INFOSTART CIO CAMP 2026 пройдет 14–15 августа в Санкт-Петербурге. Деловая программа первого дня посвящена практическим вопросам корпоративного внедрения искусственного интеллекта: от изменения операционной модели компании до инфраструктуры, безопасности, разработки агентов и оценки затрат.

Экспериментальный этап внедрения ИИ постепенно заканчивается. Во многих компаниях уже появились отдельные помощники, пилотные проекты и доступ сотрудников к большим языковым моделям. Но переход к промышленной эксплуатации требует ответа на более сложные вопросы.

Как встроить агента в действующий бизнес-процесс? Где обрабатывать персональные и коммерческие данные? Как ограничивать расходы на модели? Какие этапы разработки нельзя передавать нейросети? И как доказать, что экономический результат появился именно благодаря ИИ, а не за счет стандартизации или перераспределения ролей?

Эти задачи легли в основу объявленной программы.

Почему корпоративного чата недостаточно для AI-native компании

Откроет программу генеральный директор Инфостарта Доржи Цыденов с докладом об операционной модели AI-native компании. Основная идея заключается в том, что подключение корпоративного ИИ-чата само по себе не меняет способ управления организацией. Для более глубокой трансформации бизнес необходимо рассматривать как систему потоков создания ценности, внутри которых работают люди, информационные системы и ИИ-агенты.

В докладе будет представлен опыт создания платформы на базе единой системы тикетов, каталога услуг, канбанов и интеллектуальных агентов. Агенты применяются в продажах, поддержке, управлении проектами, HR, финансах и других процессах.В такой архитектуре ИИ работает не как отдельный консультант, а как участник конкретного маршрута: получает задачу, обращается к корпоративному контексту, формирует результат и передает его на следующий этап.

Как меняется путь от идеи до работающего продукта

Управляющий партнер ScrumTrek Антон Окунев рассмотрит влияние ИИ на проектный и продуктовый подход. Речь пойдет обо всем пути от исходной потребности до первой работающей версии: формировании гипотез, подготовке требований, создании прототипов и ранней проверке результата.

Корпоративные кейсы будут разбираться по общей схеме: исходная проблема, прежний процесс, решение с применением ИИ, полученный результат и сложности внедрения. Такой формат позволяет сравнивать не отдельные инструменты, а изменения в процессе создания продукта. Один из ключевых вопросов — какие подходы уже дают воспроизводимый эффект, а какие пока работают только в отдельных командах и требуют дополнительной проверки.

Как дать сотрудникам доступ к ИИ без потери контроля

Полный запрет на использование внешних моделей не исключает их появления внутри компании. Сотрудники могут обращаться к публичным сервисам самостоятельно, передавать туда рабочую информацию и оплачивать подписки без централизованного контроля.

Директор по развитию ИТ-сервисов продуктов паевых фондов «Альфа-Капитал» Дмитрий Манин представит альтернативный подход — единый шлюз доступа к моделям. В такой системе используются единая авторизация, персональные ключи, бюджеты и лимиты. Компания получает возможность управлять доступом сотрудников, контролировать расходы и выбирать модели для разных типов задач. Для обработки персональных данных и коммерческой тайны применяется собственный GPU-контур. ИИ уже используется в инфраструктуре, разработке, тестировании, поддержке, бухгалтерии и продажах.

Один из представленных кейсов - копилот инвестиционного консультанта. От идеи до пилотной версии команда дошла менее чем за два месяца. Время подготовки предложения сократилось с полутора часов до 30 минут.

Как связать нескольких ИИ-агентов общей памятью

По мере развития корпоративных ИИ-систем возникает новая архитектурная задача. Недостаточно создать несколько независимых агентов - необходимо научить их использовать результаты работы друг друга.

Директор по развитию Инфостарта Алексей Лустин разберет систему из трех агентов: подготовки досье контрагента, анализа жалоб и оценки сделок. Агенты объединены общей памятью и работают в рамках одного сквозного маршрута. Например, жалоба сначала преобразуется в структурированный артефакт, после чего ее содержание попадает в контекст досье контрагента и учитывается при оценке сделки. В техническую часть кейса входят источники данных, память на базе Qdrant, ИИ-профили, ссылки на первоисточники, CRDT-интерфейсы и сквозные E2E-проверки.

Отдельная проблема подобных систем - прозрачность. Пользователь должен понимать, откуда агент получил сведения, какие промежуточные результаты использовал и на основании чего сформировал вывод.

