«Где котел?»: как один мем привел к нейротрансформации целой компании

Эта история — о том, как мы прошли свой путь от идеи до практической интеграции LLM в рабочие процессы группы компаний «Нетбелл».

Я мог бы сказать, что идея создать свою нейрокоманду родилась неожиданно, что она как будто витала в воздухе: многие думали об этом, но никто не решался ее озвучить. Но это было бы неправдой.

ИИ внедряют во многих компаниях. Это своего рода тренд и негласное обязательство для тех, кто в авангарде технологий. Благодаря большому опыту работы в ИТ мы видели много примеров, когда даже при наличии ресурсов и сильных стартовых условий результат все равно оказывался плохим. Либо компания в погоне за наполнением каталога ИИ-решений теряла эргономику, либо внедрение инструментов не только не снижало нагрузку на сотрудников, а наоборот, еще больше увеличивало ее.

Именно поэтому я поначалу скептически отнесся к инициативе одного из сотрудников. Илья руководит DevOps-направлением в компании. Он долгое время изучал инструменты и схемы и хотел опробовать их на практике. Именно его целеустремленность в конечном счете подтолкнула нас к этому эксперименту.

Для тестирования внутренней гипотезы мы выбрали наиболее сложную задачу, где болело сильнее всего, — цифровой профиль сотрудника.

Работая в ИТ, важно знать все о своих сотрудниках и кандидатах. А в ИТ-стаффинге часто наблюдается парадокс: чем лучше компетенции, тем слабее резюме. Раньше у нас был выделенный сотрудник, который занимался актуализацией информации, формированием цифрового профиля сотрудника, верификацией входных данных кандидата. И во многом это был ручной и кропотливый труд. А в итоге все равно встречались ошибки и, как следствие, необходимость вычитывать материал.

На основе прототипа мы собрали полноценную мультиагентную систему, которую назвали «Ботюме». Система, не искажая информацию, профилирует карту навыков сотрудника и его ключевые компетенции на основании данных резюме, сопроводительных писем, рекомендаций и профессиональных источников.

Это позволило раскрыть сильные и слабые стороны специалистов, наметить их путь развития, лучше комплектовать ИТ-команды, что видно в цифрах. Конечно, мы не ушли полностью от необходимости человеческого участия и ручной перепроверки, но трудозатраты кардинально снизились.

Этот кейс не только окупил затраты, но и дал возможность нейрокоманде под руководством Ильи идти своим путем развития.

Выбирая путь развития команды, можно углубиться в архитектуру: собирать суперскилловую команду и развивать ИИ-кластер. Это под силу только очень крупным компаниям — у них есть возможность поддерживать высокие риски и долгий срок окупаемости. Откровенно, мы такой подход сейчас не потянем.

Но работать в формате бесконечного тушения пожаров и лечения болей — не наш путь.

Мы добиваемся того, чтобы плоды ИИ-команды были не отдельным инструментом, а замещали целую роль — мы создаем нейросотрудников. Мы создаем стабильные переиспользуемые решения для конкретных задач с измеримой эффективностью и окупаемостью. Это работает, и это мы тиражируем.

Мы долго думали, какой должна быть эта команда: чтобы не ждала задач, а сама предлагала, какие процессы оптимизировать, в какие решения привнести скорость. Поэтому при выборе людей в команду для нас ключевыми были способность к автономной работе и готовность вести процесс за собой. Оказалось, что внутренний спрос действительно есть — потребности стали расти очень быстро.

В нейрокоманде нет жесткой ролевой структуры: мы решили, что в конечном счете это только снизило бы скорость. На старте костяк состоял из двух ребят, которые совмещали эту инициативу со своими основными ролями в компании. Техническим лидером стал DevOps-инженер (носитель экспертизы), а бизнес-заказчиком — руководитель блока коммерции.

