AI внутри систем, на которых держится бизнес, с контролем и ответственностью
SLAtech встраивает AI в существующие системы компании: CRM, ERP, порталы и архивы документов. Права доступа, данные и требования регулятора остаются под контролем, а за то, что мы построили, отвечает команда SLAtech.
Кратко
AI в организации не сводится к чат-боту на сайте. Без архитектуры, контроля данных и прав доступа он создаёт операционный, регуляторный и информационный риск. Поэтому мы проектируем AI как часть корпоративной системы: он работает с вашими данными, учитывает, кому что разрешено видеть, и отвечает со ссылкой на источник.
Что строим
Поиск и ответы по документам
Сотрудники тратят время на поиск в архивах, папках и старой переписке. Система находит ответ в документах компании и показывает, из какого документа и раздела он взят.
Ассистенты внутри CRM и ERP
Клиенты и сотрудники задают одни и те же вопросы о заказах, статусах и правилах. Ассистент отвечает по данным CRM или ERP, а если вопрос выходит за эти рамки, передаёт разговор человеку вместе с историей.
Обработка документов и автоматизация
Счета, договоры и формы вводят вручную, с ошибками и задержками. AI извлекает данные из документа, проверяет их по правилам и передаёт в систему, а спорные случаи оставляет человеку.
Доступ AI-агентов к вашим системам через MCP
AI-ассистенты, которыми пользуются сотрудники и клиенты, не видят ваших систем. Через MCP-сервер они получают нужные данные и действия только в пределах выданных прав и с журналом каждого обращения. Интеграция MCP
Как работает поиск по документам (RAG)
RAG (Retrieval-Augmented Generation) отвечает не из общей памяти модели, а на основе ваших документов. Работа идёт в четыре шага:
- Индексация. Документы разбиваются на смысловые фрагменты, для каждого строится векторное представление, и всё сохраняется в поисковом индексе.
- Поиск. Вопрос пользователя тоже переводится в вектор, и система находит самые близкие по смыслу фрагменты. В выдачу попадает только то, что этому пользователю разрешено видеть.
- Ответ. Модель получает вопрос и найденные фрагменты и формулирует ответ только на их основе. Если ответа в документах нет, система так и говорит.
- Ссылка на источник. К ответу прилагается ссылка на документ и раздел, чтобы его можно было проверить в оригинале.
Если данные не должны покидать организацию, систему можно развернуть на ваших серверах или в частном облаке.
Контроль: точность, безопасность, регулирование
Точность. Перед запуском мы собираем набор реальных вопросов с проверенными ответами и прогоняем по нему систему, а затем повторяем проверку после каждого изменения модели, инструкций или данных. Ответ без опоры на документы считается ошибкой.
Угрозы, специфичные для AI:
- Prompt injection: текст в документе или письме, который пытается переписать инструкции модели. Инструкции и данные разделены, а действия с последствиями требуют подтверждения человека.
- Утечка между клиентами и отделами: индекс и поиск учитывают, чей это документ, поэтому пользователь не получит фрагмент из чужих документов.
- Журнал: каждый запрос и каждый ответ записываются, чтобы можно было разобрать спорный случай и показать проверяющему, что именно видела система.
- Для уже работающих агентов есть отдельный аудит безопасности AI-агентов.
Регулирование. Системы с персональными данными в Израиле подпадают под Закон о защите частной жизни и поправку 13. Хранение, доступ и журналы проектируются с учётом этих требований: поправка 13 для информационных систем. Правила использования AI, распределение ответственности и документацию (AI governance) готовим вместе с вами.
Аудиты AI-систем
Если система уже собрана с помощью AI или к вашим данным уже подключён агент, начинать стоит с проверки.
Безопасность, данные, нагрузка, расходы и сопровождение. На выходе письменный отчёт, план исправлений и обоснованная рекомендация: стабилизировать или переписать.
Секреты в коде браузера, права доступа к базе, авторизация на сервере, несуществующие пакеты.
Права агента и подключений MCP, prompt injection, утечка данных, необратимые действия, мониторинг.
