Опубликовано: 18 сентября 2026 · Источник: TAdviser
ВероникаКакую бизнес-проблему решает проект и почему он оказался значим для RWB?
Вероника Ярмак: Мы разрабатываем полноценный продукт для качественных исследований клиентского опыта в интересах центра исследований RWB. Архитектура решения предполагает 17 агентов, каждый со своей функциональной ролью — от поиска и обобщения информации до подготовки итоговой отчетности.
На сегодняшний момент реализовано шесть ИИ-агентов: «Контекстный ресерчер», «Методолог», «Конструктор анкеты», агент защиты персональных данных и соблюдения политик конфиденциальности, «Аналитик, готовящий отчетность» и «Кодировщик открытых ответов».
Именно последний агент закрывает наиболее острую операционную задачу. «RWB Исследования» проводят более 200 исследований в месяц, и значительная часть этой работы связана с анализом десятков тысяч открытых комментариев покупателей. Без автоматизации срочная кодировка ответов для отчетов практически недостижима: ручная классификация занимает от нескольких дней до недели, тогда как решение требуется для срочных проектов — двух-трех отчетов в неделю и для еженедельных внутренних трекингов, где нужен быстрый результат.
Почему было принято решение публично сопоставить отечественное ИИ-решение с зарубежными аналогами?
Вероника Ярмак: Потому что ключевой вопрос, стоявший перед RWB, касался доверия: можно ли совместить скорость и возможности современных ИИ-технологий с требованиями к защите информации и качеству исследований. Такой вопрос не закрывается презентацией — нужен был проверяемый результат на реальных, а не синтетических данных. Поэтому мы сознательно выбрали формат пилота с открытым сравнением: тестировалась обработка анонимизированных открытых ответов покупателей по действующим исследованиям клиентского опыта, причем по двум сценариям — автоматическое формирование категорий и работа по заранее подготовленному экспертами классификатору.
Расскажите о технологической основе решения. На какой платформе и на каких моделях построен агент?
Вероника Ярмак: Разработка ведется на платформе для внедрения и промышленной эксплуатации ИИ-агентов Neoflex Neon при участии нашего технологического партнера компании Neoflex. Платформа позволяет гибко подключать разные классы моделей: российские, open-source и проприетарные международные. Neoflex Neon объединяет в себе модули для безопасного и контролируемого использования генеративного ИИ на уровне организации: от проверки гипотез и разработки до мониторинга, тестирования, масштабирования.
Почему принципиально важно, что решение можно развернуть на российских и open-source моделях, а не только на зарубежных?
Вероника Ярмак: Потому что применение решения в защищенном контуре обеспечивает безопасную обработку данных без передачи клиентской информации во внешние публичные сервисы. Для компании, работающей с чувствительными данными покупателей, это обязательное требование. Модель локального развертывания позволяет применять решение в организациях, для которых передача данных в облачные зарубежные сервисы недопустима в принципе.
Какие задачи агент выполняет автономно, а какие требуют участия человека?
Вероника Ярмак: Агент «Кодировщик открытых ответов» автономно принимает структурированный Excel-файл с анонимизированными открытыми ответами либо запрашивает данные из базы под конкретную задачу, анализирует тексты и работает по одному из двух сценариев. Первый формирует предварительный кодфрейм bottom-up на основе семантики ответов, если готового классификатора еще нет. Второй кодирует ответы по заранее заданному экспертному кодфрейму. В автономную часть входит чтение массивов данных, отнесение каждого ответа ко всем применимым категориям, определение тональности и подготовка итогового результата — вплоть до записи в установленное место или рассылки по нужному каналу связи.
Зона ответственности человека начинается на следующем этапе. Исследователь формулирует исследовательскую цель и кодфрейм, выбирает сценарий, валидирует спорные случаи, объединяет дублирующиеся или пересекающиеся категории и интерпретирует результаты для бизнеса. Итоговый отчет и рекомендации в любом случае всегда утверждает исследователь — это фиксированная точка контроля.
Уровень автономности агента мы определяем как полуавтономный с обязательным экспертным контролем результата. Кодировка по существующему кодфрейму выполняется автоматически и фактически готова к использованию, однако человек проверяет пограничные и неоднозначные ответы, контролирует соблюдение логики кодфрейма и утверждает итог. В сценарии bottom-up агент самостоятельно формирует предварительную классификацию, а исследователь объединяет близкие категории, отсекает шумовые и уточняет формулировки. В среднем доля автономных операций составляет около 85%, но показатель зависит от конкретной задачи.
Приведите пример конкретного сценария применения агента — от постановки задачи до результата.
Вероника Ярмак: Типовой сценарий — срочная подготовка аналитики по обратной связи покупателей и продавцов в рамках стратегического исследования. Исследователь формулирует задачу, готовит Excel-файл установленной структуры и выбирает режим «кодировка по существующему кодфрейму». Агент загружает анонимизированные открытые ответы, предварительно пропустив их через модуль очистки персональных данных, после чего сопоставляет каждый текст с одной или несколькими из заданных категорий.
На реальных данных RWB была протестирована обработка анонимизированных 9217 ответов по двум вопросам, из них контрольная выборка составила 1100 ответов. В режиме по готовому кодфрейму использовались 18 категорий, средняя уверенность модели составила 85%, то есть именно в этой доле случаев результат совпал с оценкой Grok или Opus 4.7 либо оказался лучше. В режиме bottom-up агент самостоятельно построил 20 категорий со средней уверенностью 86%. На ручную проверку пограничных случаев — ответов с уверенностью модели ниже 0,75 — пришлось от 5 до 12% массива вместо стопроцентной ручной разметки. По скорости обработки: 1000 ответов обрабатываются за 8-10 минут, месячная волна из 20 тысяч ответов требует около трех часов машинного времени.
Какой тип эффекта от внедрения ИИ фиксирует компания и в каких показателях он выражается?
Источник: TAdviser · Оригинал статьи: Вероника Ярмак, «RWB Исследования» — о том, как 17 ИИ-агентов изменили работу исследователей и окупили проект за 4 месяца
