Новости

Основной склад «Л.Арго» площадью более 8 тыс. кв. м находится в Домодедово и обеспечивает поставки в торговые сети по всей России. По мере роста бизнеса и складских оборотов возможности прежней системы управления складом перестали соответствовать задачам. Компании требовалось решение, способное поддерживать растущие объемы операций и дальнейшее развитие складской логистики. Дополнительным стимулом для перехода на новую систему управления складом стали расширения перечня требований к маркировке товаров для детей в рамках системы «Честный знак». Для «Л.Арго» было важно заранее подготовить складские процессы к новым требованиям: обеспечить прослеживаемость продукции, контроль партий и сроков годности, а также создать технологическую основу для взаимодействия с ГИС МТ «Честный знак».

Для решения этих задач компания выбрала «1С:WMS Логистика. Управление складом», а реализацию проекта доверили «Корус Консалтинг». Команда проекта обследовала складские бизнес-процессы и спроектировала переход с прежней системы управления складом. Затем были настроены процессы адресного хранения, приемки и размещения продукции, сборки и отгрузки заказов, а также контроль партий и сроков годности. Кроме того, специалисты разработали интеграцию 1С:WMS с ERP-системой «Бухта» со стороны WMS. В результате «Л.Арго» объединила складские операции и корпоративную учетную систему в едином информационном контуре и сократила объем ручной работы при передаче данных между системами.

Отдельного внимания на этапе опытной эксплуатации потребовала работа с маркировкой. Для таких проектов особенно важно проверить все сценарии непосредственно в условиях реальной работы склада – от приемки и отгрузки до корректности обмена данными с внешними системами.

Обследование логистических процессов и настройка 1С:WMS шли параллельно. Благодаря этому специалисты «Л.Арго» могли проверять спроектированные процессы непосредственно в системе еще до промышленного запуска и уточнять требования по ходу проекта. Отдельное направление работ команда посвятила складской аналитике. В 1С:WMS установили и настроили подсистему для контроля ключевых показателей склада. Теперь сотрудники «Л.Арго» могут отслеживать выполнение операций, анализировать их результаты и выявлять отклонения на основе актуальных данных системы.

Переход на новую систему затронул не только технологии, но и привычные сценарии работы сотрудников склада. Поэтому на этапе запуска специалисты интегратора сопровождали пользователей, помогали разбирать возникающие вопросы и адаптироваться к новым логистическим процессам. Одним из показателей успешного перехода стало расширение круга пользователей WMS: с новой системой начали работать и сотрудники, которые ранее не использовали ее в ежедневной работе. Это позволило вовлечь больше специалистов в работу непосредственно в системе и сократить зависимость отдельных операций от привычных ручных сценариев.

Ранее операторы «РКС-энерго» дистанционно обслуживали клиентов посредством IP-телефонии на основе Asterisk. Отсутствие «единого окна» ограничивало оперативный доступ к полному профилю клиента во время разговора, а также затрудняло централизованное управление нагрузкой операторов и контроль качества клиентского сервиса.

Технологической основой проекта стала платформа Naumen Contact Center, а в качестве партнера выступил «ОБИТ». Его специалисты обеспечили внедрение платформы, настройку интерактивного голосового меню (IVR) и автоматической маршрутизации вызовов, рабочих мест операторов и супервизоров, инструментов формирования отчетности. Особое внимание было уделено интеграции платформы с системой «1С:Биллинг», которая используется для работы с клиентскими данными. Двусторонний обмен информацией между системами реализован с помощью корпоративной сервисной шины данных Datareon ESB.

После завершения настройки платформа прошла комплексное нагрузочное тестирование и опытную эксплуатацию. Параллельно команда проекта обучила сотрудников работе в новой системе. Все компоненты решения развернуты в on-premise инфраструктуре.

Теперь при поступлении звонка оператор получает полную информацию о клиенте, включая данные по договору, приборам учета электроэнергии, платежам. В едином рабочем интерфейсе оператор может редактировать данные и передавать информацию в другие отделы для дальнейшей обработки обращений, не переключаясь между несколькими системами.

Проект также позволил стандартизировать обработку звонков, поступающих на разные номера — все входящие звонки проходят через интерактивное голосовое меню, где клиент может автоматически получить ответы на ряд стандартных вопросов без привлечения оператора. При нахождении в очереди голосовой помощник информирует клиента о статусе ожидания.

