От «магии» к инженерии: 9 ошибок работы с контекстом при внедрении AI‑агентов в процессы
Я бизнес‑архитектор, много лет работающий на стыке управления бизнес‑процессами и корпоративной архитектурой. Последние годы применяю LLM и AI‑агентов в своей практике.В этой статье я разобрал 9 типовых ошибок управления контекстом, которые совершают команды при внедрении AI‑агентов в бизнес‑процессы, и показал, как превратить AI‑агента из дорогой игрушки в предсказуемый рабочий инструмент.
Внедрение AI в продукт: 9 ошибок продуктового менеджера
Привет, Хабр. Меня зовут Андрей Коптелов, я бизнес‑архитектор, много лет работающий на стыке управления бизнес‑процессами и корпоративной архитектурой. Одним из направлений моего развития является обучение, где я являюсь менеджером нескольких образовательных продуктов. Последние годы применяю LLM и AI‑агентов в своей практике. В этой статье я разобрал 9 ошибок продуктового менеджера при внедрении AI в продукты.
Завтра на INFOSTART CIO CAMP 2026 разберут экономику ИИ
14 августа в Санкт-Петербурге стартует INFOSTART CIO CAMP 2026
Лучший разработчик в команде — не всегда лучший тимлид. Как оценивать кандидатов на повышение
Компания может повысить сильного инженера или нанять нового руководителя — и через полгода обнаружить, что команда проседает. Часто проблема не в резюме и не в технической экспертизе, а в том, что готовность кандидата управлять людьми не оценили до назначения.Одних закрытых задач, уверенного собеседования и хороших рекомендаций для этого недостаточно. В статье разберём, какие сигналы помогают оценить готовность сотрудника к первой руководящей роли и как превратить саму оценку в понятный внутренний сервис — без ручной рассылки ссылок, таблиц и поиска результатов в почте.
ИИ заменит людей, но кто возьмет на себя ответственность?
Каждый месяц кто-то отчитывается о сокращении рабочих мест и об успешной автоматизации с помощью ИИ. Но кто теперь будет отвечать за то, что эти люди делали? Меня зовут Дмитрий Фырнин, я управляющий партнёр и технический директор SENSE. В статье разбираю, где проходит граница автоматизации. Спойлер: определяет её не сложность задачи, а то, может ли кто-то взять на себя ответственность за результат. И про то, что в действительности сокращают компании, отчитавшись об экономии на ИИ.Кого ИИ заменит без вопросов
Внутренняя документация, которую никто не читает. Как сделать, чтобы читали (на примере ONLYOFFICE Workspace)
Автор: Иван Богданов, Технический писатель Когда я пришел в компанию, главной моей задачей была документация. Точнее, та каша, в которую она к тому времени превратилась. Часть статей писали люди, ушедшие за несколько лет до меня, и спросить, что там имелось в виду, было уже не у кого. Форматирование местами выглядело так, что глаз цеплялся за оформление вместо смысла, и читать это было физически тяжело. Хуже всего дело обстояло с систематизацией, статьи лежали как попало, и новичок успевал отчаяться, пока добирался до нужной.
Теневой ИИ ест бюджет и данные: гайд по выбору корпоративной ИИ-платформы в 2026
В 2026 году перед корпоративным сектором встал новый вызов — управление «теневым искусственным интеллектом» (Shadow AI). После волны успешных точечных пилотов в разных отделах от маркетинга до юристов крупные компании обнаружили себя с десятком разрозненных ИИ-инициатив. В результате руководство теряет контроль над расходами на API-запросы, служба безопасности фиксирует риски утечки данных в публичные сервисы, а ИТ-директора ломают голову, как объединить эти игрушки в единый рабочий контур.
Совет требует ИИ, а данные не готовы. Как ESM даёт фундамент, который не провалит пилот
В прошлой статье мы обсудили, почему ИИ-инициативы в компаниях, даже с большими деньгами и ресурсами, просто проваливаются. Коротко говоря, если у ИИ нет качественных данных, проект скорее всего обречён — по данным Gartner, 60% ИИ-проектов не доходят до продакшена из-за неготовности данных и процессов. В этот раз поищем решение: как собрать все заявки в одном месте и научить модель делать то, что вам нужно — уничтожать рутину.
Контекстная инженерия для слабой локальной модели: как мы делаем среднюю модель надёжной
Принято думать, что качество ИИ-агента упирается в размер модели. Но когда модель работает локально, в закрытом контуре и на ограниченном железе, брать «побольше» особо некуда. И оказывается, что главный рычаг не модель, а контекст: что вы ей показываете, в каком порядке и как фильтруете. Причём «контекст» здесь — это сборка под то, кто спрашивает, откуда и о чём, плюс честный порог релевантности и продуманный порядок секций. На сильной облачной модели небрежный контекст прощается запасом по reasoning; на средней локальной — нет. Об этом и статья.Почему на локальной модели контекст важнее самой модели