Для инвесторов и покупателей: владение кодом, лицензии, доступ к данным, зависимость от платформы, стоимость AI на пользователя.
Где AI помогает, а где нет
Помогает, когда:
- вопросов много, они повторяются, а ответы уже есть в документах или в системе;
- данные приходят в документах (счета, договоры, формы), а результат можно проверить по правилам;
- нужно искать по большому архиву, который никто не помнит целиком.
Не помогает, когда:
- ошибка дорого обходится и выясняется только постфактум, а проверить ответ заранее нечем;
- нужных данных нет или они существуют только в головах сотрудников;
- задачу решает простое правило, форма или отчёт. Тогда AI добавляет стоимость и риск, а пользы не прибавляет.
Как работаем
- Диагностика. Разбираем данные и процессы: где AI окупится, где нет, хватает ли данных и в каком они состоянии.
- Прототип на ваших данных (PoC). Рабочая версия на реальных документах, проверка по набору вопросов с проверенными ответами и решение: продолжать, менять подход или остановиться. Обычно 2-4 недели.
- Продакшн. Встраиваем в ваши системы, настраиваем права, журналы и мониторинг, обучаем команду.
- Сопровождение 24/7. Следим за качеством ответов по тому же набору вопросов и за расходами на модели, разбираем инциденты, добавляем новые возможности.
Владение и смена провайдера
- Код, индекс документов и инструкции модели принадлежат вам. Серверы, домены и ключи доступа с первого дня в ваших аккаунтах.
- Модель подбирается под задачу: простая и недорогая для простых запросов, более сильная для сложных. Если у провайдера меняются цены или условия, модель можно заменить без переписывания системы.
- Систему знает команда SLAtech, а не один человек. Документация написана так, чтобы с ней могла работать и ваша команда.
Готовый продукт: SLAtech AI
Если нужен не проект, а готовый ассистент для сайта, есть SLAtech AI, продукт SLAtech LTD. Он отвечает посетителям на иврите, русском и английском по материалам вашего сайта и даёт ссылку на страницу-источник. Сайт продукта · Как мы его построили
Частые вопросы
Чем RAG отличается от дообучения модели?
RAG находит ответ в ваших документах в момент запроса, поэтому новые документы начинают работать сразу, а у каждого ответа есть источник. Дообучение меняет саму модель. Оно нужно редко, для особого стиля или формата, и не подходит для фактов, которые часто меняются.
Сколько времени занимает запуск?
Прототип на ваших данных обычно занимает 2-4 недели. Срок выхода в продакшн зависит от того, со сколькими системами нужна интеграция, и определяется после диагностики.
Сколько это стоит?
Стоимость зависит от трёх вещей: объёма и состояния данных, числа интеграций и требований к безопасности. Отдельно учитываются расходы на модели в эксплуатации. Точную оценку даём после диагностики, а порядок цифр можно получить сразу в оценщике проекта.
Какие модели вы используете?
Ту, что подходит задаче по качеству, цене и требованиям к данным, часто разные модели для разных шагов. Привязки к одному провайдеру нет: модель можно заменить без переписывания системы.
Как AI работает на иврите?
Качество на иврите мы проверяем отдельно, на наборе вопросов на иврите. У иврита свои сложности: например, из-за приставок поиск по словам пропускает совпадения. Интерфейс на иврите работает справа налево.
Можно ли использовать AI с персональными данными по израильскому закону?
Можно, если система спроектирована под Закон о защите частной жизни и поправку 13: минимальный доступ, журналы, хранение и удаление по правилам. Подробнее на странице о поправке 13.
Обсудим вашу задачу
Расскажите, какие данные и системы у вас есть и что должен делать AI. Ответим, где он окупится, а где нет.
Написать нам
По теме: Интеграция MCP, AI-доступ к сайту, Проекты на вайб-кодинге, Кейс SLAtech AI, MCP и приватность: что AI видит и что нет, Что MCP даёт вашему бизнесу, Почему сейчас, а не потом: преимущество раннего входа в MCP, MCP: следующий сайт вашего бизнеса
SLAtech LTD