Руководители, в свою очередь, получили возможность отслеживать качество клиентского сервиса по ряду метрик: автоматический расчет показателей времени ожидания и ответа, информация о вызовах в очереди и их продолжительности и др. По итогам проекта среднее время обработки клиентских обращений сократилось на 40%, а показатель уровня обслуживания составляет более 80%. Новая платформа позволяет автоматизировать типовые сценарии обслуживания, повышать качество клиентского сервиса и последовательно развивать контакт-центр.

Более 130 продуктовых команд «Лемана ПРО» соприкасаются с клиентскими данными в разных контекстах – от заказов и MDM до сайта, мобильного приложения и программы лояльности. Раньше для работы с каждым сегментом специалисты обращались к аналитикам и ждали выгрузку около недели. Проверка качества данных была отдельной ручной операцией и занимала еще до трех дней после сбора.

Платформу CleverData Join развернули во внутреннем ИТ-контуре, чтобы избежать передачи чувствительных сведений внешним сервисам. В CDP интегрировали данные сайта, мобильного приложения, чеков, офлайн-магазинов и CRM – всего более 50 систем. На их основе собран единый профиль клиента и домохозяйства. Контроль качества данных теперь срабатывает автоматически: DQ-логика надстроена поверх CDP. Собранную аудиторию не нужно выгружать вручную: она в один клик попадает в CVM-модуль, где кампания начинается сама.

CDP работает в «Лемана ПРО» как хаб данных, на базе которого действуют ML-модели. Например, модель склонности к проекту определяет, какое помещение клиент планирует ремонтировать следующим (кухню, ванную или спальню), и подсказывает конкретный магазин, в который он, скорее всего, обратится. Это позволяет начать персонализированное взаимодействие еще до момента покупки. ИИ также определяет предпочтительный канал и время коммуникации: у одних клиентов конверсия в почте втрое выше, чем в push-уведомлениях, у других – наоборот.

На данный момент компании удалось добиться роста конверсии из клика в заказ в полтора раза и роста объема персональных коммуникаций с клиентами в три раза. Срок подготовки и запуска маркетинговой кампании операционной командой сократился с двух недель до трех дней. Если раньше на создание нового аудиторного признака аналитик тратил около недели, то теперь задача занимает 1-3 дня.

Платформу используют подразделения маркетинга, аналитики и омниканальные продуктовые команды компании. Коммуникации с клиентами осуществляются через email, телефонные звонки и push-уведомления.

Согласно исследованию, проведенному Postgres Professional, 92% компаний уже рассматривают аналитику как стратегический ИТ-актив либо целенаправленно развивают ее в этом качестве. При этом 80% респондентов продолжают использовать зарубежные аналитические решения — активно или для отдельных задач.

Аналитика стала одним из драйверов ИТ-инвестиций: 36% опрошенных компаний увеличили бюджеты на нее за последние два года. При выборе решений компании учитывают не только стоимость лицензий, но и совокупную стоимость владения аналитическим стеком.

Как отмечают аналитики, сегодня компании все внимательнее считают полную стоимость владения аналитического стека: помимо лицензий, она включает внедрение, интеграцию, масштабирование, поддержку и работу смежных команд. Поэтому при выборе аналитической СУБД на первый план выходит способность решения ускорять работу с данными и одновременно делать эксплуатацию более простой и предсказуемой.

Переход к новым аналитическим платформам определяется не только задачами импортозамещения. 47% участников исследования называют производительность на больших объемах данных главным триггером для перехода на новую аналитическую СУБД.

Таким образом, компании оценивают аналитические СУБД по практическому эффекту: способность работать с растущими объемами данных, встраиваться в действующий ИТ-контур, масштабироваться без остановки процессов и обеспечивать прогнозируемую стоимость эксплуатации — все это становится весомее абстрактных технических характеристик при выборе решения.

Торговая точка открылась летом 2026 года в IQ-квартале делового центра «Москва-Сити». При оснащении магазина особое внимание было уделено цифровым инструментам, которые помогают автоматизировать повседневные операции сотрудников и сделать процесс выбора товаров более удобным для покупателей. В рамках проекта дистрибьютор OCS поставил цифровые решения для оформления торгового пространства, автоматизации операционных процессов и взаимодействия с покупателями.

Для оформления торгового пространства были установлены видеостена и цифровые панели от ведущих производителей, часть из которых были кастомизированы специально для проекта. Они используются для размещения рекламного и навигационного контента и позволяют оперативно обновлять информацию без использования печатных материалов.

