Ежедневные новости

Всего на вакансии сети «Самолет Плюс» на должность агентов по недвижимости откликается больше 400 тыс. кандидатов в год. Около 40% из них, по оценке компании, готовы проходить отбор с помощью ИИ.

ИИ‑рекрутер проводит текстовые интервью, оценивает мотивацию, опыт и соответствие требованиям, классифицирует соискателей и передает подходящих на следующий этап. Все это позволяет сократить время предварительного отбора минимум в два раза. Высвободившееся время HR‑команда направляет на адаптацию и обучение новых сотрудников, а партнеры сети могут сосредоточиться на ключевых бизнес-метриках: работе с клиентами и проведении сделок.

В дальнейшем планируется, что ИИ-рекрутер сможет также проводить эмоциональный анализ и HR-скоринг кандидатов, поможет интегрировать новичков в процессы адаптации, обучения и построения карьерных треков. ИИ‑рекрутер — часть планомерного внедрения искусственного интеллекта в процессы группы «Плюс».

Как отмечает Максим Шумков, директор по внедрению ИИ в группе «Плюс», внедрение автоматизации в рекрутинг — один из элементов ИИ-стратегии, которая подразумевает кратный рост производительности как сотрудников группы, так и специалистов сети «Самолет Плюс». Цель развития ИИ – чтобы специалисты могли сосредоточиться на действительно важных задачах. Компания уже использует ИИ в юридической и операционной службах, а также запустила первую ИИ‑платформу для риелторов AI Plus, которая позволяет агентам по недвижимости автоматизировать рутинные задачи и повысить эффективность работы, то есть совершать больше сделок.

Клиентская поддержка ОТП Банка обрабатывает более 400 тыс. текстовых обращений по 260 тематикам в месяц. Анализ такого объема информации занимает много времени специалистов, поэтому банк автоматизировал этот процесс с помощью сервиса для речевой аналитики Yandex SpeechSense. Так, в ходе пилота за семь дней было проанализировано больше 29 тыс. диалогов с клиентами – это в 30 раз быстрее, чем при ручной работе трех сотрудников.

Инструменты для анализа коммуникаций, такие как Yandex SpeechSense, помогли ОТП Банку повысить качество работы поддержки. Система автоматически определяет тематику обращений, распределяет их по группам и выделяет в диалогах значимые смысловые блоки. Такой подход помог банку выявить направления для улучшения клиентского опыта.

Второй пилотный проект был направлен на автоматизацию клиентских консультаций с помощью ИИ-агента на основе YandexGPT. Агент отвечал на обращения клиентов в чатах мобильного приложения по 30 популярным темам, таким как частичное досрочное погашение кредита, разъяснение условий льготного периода и другие. Бот фактически без ошибок ответил на 60 тыс. запросов, в связи с чем индекс удовлетворенности клиентов (CSI) вырос на 0,2 из 10 пунктов. Кроме того, уровень автоматизации обработки диалогов увеличился до 8%. Лучше всего ИИ-агент работал в сценариях, где клиенту требовалось дать подробное пошаговое пояснение или уточнить ранее полученную информацию. В планах банка – расширить применение нейросетей для обработки более сложных запросов и системной работы с обратной связью клиентов.

YandexGPT входит в состав платформы Yandex Cloud AI Studio для создания и внедрения сервисов на базе генеративных моделей. Благодаря настройке правильной «температуры» ответов, ИИ-агент на основе YandexGPT отвечал на вопросы клиентов точно и понятно, но при этом не однообразно. Модель использовалась для консультаций, не требующих предоставления персональных данных, что обеспечило безопасность и конфиденциальность сервиса.