Где ИИ необходимо ограничивать инженерными гейтами

Автоматизированная разработка часто описывается как прямой маршрут от задачи до готового кода. В реальном процессе между этими точками остаются исследование, определение контракта, архитектурные решения и несколько уровней проверки. Руководитель группы ИИ Инфостарта Сергей Семиков покажет процесс разработки агента от задачи в бэклоге до проверки результата в браузере.

Маршрут включает исследование, описание контракта, выбор архитектуры, написание кода, owner-тесты и финальную проверку поведения системы. Основной вопрос доклада — где ИИ действительно ускоряет разработку, где начинает ошибаться и на каких этапах должны срабатывать инженерные ограничения. Такой подход отличается от идеи полной автоматизации. Нейросеть получает свободу внутри отдельных этапов, но переход между ними зависит от выполнения заранее определенных условий и проверок.

Как измерить эффект и не приписать ИИ чужой результат

Сокращение срока или стоимости проекта не всегда является прямым результатом применения ИИ. Одновременно компания может стандартизировать процесс, пересмотреть роли участников или убрать лишние согласования.

Операционный директор компании «ПроектПромБезопасность» Ольга Гродская представит кейс ИИ-ассистента инженера. Срок реализации проекта сократился с семи до трех месяцев. При этом вклад ИИ, стандартизации и изменения ролей будет оцениваться отдельно. Такой анализ необходим, чтобы избежать ситуации, когда весь полученный эффект автоматически записывают на счет нейросети. Еще одна часть кейса посвящена отбору инициатив сотрудников. Из 30 предложенных идей компания выбрала для реализации пять. Среди критериев — наличие исходной метрики, связь с реальным процессом и возможность измерить результат.

Когда компании требуется собственный ИИ-контур

Для ряда организаций использование публичных облачных сервисов ограничено требованиями информационной безопасности.

Генеральный директор «Таймлист» Глеб Архангельский расскажет о внедрении Notetaker AI в закрытом корпоративном контуре. Система предназначена для обработки встреч и подготовки протоколов на собственном оборудовании организации. Кейс охватывает варианты автономного размещения, архитектуру закрытого контура и расчет экономической эффективности. В основе - проекты в организациях с повышенными требованиями к защите информации. Отдельный вопрос - чем специализированный корпоративный сервис отличается от функций транскрибации и подготовки протоколов, которые уже появляются в системах видеоконференцсвязи.

Какие интеллектуальные функции компания передает нейросети

Технологический предприниматель и топ-менеджер Арсалан Самбуев рассмотрит ИИ не только как инструмент автоматизации, но и как внешнюю память. В основе кейса — рабочий контур из более чем 1600 файлов и 21 проекта, организованный с помощью репозиториев и онтологии.

Но техническое хранение информации это только часть проблемы. По мере развития системы пользователь начинает передавать нейросети отдельные мыслительные операции: поиск связей, структурирование материалов, сравнение версий и формулирование выводов. Возникает вопрос, способен ли ИИ учитывать реальный уровень компетенций человека и замечать его изменение. Помогает ли он развивать навыки или только улучшает внешний результат, скрывая постепенную потерю самостоятельности? На уровне организации этот вопрос становится еще сложнее: вместе с автоматизированными процессами компания может передать ИИ часть собственной экспертизы и способов принятия решений.

Какие расходы можно сокращать с помощью ИИ

Завершит деловую программу круглый стол об экономике внедрения ИИ.

В центре обсуждения — статьи расходов, которые уже можно сокращать, а также затраты, часто не попадающие в первоначальные расчеты: инфраструктура, подготовка данных, интеграция, контроль качества и сопровождение решений. Для оценки результата недостаточно сравнить скорость выполнения одной операции до и после подключения модели. Необходимо учитывать стоимость разработки, эксплуатации, вычислительных ресурсов, проверок и исправления ошибок. Кроме того, должна быть зафиксирована исходная метрика. Без нее успешную демонстрацию легко принять за экономически эффективное внедрение.

Объявленная программа показывает, что корпоративная работа с ИИ постепенно переходит от обсуждения возможностей моделей к вопросам архитектуры и управления. На первый план выходят не универсальные сценарии применения, а контроль доступа, качество данных, инженерные ограничения, измеримые показатели и ответственность за решения, которые компания передает алгоритмам.