Из основных особенностей флагмана — наличие цифрового сомелье на основе искусственного интеллекта. Воспользовавшись цифровой панелью, покупатель сможет с помощью ИИ подбирать вино с учетом своих вкусовых предпочтений, под конкретное блюдо или в подарок. Модель BB разработана и обучена специально для «ВинЛаб» и учитывает актуальный текущий ассортимент магазина.

Для автоматизации операционных процессов используются мобильные принтеры Bixolon XM7-30 и терминалы сбора данных Bluebird S10. С их помощью сотрудники выполняют приемку и переоценку товара, маркировку продукции, аудит, замену ценников непосредственно в торговом зале. Использование этих устройств позволяет сократить время выполнения таких операций примерно в четыре раза.

В магазине также используется робот-промоутер Industry F, который перемещает товары в торговом зале и привлекает внимание покупателей к отдельным категориям продукции. За поддержание чистоты отвечает робот-поломойщик. Использование роботизированных решений позволяет сети «ВинЛаб» передать технике часть рутинных операций, снизить нагрузку на сотрудников магазина и сократить затраты на фонд оплаты труда.

Кроме поставки решений, специалисты OCS участвовали в подборе устройств с учетом задач и технологических требований проекта, консультировали по вопросам их применения, взаимодействовали с производителями и тестировали оборудование перед вводом в эксплуатацию. При выборе решений эксперты учитывали требования к надежности, условиям эксплуатации, сроку службы и экономической эффективности.

Как отмечают в iKS-Consulting, замена зарубежных решений сохраняет влияние на динамику рынка, но дальнейший рост будет определяться развитием сформированного российского ИТ-стека, инвестициями в данные и ИИ, облачные технологии, автоматизацию и модернизацию инфраструктуры. Следующий этап импортозамещения будет связан уже не столько с замещением отдельных зарубежных продуктов, сколько с совместимостью российских решений, зрелостью архитектуры и возможностью формировать из отечественных продуктов полноценные технологические стеки.

Один из главных структурных сдвигов — опережающий рост технологического ПО относительно прикладного. Технологическое ПО становится основным источником прироста рынка. К 2031 году технологические классы (информационная безопасность, системное и инфраструктурное ПО, средства разработки и управления данными) обеспечат около 60% всего прироста рынка ПО. При этом их доля на рынке ПО увеличится с 51% до 55%.

Усложнение ИТ-ландшафта одновременно создает новые продуктовые ниши. В информационной безопасности, например, формируются самостоятельные классы решений, связанные с мониторингом и защитой данных. DSPM — один из примеров такого класса решений.

ИИ переходит от экспериментов к встраиванию в корпоративный контур

ИИ не просто создает новый спрос – он перераспределяет ИТ-бюджеты. Растет потребность в платформах данных, средствах разработки, инфраструктурном ПО, решениях по информационной безопасности и новой функциональности прикладных систем. Одновременно автоматизация оказывает давление на типовую разработку, тестирование и ресурсную модель, основанную на продаже человеко-часов.

Таким образом, ИИ постепенно становится не отдельным сегментом рынка, а новым функциональным слоем российского ИТ-стека, который одновременно меняет спрос на программные продукты и экономику их разработки и внедрения.

Меняется модель рынка ИТ-услуг

Автоматизация разработки повышает производительность команд и ограничивает потенциал роста ресурсной модели сервисного бизнеса. Спрос смещается от предоставления ресурсов и типовой разработки к архитектуре, сложной интеграции, данным, ИИ, DevSecOps и специализированной экспертизе.

Одновременно усложняется конкурентная среда: крупные ИТ-группы расширяют продуктовые портфели и формируют платформы, однако специализированные вендоры сохраняют сильные позиции в сегментах, где ключевыми преимуществами остаются глубина функциональности и технологическая экспертиза.

Попадание инородных тел в поток руды, поступающий на участок дробления, – классическая проблема горнодобывающих и перерабатывающих предприятий. Твердосплавные куски металла и неметаллические засоряющие тела – например, крупные куски деревянных балок – могут стать причиной выхода из строя или остановки дробильного оборудования. Такие инциденты влекут внеплановые простои и потери для бизнеса.

Решение представляет собой классическую систему видеоаналитики. В отличие от систем, построенных с применением металлоотделителей, данная технология позволяет детектировать не только металлические, но и иные инородные предметы. Система включает камеры, инфраструктуру для их работы и самоочищающиеся кожухи, которые исключают необходимость ручной протирки оптики над конвейером. Передача данных организована по проводным каналам связи в соответствии с высокими требованиями отказоустойчивости. Программное обеспечение видеоаналитики построено с применением нейросетей и является собственной разработкой объединенной команды Рексофт и «Норникеля».