«СТП-Сарос» – один из лидеров российского рынка светотехнического оборудования для наружного и внутреннего освещения. Для управления продажами, регламентированного и финансового учета в компании использовалась сильно кастомизированное решение «1С:Комплексная автоматизация». При этом задачи управления производством не были автоматизированы. Проблемы возникали на всех уровнях, особенно в производственном блоке. В производственном учете отсутствовала формализованная документация по производственным процессам. Для оперативного учета в производстве использовались электронные таблицы, что препятствовало получению актуальных данных о загрузке производственных мощностей. Загрузка рабочих центров не учитывалась при планировании. Между производственными подразделениями не было оперативного обмена данными, что увеличивало риск простоев и неритмичной работы производства при выполнении заказов.

Предприятию стала необходима информационная система, которая позволила бы решить основные проблемы. В первую очередь, требовалось улучшить управление производством: организовать оперативный учет производства по каждому переделу, обеспечить сбор факта с производства по сменно-суточным заданиям, усилить контроль эффективности работы производственных подразделений. Кроме того, было важно в каждый момент времени иметь информацию о загруженности рабочих центров предприятия для принятия управленческих решений. Было желание упростить взаимодействие между отделами продаж, снабжения и производства, обеспечить рациональное планирование снабжения и закупок на основе графика выполнения заказов, повысить точность расчета себестоимости выпускаемой продукции.

Для решения поставленных задач была выбрана система «1С:ERP Управление предприятием», а партнером по внедрению стала компания «1С:Первый Бит».

В ходе проекта использовалась стандартная каскадная технология. Была выполнена интеграция 1С:ERP с использовавшимся решением «1С:Комплексная автоматизация», которое, в свою очередь, интегрировано с «1С:Бухгалтерией». Реализованы доработки функционала по формированию потребности в обеспечении подразделений сырьем и материалами. В системе работают 50 сотрудников планово-диспетчерского и технологического отделов, производственных подразделений, склада, финансового управления, отделов закупок и снабжения.

Автоматизация объемно-календарного планирования производства и планирования потребности в мощностях позволила оценить производственный потенциал компании. Планирование стало более рациональным, сократились сроки исполнения заказов, появилась возможность оперативно перепланировать производственные заказы с учетом приоритетов. Все это обеспечило выполнение заказов клиентов в срок. Компания теперь может наращивать объемы производства и брать больше заказов. Объем выпускаемой продукции вырос на 30%.

Организовано своевременное обеспечение производства материалами и комплектующими, производство планируется с учетом доступности рабочих центров и обеспеченности сырьем и материалами. В итоге длительность простоев оборудования уменьшилась вдвое.

На складе внедрены терминалы сбора данных. Автоматизирован учет основных средств и расчет амортизации. Внедрена адресная система хранения. Все движения материалов и готовой продукции оперативно отслеживаются в системе, появилась возможность фиксировать перемещение материалов в реальном времени.

Автоматизировано создание в системе всех необходимых документов для отражения всех хозяйственных операций производственного предприятия, включая переработку давальческого материала, заказы переработчикам, операции по импорту и экспорту.

Модульные и контейнерные ЦОД — это мобильные инженерные сооружения, включающие всё необходимое для функционирования вычислительного оборудования: серверные стойки, системы охлаждения и электропитания и пр. В первом случае решение представляет собой отдельные блоки, которые можно собрать как конструктор, а во втором — готовый к эксплуатации контейнер. По данным аналитического центра OCS, на конец 2024 года российский сегмент модульных и контейнерных ЦОД составлял 5 млрд руб.

В OCS считают данный тип оборудования наиболее подходящим для компаний, чья инфраструктура включает не более 500 серверов и систем хранения данных. В России этим количеством вычислительных решений пользуются 80% представителей среднего, крупного и крупнейшего бизнеса по годовому объему выручки — такие результаты были получены во время опроса OCS, проведенного в марте–мае 2025 года. С учетом отраслевых особенностей потенциальная аудитория заказчиков модульных и контейнерных ЦОД в России составляет около 8 тыс. предприятий.

