К2Тех

Переход на новую платформу меняет повседневные сценарии работы: поиск коллег, организацию встреч, обмен сообщениями и документами. Пользовательский опыт становится критически важным фактором: интерфейсы должны быть интуитивно понятными и привычными для сотрудников. Компаниям предстоит организовать обучение на типовых рабочих задачах и поддержку пользователей в период перехода.

Уход рабочего общения в неконтролируемые каналы отметили 42% респондентов. За пределами корпоративной среды компаниям сложнее контролировать доступ к рабочей переписке и документам, их хранение и передачу.

Отсутствие единого окна для почты, видеоконференций, мессенджера и пространств совместной работы отметили 37% респондентов. Такая же доля указала на необходимость модернизации инфраструктуры и связанные с ней риски миграции. При переходе на новые решения для корпоративных коммуникаций задача не ограничивается заменой отдельных продуктов: компаниям необходимо сохранить связи между сервисами и действующие рабочие процессы.

Часть респондентов использует от двух до четырех продуктов разных поставщиков. Вопрос интеграции сервисов поднимался и в исследовании К2Тех и VK Tech, опубликованном в мае 2026 года: 31% из более чем 800 участников назвали проблемой разрозненность инструментов и их несовместимость.

До внедрения ИИ-помощника первую линию обслуживал аутсорсинговый контакт-центр. На фоне растущего потока обращений «Петрович» искал решение, способное стандартизировать прием звонков и ускорить перевод клиента к профильному специалисту. Голосовой ИИ-помощник BSS взял на себя первичную обработку обращений и их маршрутизацию, полностью заменив аутсорсинговый контакт-центр. Система интегрирована с корпоративной телефонией и рабочим местом оператора. Робот анализирует все входящие звонки, определяет тематику звонка, задает уточняющие вопросы, переводит клиента на нужного специалиста и передает в АРМ оператора контекст диалога и собранную информацию по запросу.

В рамках проекта команда BSS и К2Тех проанализировала массив клиентских обращений, выделила тематики звонков и настроила сценарии диалогов голосового помощника. Специалисты реализовали уточняющие вопросы для повышения точности маршрутизации, автоматическое распределение звонков между группами операторов, а также инструменты no-code-настройки, которые позволяют команде заказчика самостоятельно дообучать робота и создавать новые сценарии обслуживания без привлечения разработчиков.

Отдельное внимание проектная команда уделила аналитике. Специалисты «Петровича» получили онлайн-мониторинг работы голосового помощника, детальную отчетность по каждому сценарию, а также инструмент для анализа диалогов и выявления нераспознанных либо новых причин обращений. Эти данные используются для последующей корректировки сценариев и дообучения модели.

В результате внедрения голосового ИИ-помощника время перевода клиента на нужного специалиста контакт-центра сократилось в 1,7 раза – с 53 до 30 секунд, а успешная маршрутизация звонков достигла 95%. При объеме более 8 тыс. звонков в день даже сокращение одного этапа диалога дает заметный эффект для клиентского опыта. Посетитель быстрее попадает к сотруднику, способному решить его вопрос, а оператор начинает разговор уже с необходимым контекстом. Глубокая аналитика позволила дополнить карту клиентских запросов и точнее развивать сценарии обслуживания.

Для ретейла скорость и точность первого контакта напрямую влияют на клиентский опыт, поскольку лишние переводы, повторные объяснения проблемы и некорректная маршрутизация создают риск потери заказа. Поэтому автоматизация первой линии контакт-центра становится не только инструментом оптимизации операционных процессов, но и способом управлять качеством сервиса.

30% респондентов отмечают сильный разрыв между ожиданиями руководства и реальностью: от ИИ ждут быстрых результатов, хотя данные и инфраструктура не готовы. У 49% компаний ожидания руководства лишь частично соответствуют текущим возможностям. Полное соответствие отметили 5% участников исследования. Оставшиеся 16% вообще не смогли оценить этот критерий. При этом управление ИИ не везде выстроено как отдельный процесс. В 19% компаний формально не закреплена ответственность за риски использования генеративного ИИ, а у 23% нет системного управления ИИ с политиками, ролями и контролем. Еще 30% оценивают эффективность такого управления без формальных метрик — по тому, как идет процесс.