Качество работы системы рудозасорения оценивается по трем классическим метрикам видеоаналитики: Precision, Recall и интегральной метрике F1. Precision оценивает количество ложных срабатываний. В рамках приемо-сдаточных испытаний по двум объектам из трех Precision составил 100% – ни одного ложного срабатывания, на третьем объекте – 95%. Recall показывает точность работы системы и по разным объектам составил от 90% до 98%. Интегральная метрика F1 на трех предприятиях составила от 0,96 до 0,98. Помимо обнаружения рудозасоряющих тел, в проекте также реализован функционал определения возможных дефектов конвейерной ленты – порезов, пробоев и глубоких царапин.

Кроме того, система включает веб-интерфейс и дашборды. Их ключевые пользователи – непосредственно выборщик, а также руководители производственных подразделений, для которых предусмотрены отдельные вкладки со статистикой по предприятию, переделу и цеху. Верхнеуровневый дашборд позволяет руководству Заполярного филиала оценить общее количество рудозасоряющих тел за выбранный период, их классы и другие параметры. Отдельные камеры системы также фиксируют присутствие персонала у конвейера.

Решение применимо для любых горнодобывающих и перерабатывающих компаний, поскольку проблема рудозасорения общая для отрасли, и масштабы ее разнятся в зависимости от особенностей добычи. Кроме того, функционал определения дефектов конвейерной ленты универсален для любых производств, где есть конвейер. Технологию возможно использовать и за пределами горной добычи – в непрерывных производствах, нефтехимии и химии, а также в дискретных производствах и непроизводственных сферах, поскольку задачи анализа инородных тел в потоке и поведения человека схожи.

76% казахстанских директоров по информационной безопасности ожидают, что в период с 2025 по 2028 год злоумышленники начнут использовать новые, более эффективные способы кибератак. При этом руководителей сильнее беспокоит то, как сотрудники применяют ИИ, чем защита самих ИИ-моделей от внешних атак.

Основной риск связан с так называемым «теневым ИИ» – использованием публичных сервисов без согласования с ИТ-службой и подразделением информационной безопасности. В запросы к таким системам могут попадать корпоративные документы, персональные данные и сведения, составляющие коммерческую тайну. Компания при этом не всегда знает, какие нейросети используют сотрудники и сохраняются ли введенные данные на стороне поставщика.

Для контроля предлагается создать реестр разрешенных ИИ-моделей, журналировать запросы и ответы, а также отслеживать передачу чувствительной информации. Системы предотвращения утечек данных (DLP) можно настраивать на обнаружение попыток загрузить корпоративные сведения в публичные сервисы. Для конфиденциальных данных компании могут использовать закрытые модели.

Также рекомендуется учитывать все используемые ИИ-сервисы и фиксировать взаимодействие с ними. При разработке внутренних правил компании могут опираться на стандарт управления ИИ ISO/IEC 42001, рамочную модель управления рисками ИИ NIST AI RMF и перечень уязвимостей приложений на базе больших языковых моделей OWASP Top 10 for LLM Apps.

Опрос отражает обеспокоенность руководителей, но не позволяет оценить число фактических утечек: открытой статистики по Казахстану пока нет. Поэтому компаниям важно не ждать появления подтвержденных инцидентов, а заранее учитывать ИИ-сервисы в общей системе контроля внешних приложений и определять правила передачи данных.

В офисах RBI работают около 500 сотрудников, это определяет высокие требования к качеству кадрового учета и планирования ФОТ. Перед интегратором ROXIT стояла задача перенести кадровый учет и бюджетирование ФОТ в контур «1С:ЗУП КОРП», сопоставив процессы компании с возможностями типового решения. Проект включал два основных этапа: первый — аудит, моделирование целевых сценариев в системе и фиксацию функциональных разрывов, второй — разработка дополнительной функциональности ЗУП, перенос данных и настройка системы с учетом задач RBI, обучение персонала и запуск решения в эксплуатацию.

На этапе моделирования специалисты продемонстрировали ключевые объекты и функциональные блоки системы: карточку сотрудника, кадровые документы, штатное расписание, документы по отсутствиям, кадровый план, настройки начислений и формирование бюджета ФОТ. Такой подход позволил команде RBI заранее оценить, какие задачи решаются за счет встроенных возможностей системы, а какие потребуют доработки типового решения с учетом специфики компании.

