Как оценить реальную пользу корпоративных документов: показываем на примере работы Cursor и Standart

Внедрение процессного подхода к управлению документацией — это лишь первый шаг. Второй, не менее важный — оценка того, насколько созданные документы востребованы и полезны в повседневной работе сотрудников. Без этого руководитель лишается объективных данных для принятия решений об оптимизации нормативной базы.

Наши платформы Standart и Cursor спроектированы так, чтобы бизнес мог сформировать единый контур управления жизненным циклом документов. Standart предоставляет данные о процессе разработки и согласования, а Cursor — аналитику о практическом использовании. Их интеграция дает полную картину ценности каждого документа.

Так, Standart помогает фиксировать метрики создания документа:
➖ Контроль процесса согласования: отслеживание участников, ролей, этапов и соблюдения плановых сроков. Система уведомляет о смене статусов, исключая ручной мониторинг;
➖ Организация совместной работы: все участники процесса работают с одной версией документа и видят правки друг друга в реальном времени, что исключает необходимость ручной сверки разных версий;
➖ Выявление «узких мест»: система фиксирует этапы, на которых происходят задержки относительно плановых сроков, и показывает, на каких этапах и с чем они связаны;
➖ Аналитику по обратной связи: выявляет документы с наибольшим количеством вопросов, замечаний или запросов на актуализацию и отмену.

Cursor же предоставляет бизнесу данные о применении документа:
➖ Частота и динамика поисковых запросов к документу;
➖ Ключевые темы и контексты, в которых он востребован (через анализ запросов);
➖ Связи с другими документами и материалами в корпоративной базе знаний.

Используя эти сервисы в синергии, руководитель получает более комплексную аналитическую картину. Низкая вовлеченность при высокой трудоемкости согласования может говорить о нерелевантности или избыточной сложности документа. Высокая востребованность при оптимизированном процессе подтверждает его эффективность, а разнородные запросы к одному документу часто указывают на недостаточную ясность контента или пробелы в регламентации.

Такой анализ позволяет не просто констатировать факт создания документа, а оценивать его реальную пользу для бизнеса и принимать обоснованные решения о доработке, упрощении или выводе из оборота.

Дайджест событий в области искусственного интеллекта

Искусственный интеллект начинает переходить от экспериментального формата к системной работе — в HR, финансах, образовании и даже в такси. Рассказываем о ключевых событиях месяца в области ИИ-технологий.

В России:
🧠 Системный интегратор «Мобиус Технологии» разработал ИИ-бота для оценки универсальных компетенций сотрудников и измерения роста их навыков.
🤖 Билайн Big Data & AI открыл бесплатный демо-доступ к мультиагентной платформе. На старте доступны три агента: «Ассистент-секретарь», «Помощник продавца» и «Оператор контакт-центра».
📊 Ассоциация ФинТех создала методологию оценки экономического эффекта от внедрения ИИ.
🎓 Компания «Антиплагиат» представила обновление, которое показывает места в студенческих работах, написанные с помощью ИИ.
🔬 В России ввели новый норматив технологической грамотности ТехноГТО «Искусственный интеллект» для подтверждения базовых знаний в области ИИ.

В мире:
🧠 Alibaba добавила в чат-бота Qwen функцию долговременной памяти (Qwen Chat Memory) для запоминания контекста диалогов и повышения персонализации.
🚗 Uber будет платить водителям и курьерам за обучение ИИ-моделей (запись голоса, поиск и загрузку изображений. предоставление документов на определенных языках) в перерывах между заказами.
💼 Amazon представила агентный ИИ Quick Suite — корпоративное приложение для поиска информации, визуализации данных и автоматизации рутинных задач.
🏫 В Техасе (США) открыли частную школу Alpha School, где детей обучают с помощью ИИ и без учителей.

Аналитика:
📈 По данным HeadHunter, 23% управленцев и HR-специалистов в ближайшее время планируют разработать или внедрить стратегию широкого использования ИИ.
💡 Опрос от МИРБИС и «Сбер Бизнес Софт»: среди предпринимателей, уже внедривших ИИ, 6,9% готовы инвестировать в цифровизацию более 10% от оборота. Это говорит о высокой степени доверия к технологиям как к драйверу роста.

#дайджест

Платформа Cursor для руководителя проектов: разбор реального сценария работы

Запуск новых проектов в крупных компаниях зачастую связан с длительной подготовкой: руководителю предстоит погрузиться в тему и изучить контекст, найти заделы и наработки, специалистов под выполнение задачи, разработать ТЗ и договора. Сегодня мы покажем на реальном сценарии работы, как платформа Cursor позволяет руководителю проекта системно пройти весь путь от инициации до реализации проекта, используя единое информационное пространство.

