарь всех метрик: как считаются, на что смотреть. Это не только документация для людей, но и инструкция для агента. Агент использует те же определения, что и команда — нет расхождений в интерпретации.

Культура шеринга скилов

Когда кто-то в команде находит эффективный подход к задаче (ресёрч конкурентов, подготовка к встрече, создание презентации в корпоративном стиле), он оформляет его как "skill" — системную инструкцию для агента — и шерит внутри команды.

[Факт]: Уходя в двухнедельный отпуск, Настя оставила команде скилы по ресёрч-задачам. Команда работала без блокеров. "Ничего не сломалось."

Автоматизация начала рабочего дня

Настя не открывает Slack первым делом. Первое окно — Claude Cowork, который собирает ей репорт: непрочитанные важные сообщения (с учётом её приоритетов), апдейты из соседних команд (перформанс, сейлз), что нужно сделать сегодня.

Ключевой тезис

"Самый важный AI скилл — не промтинг. Промтинг умер в 2024 году (по словам Андрея Карпатого). Модели стали достаточно умными, чтобы понимать задачу. Сейчас важно умение качественно передавать контекст, не перегружая модель. И умение валидировать результат агента."

Чем отличаются успешные кейсы от провальных

Key Takeaway: 95% компаний не получают ROI от ИИ (MIT). Разница — не в инструментах, а в пяти ключевых принципах.

Что делают успешные компании

1. Начинают с конкретной боли, а не с технологии. Михаил открыл PnL и пошёл по строкам расходов. Маша спросила: "Что я больше всего ненавижу делать?" Wallet: "Как ответить быстро и качественно?" Это противоположность "давайте внедрим ИИ, посмотрим что выйдет."

2. Проверяют воспроизводимость. Кирилл Куляков, организатор AI-коммьюнити с базой из 280+ кейсов: "Близко к 99% кейсов, которыми делятся как открытием, неверифицируемы в 90+ процентах случаев." Воспроизводимый кейс — тот, который можно повторить по описанию с аналогичным результатом.

3. Внедряют немедленно, не шлифуют бесконечно. Михаил: "Inflection Point — когда этим пользуется хотя бы один человек кроме тебя. Я должен довести до этой точки."

4. Оставляют человека в петле на первые 2-3 недели. Валидация галлюцинаций, коррекция промтов, наблюдение за паттернами ошибок.

5. Измеряют конкретные метрики. Wallet: fallback rate, CSAT, full resolution rate. Wiz: сэкономленные $ в месяц. Plata: время на рутинные задачи. Нет метрики — нет кейса.

Что делают провальные проекты

• Автоматизируют всё сразу вместо конкретного пилота
• Не обучают команду, ждут "само разберутся"
• Не дают агентам доступ к реальным данным
• Не ставят базовый контроль качества вывода
• Считают агента заменой сотрудника, а не инструментом

Таблица: ИИ агент vs чатбот vs RPA

С чего начать: пошаговый план внедрения ИИ агента

Key Takeaway: Начните с аудита рутины, выберите одну задачу, запустите пилот за одну неделю. Не ждите идеальной архитектуры.

Шаг 1. Аудит рутины (1-2 дня)

Запишите всё, что вы делаете в течение недели. Отметьте задачи, которые одновременно: повторяются регулярно, занимают более 30 минут, не требуют уникального суждения, имеют измеримый результат.

Шаг 2. Выберите одну задачу для пилота

Лучший кандидат: высокая частота + низкая цена ошибки + чёткий измеримый результат. Примеры: саммари встреч, первичная квалификация лидов, ответы на типовые вопросы, фидбек на заявки по шаблону.

Шаг 3. Обеспечьте контекст

Соберите все нужные данные: FAQ, шаблоны, описания процессов, словарь метрик если есть аналитика. Качество контекста = качество работы агента. Это не опциональный шаг.

Шаг 4. Запустите пилот с человеком в петле

Первые 2-3 недели: проверяйте все ответы агента до отправки. Записывайте паттерны ошибок. Корректируйте контекст и инструкции.

Шаг 5. Зафиксируйте и измерьте результат

До пилота: baseline (время на задачу, объём, качество). После: сравнение. Нет измерения — нет основания для масштабирования.

Шаг 6. Масштабируйте или откажитесь

Результат есть → масштабируйте на следующую задачу. Результата нет → смените задачу. Не улучшайте нерабочий пилот полгода — пробуйте другое.

FAQ по ИИ агентам для бизнеса

Чем ИИ агент отличается от ChatGPT?

ChatGPT — интерфейс для общения с LLM. ИИ агент — система, в которой LLM является "мозгом", но с доступом к внешним инструментам: API, базам данных, почте, CRM. ChatGPT отвечает на вопросы; агент выполняет задачи в вашей инфраструктуре.

Нужны ли разработчики для внедрения?