По итогам проекта кадровый учет, штатное расписание, расчет заработной платы и бюджетирование ФОТ в RBI работают в едином контуре на базе «1С:ЗУП КОРП». Кадровые данные перенесены в общую систему, бюджетирование расходов на персонал реализовано и принято на тестовом контуре, а расчет мотивационных начислений, который прежде велся вручную в Excel параллельно с расчетом в системе, автоматизирован. В итоге компания получила инструмент для формирования бюджета, расчета показателей корпоративной системы мотивации и план-фактного анализа расходов на персонал. В ROXIT отмечают, что команда сознательно придерживалась курса на использование типовой конфигурации с минимальными доработками — такой подход снижает совокупную стоимость владения системой и упрощает ее последующие обновления.

На следующем этапе сотрудничества ROXIT будет сопровождать RBI при первом формировании бюджета: консультации функционального архитектора призваны снизить риски перехода от тестового к рабочему режиму. Среди дальнейших возможных направлений развития — полный отказ от параллельного расчета мотивации в Excel, интеграция управленческого учета ФОТ с «1С:ЗУП» и «1С:Бухгалтерией», а также переход на кадровый электронный документооборот (КЭДО).

Вместо того чтобы вручную вводить каждое название на сайте лаборатории, пользователь фотографирует назначение и загружает его в сервис. Агент распознает список, находит соответствующие исследования Lab4U, проверяет, доступны ли они в нужном городе и сколько времени займут, а затем формирует ссылку на готовую корзину.

Другой вариант – если пациент вообще не знает названий исследований. Например, пользователь может написать «хочу проверить щитовидную железу» или «хочу пройти базовый чекап». ИИ подберет исследования, объяснит свой выбор, сверится с каталогом и соберет корзину. Если выбранные анализы входят в готовый комплекс, агент может предложить его и объяснить, какие дополнительные исследования помогут дополнить обследование.

Для связи ИИ с лабораторией используется Model Context Protocol (MCP). Это открытый протокол, позволяющий ИИ обращаться к внешним сервисам и использовать предоставленные ими инструменты. При этом ИИ не получает от Lab4U результаты ранее выполненных анализов пациента. Компания не планирует передавать такие данные сторонним ИИ-сервисам. Персональные данные также не нужны для подбора исследований, пользователь вводит их непосредственно на сайте Lab4U уже при оформлении заказа.

Главное отличие сервиса от обычного поиска на сайте состоит в том, что человеку не нужно заранее знать точное название исследования и самостоятельно сопоставлять позиции каталога, а отличие от обычного медицинского чат-бота – в возможности обратиться к актуальной системе лаборатории. Чат-бот может дать текстовый ответ или рекомендацию, но сам по себе не знает, какие исследования доступны сейчас в конкретном городе. Новый сервис позволяет ИИ получить эти сведения непосредственно из каталога и перейти от ответа к действию – сформировать реальный заказ.

Например, если пользователь отправит агенту назначение на ТТГ, свободный Т4 и антитела к ТПО, ИИ сможет найти соответствующие исследования в каталоге, проверить их доступность в городе пользователя и собрать корзину. Если же человек напишет «хочу проверить щитовидку», ИИ сначала определит, какие исследования соответствуют задаче, а затем проверит их наличие в Lab4U.

Сейчас ИИ-агентам доступны сведения о 780 анализах и комплексах в 144 городах. Lab4U передает только фактическую информацию из своего каталога: доступные исследования, комплексы и сроки их выполнения. Подбор исследований и объяснение рекомендаций выполняет сам ИИ.

Во время внутреннего тестирования сервис проверили на 132 сценариях, основанных на реальных обращениях клиентов: назначениях врача, запросах на чекапы и подборе исследований по жалобам. В финальной версии при просьбе оформить заказ агент формировал корзину в 92% тестовых сценариев, а ее состав соответствовал эталонной рекомендации в 90%. Для тестирования использовались модели OpenAI и Anthropic. Результат при этом зависит в том числе от возможностей конкретной ИИ-модели.

Сервис также можно подключать к корпоративным ИИ-агентам клиник, страховых компаний и телемедицинских сервисов. В дальнейшем Lab4U планирует добавить поиск ближайшего медицинского центра, запись на конкретное время, получение статуса заказа и повторный заказ.