Без AI не разобраться: 5 ключевых терминов для тех, кто хочет быть в теме
Сегодня ИИ используется уже не только для генерации текстов или картинок. Он встроен в корпоративные системы, помогает управлять процессами, анализировать данные и автоматизировать рутинные сценарии. Чтобы вам было проще ориентироваться в этом быстро меняющемся ландшафте технологий и разговаривать с более сведущими коллегами на одном языке, CEO OSMI IT Михаил Шрайбман подготовил краткий словарь из пяти ключевых терминов — от ассистентов до мультиагентских систем.
Спойлер: для большего погружения в тему рекомендуем прочитать не только глоссарий, но и пару разделов после — так вы сможете ещё и понять отличия систем, плюс, быть в курсе топовых кейсов индустрии
Глоссарий
Al-агент
Цифровой помощник, который самостоятельно выполняет задачи и способен принимать решения, экономя ресурсы и заменяя человека.
Ассистент
Упрощённый вид агента, которого может создать даже человек без технических навыков. По сути, это помощник, работающий по заранее заданному промту или сценарию. Его задача — облегчать выполнение отдельных операций и взаимодействие с системой.
ML (Machine Learning / машинное обучение)
«Хардкорный», математический и ориентированный на точность метод ИИ. ML появился ещё в середине XX века и до сих пор остаётся базой. Используется там, где критично важна точность и нужны прогнозы: — в предиктивной аналитике, — в прогнозировании количества остатков на складе, — в динамическом ценообразовании, — в анализе рисков и т.п.
Мультимодальные агенты
AI-агенты, которые работают не только с текстом, но и с другими типами данных: изображения, звук, видео, сенсорные данные, таблицы, графы и др. Они могут одновременно «читать» отчёт, «смотреть» на график и «слушать» голосовую команду, а затем объединять эти источники информации для ответа или действия.
Мультиагентские системы (MAS, Multi-Agent Systems)
Среды, где работает не один агент, а несколько, часто с разными ролями. Они могут: координировать свои действия, делить задачи, передавать результаты друг другу.
CEO OSMI IT Михаил Шрайбман: «За такими системами будущее: именно они позволяют масштабировать автоматизацию и строить полноценные “цифровые отделы”. Платформа OSMI AI уже сегодня даёт возможность работать с мультиагентскими системами в полном объёме — от разработки сценариев до управления взаимодействием агентов».
Одиночные агенты выполняют единичные операции:
автоответы на отзывы в e-commerce,
проверка контрагента через KYC,
онбординг нового сотрудника,
поддержка 1-го уровня,
мониторинг новостей/упоминаний бренда.
Мультиагентные системы… функционируют как системы:
один агент классифицирует → другой анализирует тональность → третий эскалирует менеджеру;
Мы уже внедрили три агентные системы, которые могут работать как единое универсальное решение, подходящее почти для любого бизнеса. По сути, это «конструктор», где из типовых сценариев можно собрать оптимальный набор: от подбора товаров на сайте по любому запросу до автоматизации службы поддержки и контроля финансов.
Кейс №1: мультиагентная система подбора товаров и ситуативный поиск
Перед нами стояла задача ускорить поиск и подбор сложных технических продуктов на сайте. Пользователи писали запросы в свободной форме, часто с опечатками, техническим сленгом и требованиями по срокам или условиям эксплуатации.
Например: «аналог TI SN74HC595, срок — неделя».
Мы разработали ассистента, который корректно понимает технические запросы, исправляет ошибки, учитывает параметры вроде цены, сроков или температурного режима эксплуатации продукта и выдаёт точные совпадения и аналоги. В ответ клиент получает подборку компонентов с альтернативами по брендам и наличию, сравнением характеристик, документацией и остатками на складе. Всё это можно сразу добавить в корзину, сформировать запрос КП или передать закупщику.
История запросов сохраняется для повторных обращений и персонализированных рекомендаций.
Такое решение легко масштабируется: оно подходит для e-commerce и B2B-маркетплейсов, промышленности, торговли стройматериалами, поставок оборудования, медтехники и любых направлений, где нужно быстро и точно подбирать аналоги или альтернативы товаров и комплектующих.
До: подбор компонентов вручную, ошибки и списания, нужен техбэкграунд, на поиск уходило 15 минут–часы, конверсии из ассистента не было.
После: 87% запросов обрабатываются автоматически, ошибки снижены, инструмент подходит любому менеджеру, время — 2–4 секунды, конверсия в корзину растёт на +3%.
Кейс №2: мультиагентная система для поддержки пользователей и обработки запросов 2 уровня
В этом случае мы должны были автоматизировать поддержку пользователей ПО. Сложность заключалась в том, что продукт имел разветвлённую оргструктуру, обширную документацию и требовал точной маршрутизации обращений. Пользователи регулярно писали в поддержку с самыми разными вопросами, и часть запросов требовала эскалации в конкретные команды, что занимало много времени.
Мы внедрили интеллектуального ассистента, который обрабатывает запросы на естественном языке. Он понимает тематику и уровень сложности обращения, ищет ответы в базе знаний с помощью LLM и семантического поиска, автоматически отвечает на стандартные вопросы и эскалирует нестандартные кейсы в нужные рабочие группы.
Ассистент постоянно дообучается на новых примерах, расширяя базу знаний и повышая точность. В результате система взяла на себя рутинную часть поддержки, сократила нагрузку на сотрудников и ускорила маршрутизацию сложных запросов. Такой подход применим для любых IT-продуктов, SaaS-сервисов, корпоративных платформ, B2B-систем и техподдержки сложного ПО.
До: первый ответ через 1–2 часа; на первом уровне решалось 20–30% запросов; эскалация занимала ~4 часа; повторные обращения — 18%.
После: первый ответ — <2 минут; 60–80% решается на 1-м уровне; эскалация — <1 часа; повторные обращения — <9%.
Кейс №3: система для финконтроля и бюджетирования
Для компании с проектным финансированием, матричными бюджетами и сложными процессами согласования встала задача повысить прозрачность и контроль расходов. Клиенту нужно было сократить время проверки заявок на оплату и минимизировать риск перерасходов.
Мы внедрили AI-агента, который подключается к учётным системам и берёт на себя контроль всего процесса.
Он автоматически отслеживает заявки, сверяет суммы с бюджетными лимитами и историей расходов, а при выявлении отклонений добавляет комментарий и сигнализирует о превышениях. В случаях перерасхода агент ставит задачу менеджеру, а также формирует отчёты в Excel по проблемным статьям бюджета.Таким образом, система автоматизировала ключевые этапы финконтроля и бюджетирования: от мониторинга заявок до аналитики отклонений. Это позволило и существенно сократить время проверки, и повысить уровень контроля за расходами в проектах.
До: проверка заявки занимала 15–20 минут.
После: проверка — 2–3 минуты; контроль расходов в проектах повышен.
И напоследок: если вы хотите не просто разобраться в терминах и кейсах, но и понять, как выстроить полноценную «фабрику агентов» — от первых пилотов до центра экспертизы внутри компании, — рекомендуем прочитать нашу статью «Как построить центр компетенций с OSMI AI внутри компании». В ней подробно разобрано, как организовать работу команд, какие шаги пройти и как сохранить экспертизу внутри компании, чтобы избежать зависимости от подрядчиков.
Кейсы
Неделя рекламы 
Новости 
How to 
Интервью и дискуссии 
Маркетинговые исследования 
Просто о сложном 
Энциклопедия обмана 
Проверено ADPASS 
Рекламные кампании