Представьте: вы заходите в корпоративную систему, набираете «покажи задачи по проекту Альфа за последний месяц, которые зависли в статусе «В работе» больше недели», и — получаете готовый список. Без лишних кликов, без изучения сложных фильтров, без переключения между вкладками. Звучит как фантастика? Для Московской биржи это стало реальностью.
В свежей статье на Habr разработчики биржи поделились, как они интегрировали языковые модели в свои внутренние инструменты — таск-трекер и корпоративную wiki. Результат впечатляет: экономия сотен часов в год на рутинных операциях и радикальное упрощение работы с данными. Разбираемся, как им это удалось и какие уроки можно извлечь для любого бизнеса.
Проблема: корпоративные системы не говорят по-человечески
Корпоративные wiki и трекеры задач — мощные инструменты. Но у них есть один фатальный недостаток: они требуют от пользователя знания своего «языка». Чтобы найти нужную информацию, нужно:
- Помнить точное название проекта или задачи.
- Знать, как правильно составлять фильтры (например,
status:in_progress AND project:Alpha AND created:>2026-06-01). - Переключаться между разделами и вкладками.
Как отмечают авторы статьи, это создаёт высокий порог входа. Новые сотрудники тратят дни на адаптацию, а опытные — часы на однотипные запросы. В результате ценная информация остаётся невостребованной, а продуктивность падает.
Решение: естественный язык как интерфейс
Команда Московской биржи пошла нестандартным путём. Вместо того чтобы учить людей работать с системой, они научили систему понимать людей. Они интегрировали большую языковую модель (LLM) прямо в интерфейс таск-трекера и wiki.
Как это работает на практике:
- Пользователь задаёт вопрос на естественном языке. Например: «Покажи баги, которые назначены на Петрова и не закрыты».
- Модель преобразует запрос в структурированный фильтр. Она понимает, что «баги» — это задачи с определённым типом, «назначены на Петрова» — это assignee, а «не закрыты» — это статус, отличный от Done.
- Система выполняет запрос и выводит результат. Всё происходит за секунды.
По сути, разработчики создали прослойку-переводчик между человеком и машиной. При этом модель не просто ищет по ключевым словам — она понимает контекст. Например, запрос «что делал Иванов на прошлой неделе?» будет интерпретирован как поиск всех задач, где Иванов менял статусы, добавлял комментарии или был назначен исполнителем в заданный период.
Техническая реализация: без «чёрного ящика»
Важный момент: авторы не стали строить «чёрный ящик», который сам решает, что показать. Модель работает в связке с существующими API и базами данных. Она генерирует код запроса (например, на JQL для Jira или SQL для базы wiki), который затем выполняется системой. Это означает:
- Прозрачность. Администратор всегда может проверить, какой именно запрос был сгенерирован.
- Безопасность. Модель не имеет доступа к данным напрямую — она только формирует запросы.
- Контролируемость. Легко отладить и исправить, если модель ошиблась.
Такой подход снижает риски, связанные с «галлюцинациями» языковых моделей. Даже если модель неверно интерпретирует запрос, она просто вернёт не те данные, а не выдумает их.
Результаты: сотни сэкономленных часов
Эффект от внедрения превзошёл ожидания. По оценке команды, каждый сотрудник экономит в среднем 15–20 минут в день на поиске информации и составлении отчётов. В масштабах биржи это выливается в сотни часов в год.
Но главное — не время, а доступность данных. Теперь аналитики, менеджеры и разработчики могут получать ответы на сложные вопросы без помощи администраторов систем. Например:
- «Покажи все инциденты за месяц, которые привели к задержке релиза».
- «Найди в wiki все регламенты, в которых упоминается процедура отката версии».
- «Сформируй список задач по проекту X, где дедлайн был нарушен более чем на 2 дня».
Раньше такие запросы требовали либо глубоких знаний системы, либо обращения к техподдержке. Теперь это делается за пару секунд.
А как же сложность? Не все вопросы одинаково полезны
Авторы статьи честно признают: не всё работает идеально. Самые простые запросы (вроде «мои задачи на сегодня») модель обрабатывает безошибочно. Но чем сложнее вопрос, тем выше вероятность ошибки. Например, запрос «покажи задачи, которые важны для отдела маркетинга, но не назначены ни на кого» может быть интерпретирован по-разному.
Чтобы минимизировать ошибки, команда использовала несколько приёмов:
- Обучение на реальных запросах. Модель донастраивали на исторических данных — реальных запросах пользователей к техподдержке.
- Обратная связь. Пользователи могут оценить качество ответа, и эти оценки идут в обучение.
- Подсказки. Если модель не уверена, она предлагает уточнить запрос или показывает несколько вариантов интерпретации.
Такой итеративный подход позволил постепенно повысить точность до 90% на типовых запросах.
Что это значит для рынка корпоративного ПО?
Кейс Московской биржи — яркий пример того, как LLM могут изменить взаимодействие с корпоративными системами. Мы привыкли, что для работы с трекерами и wiki нужно учиться. Но будущее — за интерфейсами, которые подстраиваются под человека, а не наоборот.
Уже сейчас многие платформы (например, Notion, Linear, ClickUp) добавляют AI-ассистентов, способных отвечать на вопросы на естественном языке. Однако глубокая интеграция с внутренними системами, как это сделано на бирже, пока встречается редко.
Это открывает новые возможности:
- Онбординг сотрудников сокращается с недель до дней — новичок может просто спросить «как оформить заявку на отпуск?» и получить пошаговую инструкцию из wiki.
- Аналитика становится доступной каждому — не только тем, кто умеет писать сложные SQL-запросы.
- Снижается нагрузка на техподдержку — пользователи реже обращаются с вопросами «как найти?».
Выводы
Статья Московской биржи — не просто технический отчёт, а манифест нового подхода к корпоративному ПО. Они доказали, что языковые модели могут не генерировать контент, а служить интеллектуальным переводчиком между человеком и машиной. И экономия времени здесь — лишь верхушка айсберга.
Главное — это смена парадигмы: не мы учимся работать с инструментом, а инструмент учится работать с нами. И если вы до сих пор не задумывались об интеграции AI в свои внутренние системы, возможно, стоит начать. Хотя бы с малого — научить свой таск-трекер отвечать на вопрос «что сегодня нужно сделать?».
Полную версию статьи с техническими подробностями можно прочитать на Habr: Источник.
Если вы хотите внедрить подобные решения в своей компании, обратите внимание на платформы, которые поддерживают интеграцию с корпоративными системами через API. ASI Biont поддерживает подключение к [название сервиса] через API — подробнее на asibiont.com/courses.
Комментарии