Большое влияние на развитие сегмента оказывает быстрый рост объемов данных в бизнесе. По результатам опроса OCS, каждая третья компания (32%), имеющая внутри контура до 500 единиц вычислительного оборудования, ожидает увеличения количества корпоративной информации минимум на 10% до конца года. При этом, у бизнеса с 50–250 устройствами доля таких ответов достигает 48%. Значительная часть целевой аудитории модульных и контейнерных ЦОД сейчас находится в поисках решений для масштабирования парка серверов и СХД.

Компании сталкиваются с серьезными барьерами при использовании традиционных способов организации парка вычислительных мощностей. На рынке услуг размещения физических серверов и СХД в коммерческих дата-центрах наблюдается дефицит стойко-мест. Например, в Московском регионе практически не осталось предложения для крупных заказчиков, а стоимость услуг за последний год выросла на 30%, по данным iKS-Consulting и 3data.

Строительство собственного дата-центра также сопряжено с различными сложностями. В марте 2025 года в России вступили в силу новые правила проектирования и строительства ЦОД, закрепляющие порядок выбора участка под объект, прокладки инженерных коммуникаций и пр. По оценкам аналитического центра OCS, законодательные нововведения в совокупности с удорожанием строительных материалов, высокой ключевой ставкой и другими аспектами реализации проекта увеличат затраты на капитальное строительство на 20–30% в сравнении с прошлым годом.

Как подчеркивают аналитики, обладатели небольших парков серверов и СХД — до 500 устройств — как правило, не располагают бюджетами и временем для капитального строительства. Возведение стационарного центра обработки данных дорого обходится и может занимать до года. Оптимальным вариантом для решения задачи по масштабированию парка оборудования становится приобретение модульного или контейнерного ЦОД. Это позволяет экономить не только финансовые ресурсы бизнеса, но и время — по оценкам инженеров OCS, реализация проекта занимает в среднем 4–6 месяцев.

Большую часть сегмента МЦОД и КЦОД на сегодняшний день занимают отечественные игроки: DATARK, GreenMDC, NoTherm и другие компании. Бизнес выбирает преимущественно российских производителей — они предоставляют надежное «технологическое плечо» на всех стадиях реализации и эксплуатации объекта.

Катализатором развития рынка модульных и контейнерных ЦОД в России выступают сразу несколько факторов: дефицит стойко-мест в коммерческих дата-центрах, значительное удорожание стоимости строительства стационарных центров обработки данных, а также быстрый рост объемов корпоративной информации. В ближайшие пять лет сегмент МЦОД и КЦОД будет ежегодно увеличиваться до 10% и к 2030 году достигнет 32 млрд руб. Вероятнее всего, лидерство на рынке продолжат удерживать российские производители за счет поддержания высокого уровня сервисной поддержки на территории РФ и развития продукции.

В октябре 2024 года «Ашан Ритейл Россия» обратился к NDBC с задачей перенести основные функции консолидации финансовой отчетности компании на отечественное ПО до конца первого квартала 2025 года. Ключевыми требованиями к проекту стали сохранение процессов подготовки консолидированной отчетности, максимальная схожесть пользовательских интерфейсов, загрузка исторических данных. Важным фактором успеха проекта являлся запуск новой информационной системы в сжатые сроки, так как существовал риск отключения программного обеспечения OneStream.

Стояла задача не просто миграции, а обеспечения бесперебойной подготовки управленческой отчетности МСФО для всей компании в условиях рисков ухода вендора. Срыв сроков был недопустим.

«Турбо Бюджетирование» было выбрано как перспективное российское решение, которое в будущем потенциально может заменить весь комплекс финансовых систем. За три месяца специалисты вендора, «Ашан Тех» и NDBC выполнили полный цикл работ. В ходе проекта разработана архитектура без доступа к исходным конфигурациям OneStream, настроено более сорока финансовых отчетов (Balance Sheet, P&L, Cash Flow косвенным методом, Working Capital) на базе существующей методологии с сохранением форматов.