Для простых автоматизаций — нет. Маша Полтанова настроила три автоматизации без написания кода. Михаил Перегудов написал систему управления сменами с Claude Code без профессиональной разработки. Для сложных enterprise-решений с интеграцией в ERP/CRM — нужна техническая команда.

Как обеспечить безопасность данных?

Минимум: enterprise-подписка у провайдера (Anthropic, OpenAI) — данные не используются для обучения. Следующий уровень: анонимизация персональных данных до передачи в модель. Максимум: собственный LLM-прокси как в Zalando (ZLM).

Сколько стоит внедрить ИИ агента?

От нуля (Claude Pro за $20/мес для первых экспериментов) до десятков тысяч долларов в месяц для enterprise-решений. Реалистичная точка входа для малого бизнеса: Claude Team ($25-30/мес/пользователь) + 1-2 недели на настройку.

Заменит ли ИИ агент сотрудников?

Кейсы дают честный ответ: Wallet не сократил команду, но снизил нагрузку и перераспределил людей. Wiz сократил разработчиков в 2 раза, но их роль трансформировалась. ИИ замещает функции, а не людей целиком. Уязвимы исполнители рутинных задач. Растут в цене те, кто умеет ставить задачи агентам и валидировать результат.

Как понять, что агент галлюцинирует?

Для RAG-агентов: проверьте, есть ли ссылка на источник. Для аналитических агентов: держите человека в петле на первые недели, сверяйте выводы с исходными данными. По словам Насти Рябовой: "Менеджер, глубоко погружённый в контекст, быстро видит, когда модель просто что-то придумала."

Что такое вайбкодинг и зачем он нужен бизнесу?

Вайбкодинг (vibe coding) — создание программных продуктов с помощью AI-ассистентов (Claude Code, Cursor, Codex) без глубоких знаний программирования. Человек описывает задачу на естественном языке, AI пишет код. Михаил Перегудов за неделю создал систему, которая заменила $450/мес SaaS. Для бизнеса это означает: создание внутренних инструментов стало доступным для руководителей и менеджеров продукта, а не только для разработчиков.

Инструменты для создания ИИ агентов: что использовали спикеры

Key Takeaway: Выбор инструмента определяется задачей, а не трендом. Простые автоматизации не требуют сложных инструментов; сложные агентные цепочки не нужны там, где хватает workflow.

На конференции спикеры использовали разные инструменты — и это поучительно, потому что нет единственного правильного стека.

Для голосового ввода и диктовки

Superwhisper (Mac) — лидер по скорости и качеству транскрипции. Работает офлайн, поддерживает переключение языков без смены раскладки. Используется Машей Полтановой из Plata. Аналог для Windows: Whisper Desktop, для мобильных — нативные функции диктовки iOS/Android.

Для AI-ассистентов и агентов

Claude Cowork (Anthropic) — корпоративная версия Claude с коннекторами к Slack, Google Calendar, Jira, Hubspot, Notion, Apple Notes и другим. Ключевое преимущество: единое пространство для всей команды с общим контекстом. Используется в Triple10 и Plata.

ChatGPT Enterprise / API (OpenAI) — используется в Wallet Telegram (GPT-4 через корпоративный API ключ). Корпоративная подписка гарантирует: данные не используются для обучения.

ZLM (Zalando внутренний прокси) — пример enterprise-решения: собственный LLM-прокси над внешними моделями для соблюдения GDPR. Для большинства компаний аналог — enterprise-соглашение с провайдером + политика анонимизации данных.

Для вайбкодинга и создания инструментов

Claude Code (Anthropic) — AI-ассистент для написания кода в терминале. Именно с ним Михаил Перегудов из Wiz написал систему управления сменами за неделю. Ключевое преимущество: можно дать задание на естественном языке и получить рабочий код с тестами.

Cursor — AI-редактор кода с интеграцией LLM. Аня из Zalando показывала создание карьерного помощника, health-чекапа и анализатора акций через Cursor. Подходит для нон-девелоперов, которые хотят создавать локальные AI-приложения.

Lovable (ранее gptengineer) — no-code/low-code платформа для создания веб-приложений с помощью AI. Используется командой Triple10 для быстрого прототипирования лендингов под новые продукты: "менеджер собрал лендинг за неделю без дизайнера, без разработки, без копирайтера."

Для заметок и ноутбуков встреч

Granola — AI notetaker, который транскрибирует встречи и структурирует их содержание. Маша Полтанова использует Granola как источник контекста для агентов: через него Claude "видит" встречи и определяет, какие фидбеки нужно написать.

Для автоматизации без кода

n8n, Make (Integromat), Zapier — платформы для визуальной автоматизации. Позволяют соединять AI-модели с другими сервисами без написания кода. Подходят для малого бизнеса как первый шаг в автоматизации.

Как выбрать инструмент

Настя Рябова даёт прагматичный совет: "Не всегда нужно идти в суперсложные инструменты. Используйте попроще, если они закрывают задачу спокойно. Не всегда нужно выстраивать суперсложную автоматизацию или создавать агентов там, где хватает простого workflow."

