Кейсы Кактус.AI

Задача

Сервисная фирма около 50 человек получает всю работу через конкурсы госзаказчиков Калифорнии. Заявка — около 40 часов, примерно $4 000 рабочего времени, а подают их около 93 в квартал. На контракте в $30 000 одна проигранная заявка съедает прибыль с выигранной. Решали 3–5 человек по ощущению; из 1 404 проигранных заявок победитель записан в 13.

Как шли по Oper8

1. 01

   Выбрали процесс

   Решение «подаёмся или нет». Начали с субподрядных заявок — около 75% объёма. На воркшопе с командой сначала спроектировали сам процесс и только потом добавили ИИ, чтобы агенты не ускоряли сломанный процесс.

   Метод:Оценка кандидатов на процесс · AI поверх сломанного процесса

2. 02

   Посчитали экономику

   Цена за результат: сколько стоит выигранный контракт с учётом проигранных заявок. Оценка дискавери: отказ от половины мелких убыточных заявок возвращает около $240 000 рабочего времени в год.

   Метод:Стоимость результата

3. 03

   Проверили на реальной работе

   Собрали в базу всю историю: ~3 400 заявок с исходом, ~575 проектов с деньгами, ~535 партнёров и конкурентов, ~215 заказчиков. До запуска — 1,9% неподтверждённых фактов на 46 реальных вопросах команды и прогон на прошлых заявках с известным исходом. Теперь по каждой новой заявке агент готовит справку «подаёмся или нет» и пакет: разбор RFP, бюджет и состав команды по реальным ставкам, подготовку к интервью.

   Метод:Тесты раньше системы · Двойной прогон

4. 04

   Улучшаем дальше

   Каждое «да» или «нет» записывается в журнал решений вместе с причиной, исход фиксируется и на победах, и на поражениях — система учится, что отличает выигранную заявку. Раз в неделю агент проверяет базу.

   Метод:Конвейер фиксации решений · Маховик данных

Что осталось у клиента

• ✓

  Живые заявки идут через пакеты агентов: за неделю конца сентября руководитель отдела заявок завела три новых пакета, ещё две сотрудницы начали работать с агентами сами.

• ✓

  Знание о заявках вынесено из головы одного человека в общую базу.

• ✓

  Впервые копится история решений и исходов — основа для подсчёта доли побед по заказчикам и типам работ.

Задача

Одна из ведущих фирм executive search и организационного дизайна на своём рынке, команда около 15 человек, хотела отдать ИИ рутину поиска. Знание фирмы лежало на сетевом диске и в ATS, и прецедент находили, только если кто-то его помнил. Работать по-новому нужно было научить всю команду.

Как шли по Oper8

1. 01

   Выбрали процесс

   Сами исполнители в трёх группах описали поиск от запроса клиента до закрытия: тринадцать стадий — что делают, что появляется, что нужно знать. Из этого — 25 повторяющихся задач в шести блоках, кандидатов на автоматизацию.

   Метод:Оценка кандидатов на процесс

2. 02

   Решили, что окупается первым

   Владелец выбрал один вопрос, который нужен на каждом новом поиске: «Мы уже искали похожего руководителя? Покажи прошлые проекты, требования к позиции и стратегию поиска — со ссылками на источники». С него начали, остальное — после.

3. 03

   Проверили на реальной работе

   Перепись архива — 122 214 файлов — и база знаний около 97 тысяч записей: клиенты, проекты, позиции, люди, строки лонг-листов, у каждой первоисточник. На сервере фирмы — общая рабочая папка и единые правила для агента. Скиллы отвечают на вопросы по базе со ссылками, читают ATS и записывают, что сотрудник знает о клиенте или кандидате. Пять воркшопов шли параллельно со сборкой: между занятиями систему дорабатывали, на занятиях команда работала в ней на своих задачах.

   Метод:Проектирование контекста · Конвейер фиксации решений

4. 04

   Улучшаем дальше

   Команда сама пополняет базу, ведёт правила «мы так делаем» — общие, по клиенту, по проекту — и создаёт новые скиллы из описания задачи словами. Внутренний чемпион ведёт систему со стороны фирмы.

   Метод:Свод правил · Сеть чемпионов · Маховик данных

Что осталось у клиента

• ✓

  Система агентов, которой команда пользуется в ежедневной работе по поискам.

• ✓

  Процесс executive search, выстроенный с ИИ и описанный по стадиям.

• ✓

  Команда сама создаёт скиллы — например, отчёт по кандидату в фирменном формате и отчёты для заказчика.

Задача

Дать сотрудникам компании с регулируемыми данными безопасный доступ к LLM, сохранить контроль над данными, соблюсти 152-ФЗ.