👉 На этапе анализа предметной области руководитель по ключевым терминам может быстро найти статьи и материалы из корпоративных библиотек и систем обучения. Использование поиска по смыслу и фасетных фильтров в Cursor позволяет сразу найти не только целевые документы, но и все существующие в холдинге наработки по схожей тематике, что дает возможность погрузиться в тему в разы быстрее, вместо долгого самостоятельного поиска в разрозненных источниках.

👉 Для формирования команды поможет поиск по специалистам с применением фильтров по конкретным компетенциям сотрудников. Cursor может агрегировать данные из HR-систем, предоставляя доступ к карточкам сотрудников с резюме, контактами и историей проектов. Это позволит быстро идентифицировать подходящего специалиста внутри холдинга и выйти на него, минуя длительный поиск.

👉 При разработке технического задания специалист загружает файл с требованиями в Cursor для поиска по семантическим пересечениям. Система находит и ранжирует по степени схожести технические задания из управления проектной документацией, предоставляя готовый релевантный образец для ускоренной подготовки собственного ТЗ.

👉 Для подготовки договорной документации руководитель использует то же ТЗ, но активирует поиск по содержательным пересечениям. Cursor находит типовые договоры на оказание услуг из системы документооборота, которые можно сразу скачать и адаптировать под конкретные условия проекта, обеспечивая юридическую корректность и соблюдение внутренних стандартов.

👉 На этапе поиска подрядчика и анализа рисков руководитель через карточки реализованных проектов может выйти на карточки договоров. Это дает ему прямые контакты организаций-исполнителей по релевантным тематикам, а также возможность связаться с коллегами для консультации по технологиям и подходам. Дополнительно скачивается эксплуатационная документация на внедренную систему для детального изучения перед переговорами.

Cursor — это не просто поисковик, а единое информационное пространство, которое связывает между собой людей, знания, документы и обеспечивает сквозную работу с корпоративными данными. Руководитель проекта получает доступ к структурированной информации о сотрудниках, документах, проектах и продуктах, что значительно сокращает цикл подготовки и принятия решений.

💬 А сколько времени в среднем у вашей команды уходит на подготовку и запуск нового проекта? Расскажите нам в комментариях.

Сценарий работы Cursor: как платформа упорядочивает НМД в добывающей отрасли

Компании нефтегазового сектора ежедневно сталкиваются с задачами по поиску и анализу документации. При этом 35% рабочего времени уходит только на поиск нужной информации, а сами документы могут относиться к различным подразделениям ГК, где суммарно обрабатывается более 60 000 НМД и работает 30+ тысяч сотрудников. Вчера мы рассказывали о том, как Cursor помогает в управлении проектами, а сегодня покажем сценарий оптимизации работы с корпоративными знаниями в добывающей отрасли.

Основная сложность — информация разрознена между множеством систем, до 90% контента не структурировано, пользователи ищут материалы в 4 и более корпоративных системах, а в 33% случаев отсутствует доступ к актуальным версиям документов. В итоге документы застревают на этапе согласования или теряются в процессе обмена. Это приводит к использованию устаревших версий, дублированию работы и замедлению ключевых процессов всей компании.

Внедрение интеллектуального поиска позволяет создать комплексное решение для работы с документами:
➖ Единый портал НМД — объединение систем хранения корпоративного контента и создали единую модель данных;
➖ Продвинутый поиск и анализ — семантический поиск по смыслу и «граф связей» между документами, что резко сократило время на анализ информации;
➖ Оповещения и рекомендации — новые документы индексируются автоматически. Система сама рекомендует релевантные материалы сотрудникам и оповещает их о важных изменениях;
➖ Контроль версионности — функционал сравнения версий документов между собой и визуальное отображение всех различий между версиями.

Что это в итоге дает компании?
✅ Сокращение времени и затрат на поиск документов до 50% (с 3:34 минут до 1:14 минуты);
✅ Устранение дублирований и противоречий, оптимизация нормативной базы;
✅Сокращение времени внесения изменений в документы с месяцев до дней;
✅ Снижение сроков подготовки новых документов за счет переиспользования базы знаний.

Для нефтегазовой компании каждое из этих улучшений означает фундаментальное повышение качества управления нормативной базой и снижение операционных рисков.