Одно из препятствий для достижения быстрого и измеримого результата от внедрения ИИ — низкое качество данных. Для 30% оно стало главным барьером. Полностью готовыми свои данные считают лишь 5%. У 46% компаний они готовы частично и требуют доразметки, очистки или объединения из разных источников. Решение этих задач не всегда получает отдельное финансирование. В 37% компаний бюджет на управление данными и ИИ не выделяется — работы ведутся в рамках текущих ИТ-задач. У 33% респондентов бюджет вырос на 10–30%, и только 14% сообщили о заметном увеличении – более чем на 50%.

Дополнительный вопрос для промышленных компаний — готовность data-инфраструктуры к новым требованиям регулирования ИИ. Многие из них относятся к КИИ, поэтому требования закона распространяются на них. Полностью готовыми к нему считают себя 12% респондентов. Частично готовыми назвали себя 48%, им требуется доработка процессов и платформ. Еще 21% ожидают значительной трансформации data-ландшафта, а 19% на момент исследования еще не проводили оценку.

Ограничения есть и на уровне вычислений. Для 27% опрошенных именно недостаток мощностей стал главным из них. 24% арендуют GPU у сторонних провайдеров, 21% сочетают собственные мощности с облаком для пиковых нагрузок и еще 21% располагают собственными GPU-кластерами с достаточным запасом ресурсов. Для промышленных компаний это сигнал, что вычислительную инфраструктуру нужно планировать так же системно, как данные и управление ИИ-рисками, выбирая баланс между собственными, арендованными и гибридными ресурсами под конкретные сценарии. Иначе дефицит мощностей станет еще одной причиной, по которой ожидания руководства от ИИ не совпадут с реальностью, даже если данные и процессы уже частично готовы.

Еще одно ограничение — недостаток качественных специалистов и экспертизы. ИИ уже рассматривается как компонент операционной устойчивости, и 38% крупных компаний занимаются разработкой собственных ИИ-решений для внутренних процессов. При этом 75% из них не умеют делать их безопасными для бизнеса — их процессы не соответствуют стандарту управления безопасностью ИИ-разработки — MLSecOps. С управленческой точки зрения эти результаты демонстрируют разрыв: темпы внедрения ИИ уже опережают зрелость процессов, необходимых для контроля связанных с ним рисков. Рынок MLSecOps находится на этапе становления во всем мире, и компании пока не понимают, как защищать собственные ИИ-разработки самостоятельно, и предпочитают отдавать этот блок работ внешним подрядчикам.

ДИПО уже имела положительный опыт работы с K2 Cloud — облачный провайдер проводил сервисное обслуживание on-premise систем заказчика и поставлял межсетевые экраны UserGate. В результате был согласован перенос инфраструктуры в облако K2.

В ходе проекта команда K2 Cloud с помощью Hystax Acura выполнила миграцию виртуальных машин с предыдущей облачной платформы в «К2 Облако» на базе KVM. Параллельно осуществлялась миграция файлового хранилища, в рамках которой было перенесено около 2 Тбайт данных. На заключительном этапе был развернут виртуальный межсетевой экран UserGate и выполнена его интеграция с существующими on-premise решениями для обеспечения единой системы защиты.

Сложность проекта заключалась в переносе инфраструктуры в экстремально сжатые сроки. Фактически на процесс миграции без учета формальных процедур с документами было отведено пять рабочих дней. Для оперативного решения задачи K2 Cloud выделил дополнительную команду специалистов. В результате менее чем за неделю K2 Cloud перенес в облако виртуальные машины, файловый сервис, провел тестовую миграцию и завершил проект в срок. ДИПО смог бесшовно продолжить работу после отключения от облака предыдущего провайдера.