[Факт]: Superwhisper настраивается за 5 минут и даёт немедленный результат. Claude Cowork запускается за день. Первый пилот на Lovable — за неделю. Вайбкодинг со зрелым результатом — за 1-2 недели. Не откладывайте на "когда разберёмся с инфраструктурой."

ИИ агенты в маркетинге: кейсы из практики

Key Takeaway: Маркетолог с ИИ заменяет команду из 3-5 человек. Прототипирование лендингов, ресёрч конкурентов, анализ рынка — без дизайнеров и разработчиков.

Прототипирование лендингов без дизайнера

Triple10 тестирует новые продуктовые направления через лендинги. Раньше цикл выглядел так: ресёрч (неделя) → дизайн (неделя) → копирайтинг (несколько дней) → разработка (неделя) → итого 3-4 недели.

Сейчас: менеджер роста берёт готовые скилы в Claude (ресёрч конкурентов, анализ рынка, генерация структуры лендинга, написание копирайта в корпоративном стиле) и собирает лендинг в Lovable за 4-5 дней. Без дизайнера, без разработки, без копирайтера.

[Факт]: Такие лендинги показывают конверсию, сравнимую с созданными вручную — при в 5-6 раз более быстром цикле итерации.

SEO и GEO одновременно

Спикеры отметили важный тренд: оптимизация контента теперь происходит не только для поисковых систем, но и для AI-систем (GEO — Generative Engine Optimization). Студентка Лина из коммьюнити Triple10 создала Claude Skill по генерации SEO-статей для агентства. Через неделю после запуска получила первые переходы из Perplexity и ChatGPT — ИИ-системы начали цитировать её контент.

Что такое GEO-оптимизация: форматирование контента так, чтобы он легко цитировался AI-системами: чёткие фактические блоки, структурированные ответы на конкретные вопросы, таблицы сравнения, AI Summary в начале каждого раздела. Именно так отформатирована эта статья.

Автоматизация ресёрча

AI-агент с доступом к веб-поиску может за несколько минут собрать: анализ конкурентов по категории, последние новости рынка за месяц, анализ вакансий по направлению (для тестов спроса на новые образовательные программы).

Настя Рябова: "Коворк собирает мне фичи по рынку за последний месяц. Работает — хотя иногда немного ошибается."

Смерть промтинга, рождение контекст-менеджмента

Андрей Карпатый (бывший Director of AI в Tesla, соучредитель OpenAI) заявил, что промтинг умер в 2024 году — с выходом reasoning-моделей. Настя Рябова раскрывает, что это означает на практике: "Вопрос теперь не в том, как качественно написать промт, а в том, как качественно передать контекст задачи модели, не перегружая её."

Практическое следствие для маркетологов: Вместо того чтобы учиться формулировать "идеальные промты", инвестируйте время в структурирование контекста: документируйте метрики, фиксируйте tone of voice, описывайте процессы так, чтобы агент понимал ваш бизнес так же хорошо, как вы сами.

Что происходит с рынком труда: честный взгляд практиков

Тема, которую невозможно обойти. Спикеры конференции дали честные, иногда неудобные ответы.

Аня Шигерданова (Zalando)

"Многие компании зафиксировали найм. Есть тенденция нанимать AI Native сотрудников. Но вот что важно: если человек талантливый, если он любит то, что делает, его с руками и ногами отрывают. AI навыки — это дополнение, а не замена качества. Я не вижу поводов для паники."

Настя Рябова (Triple10)

"Джунам становится тяжелее. С помощью AI сениоры делают гораздо больше, и джунам негде учиться — нет той работы, которую они раньше брали. Роботы уже гуляют на улицах. Я каталась на беспилотном такси в Китае, которое стоит дешевле человеческого. Изменения идут."

Михаил Перегудов (Wiz)

"Роль чистого разработчика в компании будет не нужна через несколько месяцев. Также и аналитика, и дизайнера, и продакт-менеджера по отдельности. Всё это теперь один человек — билдер. Компании из 100 человек превратятся в компании из 10. Но количество компаний вырастет в 10 раз. Некуда будет идти работать — надо будет строить своё."

Кирилл Куляков (AI-коммьюнити)

"ML-инженеры из FAANG делятся кейсами на том же уровне, что и все остальные. Их лучшие личные кейсы — загрузили документы, получили ответ, настроили саммари. Поэтому если кто-то чувствует тревогу от того, что не разбирается в теме — проблемы нет. Даже инженеры на том же уровне."

Что из этого следует

[Факт]: Уязвимы: исполнители однотипных задач (операторы колл-центра, джуны без специализации, ручные аналитики).

[Факт]: Растут в цене: те, кто умеет формулировать задачи агентам, валидировать их результат, управлять контекстом и строить системы.