Важным фактором стало глубокое понимание командой внедрения процессов консолидации и гибкости платформы. Уже в марте 2025 отчетность была сформирована силами «Ашан Ритейл Россия». Приобретенные в рамках проекта компетенции позволили специалистам добавлять новые отчетные формы, адаптировать и модифицировать систему самостоятельно без привлечения консультантов.

Робот-инвентаризатор работает на складе «Азбуки вкуса» по модели подписки – проводит проверку товаров дважды в неделю. Устройство имеет лидар, камеры и два типа сенсоров – ультразвуковые и для обеспечения безопасности. Благодаря этому робот может автономно перемещаться по складу, считывать данные с палет в ячейках хранения и синхронизировать информацию с WMS. Раньше сотрудники проверяли товары вручную. Теперь робот выполняет задачи без остановки логистических процессов и освобождает сотрудников от сбора данных и высотных работ на складе.

Как отмечает Сергей Голубков, вице-президент по логистике «Азбуки вкуса», в компании с помощью применения роботизированных технологий решают проблемы дефицита и растущей стоимости складского персонала. На первом этапе роботизация была внедрена на вспомогательных складских процессах: уборка помещений, инвентаризация, выдача ИТ-оборудования сотрудникам, перемещение грузов между складскими корпусами и на других функциях. На втором этапе планируется роботизировать основные процессы склада, такие как комплектация поставок в магазины, размещение товаров в хранении, перемещение товаров по складскому комплексу. Робот-инвентаризатор позволяет поддерживать точность расположения товара на складе и оптимизирует человеческие ресурсы на этот процесс.

В этом проекте «Яндекс Роботикс» также предоставил программный интерфейс (API), чтобы робот интегрировался с WMS напрямую. Это позволило сотрудникам «Азбуки вкуса» получать результаты инвентаризации в привычном интерфейсе WMS в режиме реального времени.

S3 на протяжении многих лет автоматизировала и совершенствовала производственные и бизнес-процессы. В настоящее время компания ставит перед собой задачу роботизировать основные складские операции. S3 обратились в «Корус Консалтинг», так как у компаний уже есть успешный опыт совместной работы. Новой задачей стала интеграция роботов-паллетоперевозчиков с существующей WMS. Система управления автоматически распределяет задания между роботами и отслеживает выполнение операций. В случае поломки или задержки один робот может передать груз другому, что обеспечивает бесперебойную работу склада. Все возможные ошибки фиксируются на уровне самого робота, системой управления роботами и WMS.

Каждый робот способен обрабатывать до 10 паллет в час, работать с грузами весом до 700 кг и высотой до 1,7 м, перемещаясь по маршрутам длиной более 600 метров. Роботы выполняют операции круглосуточно, что позволяет заменить труд нескольких сотрудников и обеспечить стабильную производительность. После запуска проекта роботы будут обеспечивать до 70% всех перемещений паллет в зоне склада, что значительно повышает эффективность и снижает влияние человеческого фактора.

После успешного запуска пилотного проекта планируется масштабировать решение на другие складские процессы компании в течение следующего года. Это позволит со временем создать полностью роботизированную систему управления складом нового поколения.

В состав «СТС Медиа» входят несколько телевизионных каналов. Динамичное расширение ИТ-инфраструктуры, усиление хактивизма и высокая нагрузка на команду ИБ требовали решения, способного комплексно снизить целый ряд киберрисков. Для решения этой задачи «СТС Медиа» внедрила платформу CICADA8 ETM.

В рамках проекта платформа обеспечила непрерывный процесс разведки по открытым источникам, инвентаризацию и сканирование цифровых активов на уязвимости, что позволило взглянуть на инфраструктуру компании с точки зрения злоумышленника. На основе этих данных холдинг «СТС Медиа» снизил риски, связанные с устаревшими системами, а также выстроил процесс оперативного выявления и экспертного анализа трендовых уязвимостей в реальном времени. Благодаря этому компания может оперативно реагировать на изменения и предотвращать потенциальные инциденты до их возникновения. Имея подписку на платформу, у холдинга также есть возможность ежегодно проводить тестирование на проникновение и таким образом устанавливать безопасную точку отсчета для дальнейшего развития инфраструктуры.