System Design, AdTech и оптимизация RAG: подборка экспертных постов от ML-инженера

Коллеги, сегодня делимся с вами подборкой полезных материалов от канала ML Advertising (@dsinsights). Его ведет Евгений, Senior ML Engineer в рекламных технологиях. В своем канале он разбирает сложные высоконагруженные системы, рассказывает о рекламных биржах и делает «боевые» заметки с полей онлайн-рекламы.

Если вы хотите прокачаться в архитектуре систем, понять, как ML работает в реальном продакшене, и узнать, что творится «под капотом» у крупных платформ — вам будет полезно заглянуть в этот канал.

Что вы найдете на канале?

🔹 Разборы вопросов с собеседований по System Design:
— Почему Apache Kafka быстрая?
— Как Uber оценивает время поездки?

🔹 Как устроена инфраструктура и бэкенд платформ рекламных ставок:
— Реализация платформ ставок на инфре Amazon
— Как работают ставки в реальном времени?

🔹 Как применяется AI в онлайн-рекламе:
— AI в AdTech
— Динамическое ценообразование
— Как ускорить ML модели на проде

🔹 Оптимизация RAG систем:
— Как устроен RAG?
— Векторные БД и бенчмарки
— Тюним гипер-параметры RAG

Если вы интересуетесь тем, как устроена рекламная индустрия «под капотом», и как в ней работает ИИ присоединяйтесь и изучайте новое в ML Advertising!

Технический директор Embedika о главной проблеме рынка ИИ-решений в России

Российский рынок корпоративных ИИ-решений обладает большим технологическим потенциалом, однако сталкивается с проблемой — отечественные компании редко создают готовые к внедрению продукты, соответствующие реальным бизнес-запросам. Обсуждаем проблему вместе с Алексеем Пантиным, техническим директором Embedika.

Делимся основными тезисами из публикации:

✔️ Крупные игроки (Сбербанк, Яндекс, VK) предлагают стандартизированные продукты, сложные для адаптации под уникальные бизнес-процессы. Небольшие разработчики владеют узкоспециализированными технологиями (OCR, NLP), но редко создают из них полностью готовые решения.
✔️ Бизнес рассматривает ИТ-бюджеты как статью расходов, а не инвестиции. Эта тенденция особенно заметна в секторах с низкой цифровой зрелостью, где преобладает ручной труд.
✔️ Российские ИИ-разработчики обладают конкурентным преимуществом в обработке естественного языка, где ключевую роль играет глубокое понимание локальных бизнес-процессов и языковой специфики.
✔️ Акселерационные программы стали ориентироваться на реальный спрос, требуя от участников подтверждения, что их решения действительно востребованы на рынке.

«Перспективы развития российского рынка ИИ-решений связывают с постепенным переходом от создания технологий к построению законченных продуктов. Однако для укрепления позиций необходимо накопление подтвержденных кейсов внедрения с измеримыми экономическими эффектами», — отмечает Алексей Пантин.

🔗Подробнее — в материале CNews.

#сми_о_нас

Почему внедрение ИИ-систем начинается с аудита данных

В дискуссиях о развитии искусственного интеллекта основное внимание часто уделяется архитектуре нейросетей и сложности алгоритмов. Однако успех внедрения ИИ в корпоративных процессах определяется другим фактором — качеством и структурой данных, на которых модели обучаются и работают. Сегодня рассмотрим, почему инфраструктура данных оказывает большее влияние на результат, чем выбор модели.

Современные модели машинного обучения, включая архитектуры NLP, во многом опираются на открытые разработки и тиражируемые решения. Их адаптация под конкретные задачи — вопрос техники и ресурсов. В свою очередь, данные — уникальный актив, который невозможно воспроизвести без глубокой интеграции в бизнес-процессы заказчика.

Можно выделить три аспекта, подтверждающих важность качественной подготовки данных:

1️⃣ Контекст и предметная область: универсальные модели не учитывают специфику терминологии, внутренних регламентов и структуры документов компании. Например, в юридической, технической или нормативной документации одни и те же термины могут иметь различную смысловую нагрузку. Без тщательной обработки и разметки данных модель не сможет корректно интерпретировать запросы и находить релевантные ответы.

2️⃣ Структурирование и объём: большинство корпоративных данных остаются неструктурированными — это документы, таблицы, презентации, архивы электронной почты. Вместо внедрения умного помощника бизнесу сначала нужно привести в порядок цифровой ландшафт: стандартизировать документы, настроить хранение, описать процессы. Без этого даже самая совершенная ИИ-модель будет демонстрировать низкую точность и полноту ответов.