Чуть позже к команде присоединились два разработчика-джуниора и еще один DevOps-инженер уровня мидл, и сейчас команда продолжает расти. У ребят была хорошая база, но не было опыта внедрения ИИ в бизнес-процессы. Поэтому обучение сразу стало боевым — учились на практике.

Сейчас мы работаем над тем, чтобы свести разрозненные сервисы в единую точку входа и интегрировать их с внутренними продуктами.

Наша цель — из внутренних решений вырастить переиспользуемые продукты для рынка.

Команда постоянно учится: курсы, статьи, практика. Ребята уже гораздо лучше строят мультиагентные системы.

Несмотря на активное развитие, мы четко понимаем: нейросетям нельзя отдавать процесс целиком. За результатом должен следить человек.

Мы хорошо умеем автоматизировать и оркестровать процессы. Но важно измерять качество в продакшене — понимать, что результат действительно работает. LLM не дает стопроцентной гарантии. Поэтому критически важно работать со входными данными.

Не менее важная тема — безопасность в ИИ. Нужно научиться правильно закрывать уязвимости, чтобы выйти на новый этап зрелости команды.

Первый эксперимент состоялся летом 2025 года. За это время мы смогли перейти из демо-режима в реальные бизнес-процессы. Инициативы в компании рождаются снизу и доводятся до результата, а инженерная дисциплина остается высокой — без энтерпрайз-тяжести. Главное, что наши предложения действительно ускоряют и оптимизируют процессы и это можно посчитать в деньгах.

Уже сейчас мы разработали и запустили ряд продуктов и сервисов на основе ИИ. Эти инструменты позволяют оптимизировать работу с потоком резюме, повысить эффективность проведения ассессмента, увеличить конверсию воронки найма на каждом этапе и упростить работу с CRM-системой.

ИИ в наших процессах не столько заменил ручной труд, сколько усилил процессы там, где простые фильтры не работают. Первый опыт дал основу для переосмысления стаффинга в компании. Вследствие этого в 2025 году мы стартовали разработку инновационного сервиса «Деловто», в котором процессами управляют нейросотрудники, а необходимость человеческого участия в операционных задачах сведена к минимуму.

Без промахов, конечно, не обходится. Типичный кейс: заказчику кажется, что нужен ИИ, а на самом деле проблема в людях или в данных. И решать ее нужно совсем иначе.

В команде до сих пор помнят ситуацию, которая стала корпоративным мемом.

Мы работали над системой автоматизации для работы с заявками. Внутри ее окрестили «Котлом» — настолько прочно это слово вошло в сленг. На старте внутренний заказчик принес описание: довольно сложное и, как выяснилось позже, не соответствующее исходной задаче.

Из-за искаженных требований сроки исполнения, ожидаемо, затянулись. А руководитель постоянно приходил и спрашивал: «Где котел? Где котел?» И никак не мог понять, почему он до сих пор не готов. Он просто не знал всего скоупа требований, который получила наша команда на входе из разных источников.

А когда мы наконец завершили работу и прояснили ситуацию со сроками и вводными — это был полный котел! Так и пошло.

Главный совет: не стартуйте с позиции «давайте просто прикрутим LLM». Начинать надо с боли и процесса. Технологии искусственного интеллекта — это усилитель. Если усиливать хаос, вы сделаете его только больше. Поэтому сначала разберитесь с процессом, а потом уже внедряйте ИИ.

Делайте для реального эффекта, а не для заголовка. Не устраивайте зоопарк экспериментов. Соберите отдельную команду — пусть небольшую, хотя бы два человека, и необязательно с высочайшей экспертизой. Важнее, чтобы они не просто «вкрутили» ИИ, а поняли процесс и довели начатое до конца.

Упрощайте. Не нужно городить сложное решение. Часто простое, но надежное работает лучше, чем архитектура ради архитектуры. Скорость без надежности — это бесконечные аварии. С самого начала закладывайте метрики, наблюдаемость, мониторинг, безопасность и четкое понимание функций и ответственности.