Медиахолдинг в реальном времени отслеживает угрозы, связанные с репутацией бренда, включая фишинг, и анализирует открытые источники на предмет утечек данных и публикации данных об инцидентах информационной безопасности. Это позволяет компании оперативно выявлять любые угрозы для репутации и сохранять контроль над цифровым образом бренда.

По оценке сервиса, ИИ-примерка снижает затраты на создание карточек товара с одеждой в 50-100 раз по сравнению с традиционным продакшеном. При классическом подходе на одну съемку для подготовки контента требуется команда из фотографа, модели, ретушера, дизайнера и арендованной студии, что в среднем обходится бизнесу в 27-30 тыс. рублей. Но с помощью ИИ стоимость одного изображения при создании, например, 100 карточек обходится в 15 руб. и ниже. Чем больше изображений, тем ниже их итоговая себестоимость.

ИИ-примерка помогает ретейлерам сократить время на запуск новых товаров в продажу: генерация одного образа занимает до двух минут. Достаточно загрузить фото одежды – отдельно или на человеке. Нейросеть сама определит, что именно надето, и предложит, какие вещи примерить на модель. Фото модели можно загрузить со своего устройства, выбрать из встроенной библиотеки или сгенерировать по параметрам, выбрав лицо, позу и фон. Затем останется только кликнуть «сгенерировать» – и одежда отобразится на модели. Сгенерированные изображения сохраняются в галерее.

Одежда выглядит естественно даже при несовпадении ракурсов – например, если вещь снята фронтально, а модель сгенерирована в пол-оборота.

«Уральская Сталь» обратилась в Wone IT с запросом на минимизацию рисков кибератак. В рамках проекта предстояло автоматизировать процессы аудита, классификации и устранения угроз. Компания обратила внимание на решение MaxPatrol VM, которое позволяет поддерживать полный цикл управления уязвимостями и быстро сканировать инфраструктуру за счет использования результатов предыдущих проверок. Основными критериями выбора решения была легкая интеграция с уже внедренными ИБ-решениями в группе компаний и эффективность — система MaxPatrol VM подтвердила способность быстро обнаруживать недостатки безопасности в инфраструктуре и получать актуальную информацию о трендовых уязвимостях в течение 12 часов с момента появления информации. После успешно проведенного пилотного проекта было принято решение о поставке и внедрении системы.

На первом этапе проекта специалисты Wone IT провели инсталляцию решения. Эксперты произвели конфигурацию компонентов и первоначальную настройку системы. Были разработаны типовые документы и техническое задание, необходимые для проведения следующих работ.

Далее был проведен аудит и категоризация имеющихся в «Уральской Стали» активов. MaxPatrol VM позволяет сканировать сеть в режимах «черного» и «белого» ящика. В результате была создана база данных и автоматизирован импорт информации из различных ресурсов, включая внешние каталоги и другие ИБ-решения. Эксперты подключили все источники к системе и сконфигурировали компоненты инфраструктуры.

Следующим шагом стала настройка системы. В рамках проводимых работ были отредактированы встроенные правила и политики управления выявленными уязвимостями. Специалисты Wone IT провели фильтрацию незащищенных активов, вывели показатели на дашборды и создали пользовательские виджеты. Были разработаны и автоматизированы выпуски отчетов по расписанию о состоянии источников и уязвимостей.

В рамках третьего этапа была разработана вся необходимая документация с пояснениями, регламентами и руководствами для администраторов и операторов системы, которым предстояло в дальнейшем самостоятельно эксплуатировать MaxPatrol VM. На завершающем этапе система прошла опытно-тестовую эксплуатацию.

При помощи MaxPatrol VM комбинат анализирует возможные уязвимости на 4 тыс. активов, а также выстроил полный цикл управления уязвимостями, начиная от сбора данных об уязвимостях и заканчивая контролем их устранения.