3️⃣ Актуальность и чистота данных: устаревшие, противоречивые или дублирующиеся данные снижают качество работы системы. Например, если в корпоративной базе одновременно присутствуют устаревшие и актуальные версии документов, модель не сможет гарантировать достоверность результата без дополнительной обработки и верификации контента.

Основная задача при построении корпоративных ИИ-решений — не выбор наиболее современной модели, а формирование качественного массива данных. Инвестиции в очистку, структурирование и обогащение данных оказывают прямое влияние на окупаемость и эффективность внедрения искусственного интеллекта.

Подборка полезных и интересных материалов

ИИ-технологии активно трансформируют сферы жизни человека: от образования до бизнес-процессов. Собрали для вас актуальные статьи, исследования и экспертные мнения — всё, что поможет оставаться в курсе ключевых трендов искусственного интеллекта.

Статьи:
📎 Колонка первого заместителя председателя правления «Сбера» Александра Ведяхина о том, как ИИ изменит способы управления бизнесом.
📎 Материал Forbes по мотивам опроса руководителей крупных компаний о том, как активное внедрение ИИ повлияет на рынок труда.
📎 Интервью директора Управления исследований и инноваций «Сбера» Альберта Ефимова о технологических трендах и о том, как ИИ влияет на развитие науки в России.
📎 Материал «Ведомостей» по мотивам сессии Российского интернет-форума об опыте интеграции ИИ-решений российских и зарубежных компаний.

Заметки в блогах:
✍️ Эксперты «Билайн» на Хабре делятся опытом создания ML-фреймворка внутри компании.
✍️ Команда Manunoscript OCR поделились проектом, в котором научили нейросеть читать рукописи XIX века.
✍️ Большой обзор баз данных: как выбрать векторную БД для AI-агентов и RAG.

Книги:
📚 «Статистика и котики» Владимира Савельева, в которой автор простым языком объясняет сложные термины из статистики и анализа данных.
📚«Машинное обучение: подготовка к сложному интервью» Али Аминиана — незаменимый помощник для тех, кто готовится к собеседованию по системному проектированию в области ML.

Подкасты:
🗣 Подкаст Александра Соколовского о том, когда технологии перестают быть инструментом и становятся экосистемой, влияющей на всё: экономику, ценности, человека.
🗣 Выпуск подкаста «Рукотворный код» — как на практике применяется ИИ в бизнес-коммуникациях, и как он экономит время и деньги компаниям.

Подготовка данных для внедрения корпоративного ИИ: с чего начать?

Внедрение ИИ-систем в корпоративный контур требует методологической подготовки. Технология не заменяет экспертизу, а усиливает ее при условии качественных входных данных.

В одном из прошлых постов мы уже подчеркивали, что успешное внедрение технологии начинается не с выбора модели, а с аудита и подготовки данных. Ключевую роль в этом процессе получает методолог — именно он формирует бизнес-правила и критерии качества, без которых ИИ будет интерпретировать информацию некорректно или неполно. Технология автоматизирует работу с данными, но не может заменить эксперта в их структурировании и интерпретации.

Как подойти к подготовке данных перед внедрением ИИ:

1️⃣ Начните с инвентаризации источников данных:
Выявите все системы хранения в компании — от CRM и ERP до сетевых папок и облачных хранилищ. Фиксация форматов данных и ответственных за их актуальность формирует основу для построения единой точки доступа.

2️⃣ Унифицировать метаданные и систему атрибутов:
Определите общие классификаторы, теги и статусы для документов. Стандартизация атрибутов повышает точность поиска и последующего анализа данных ИИ.

3️⃣ Формализуйте процессы обработки информации:
Закрепите регламенты создания, согласования и архивирования документов. Четкие процессные маршруты снижают объем неструктурированной информации.

4️⃣ Обеспечьте интеграцию между системами:
Настройте безопасную передачу данных между репозиториями, выбрав подходящий способ интеграции: файловый обмен, общую базу данных, API или обмен сообщениями. Это необходимо для формирования целостной информационной среды.

5️⃣ Внедрите систему регулярного аудита качества:
Определите метрики для оценки актуальности и полноты данных. Это позволяет поддерживать высокий уровень доверия к результатам работы ИИ-системы.

Подготовка данных — это не разовое действие, а непрерывный процесс. Даже после запуска ИИ-система требует постоянного мониторинга и дообучения. Модель необходимо актуализировать на новых данных и калибровать в соответствии с изменяющимися бизнес-задачами. Без этого этапа даже изначально успешно внедренная система быстро теряет эффективность.