Что сделали

1. 01

   Модель Qwen в контуре заказчика

   Данные не покидают компанию. Умная маршрутизация: персональные данные — только на локальные модели, остальное можно на внешние API.

2. 02

   OCR и обработка договоров

   Распознавание текста встроено в платформу — типовые юридические документы обрабатываются без выгрузки наружу.

3. 03

   RBAC и журнал действий

   Разграничение прав доступа, полный журнал — каждый запрос и каждый ответ в логе для compliance-аудита.

Что осталось у клиента

• ✓

  Платформа покрывает четыре задачи: безопасный доступ к LLM, сборка ассистентов, OCR-обработка документов, запуск агентов.

• ✓

  Соответствует 152-ФЗ — проверено внутренним security-аудитом заказчика.

• ✓

  Масштабируется от 50 до 500 пользователей без перестройки архитектуры.

Задача

Международный поставщик судового топлива пришёл с запросом на обучение Claude. В обсуждении выявилась более широкая задача: связать работу трейдинга, финансов и кредитного риска с управлением оборотным капиталом.

Что сделали

1. 01

   Провели интервью

   Разобрали работу подразделений, движение информации и решения, которые сотрудники принимают вручную.

2. 02

   Проверили данные

   Изучили выгрузки по сделкам и финансовым процессам. Подготовили аналитические материалы и обсудили расчёты с командой клиента.

3. 03

   Защитили диагностику

   Представили выводы и направления дальнейшей работы. После защиты клиент запросил предложение со сроками и стоимостью продолжения.

Что осталось у клиента

• ✓

  Разбор процессов и проблем, влияющих на использование оборотного капитала.

• ✓

  Аналитические материалы для обсуждения управленческих решений.

• ✓

  Предложения по следующим этапам работы с AI и данными.

Задача

Подготовить весь банк — от правления до фронт-линии — к работе с AI. Ранее пробовали общие курсы по ChatGPT, активными пользователями оставались единицы.

Что сделали

1. 01

   Стратегические сессии для правления

   Согласование целей: что AI должен изменить в банке за 12 месяцев и как это связано с бизнес-метриками.

2. 02

   Асинхронный AI-тренажёр в Telegram

   Массовый охват 40 000 сотрудников. Короткие задания и обратная связь там, где люди уже общаются.

3. 03

   Тренер тренеров + ролевые треки

   10–15 внутренних наставников, шесть функций (IT, HR, закупки, юристы, продукт, фронт-линия) — собственные сценарии.

Что осталось у клиента

• ✓

  Автономная система обучения: новый сотрудник попадает в AI-трек с первого дня.

• ✓

  Внутренние тренеры каскадом покрывают обновления методики без нашего участия.

• ✓

  L&D (отдел обучения и развития) не растёт в численности.

Задача

Крупная фармкомпания хотела от базовой грамотности дойти до работающих AI-агентов за одну программу — с формированием сообщества, которое дальше развивается само.

Что сделали

1. 01

   Десятинедельная программа для 15 чемпионов

   Чемпионы из маркетинга, финансов, R&D и операций. Каждый — со своей реальной задачей из бэклога.

2. 02

   Еженедельные воркшопы

   Архитектура агентов, поиск по документам (RAG), промпт-инжиниринг — на конкретных кейсах участников.

3. 03

   Менторское сопровождение

   Команда Кактуса в роли наставников на всех этапах: от спеки до защиты проекта перед спонсором.

Что осталось у клиента

• ✓

  15 AI-чемпионов с мандатом на дальнейшие инициативы в своих подразделениях.

• ✓

  Работающие агенты для своих процессов и планы дальнейшего применения в подразделениях.

• ✓

  Защита проектов перед спонсором по итогу программы.

Задача

Rapporto: дать сотрудникам контролируемый доступ к LLM и освоить сборку агентов на практике. Astana Hub: перейти от зоопарка Google Sheets, Notion и Slack-интеграций к единой операционной системе для скрам-мастеров и проджектов.

Что сделали

1. 01

   Rapporto — корпоративная платформа + хакатон 48ч

   Развернули мультимодельный доступ. На очном хакатоне команды разрабатывают реальных агентов, демо на второй день.

2. 02

   Astana Hub — семь модулей «Вайб-кодинга»

   Архитектура агентов без кода, автоматизации в n8n и Make, интеграции со Slack, Notion и Asana — всё на своих задачах.

3. 03

   Менторство в обоих проектах

   Сопровождение команд от первой автоматизации до production-агента, который реально работает в их процессах.

Что осталось у клиента

• ✓

  Rapporto: 5–7 рабочих агентов разработано прямо на хакатоне; безопасный доступ к AI для всей компании.

• ✓

  Astana Hub: единая операционная платформа, собранная самими участниками.

• ✓

  По отзыву участников Astana Hub — экономия около 10 часов в неделю на рутинных задачах.

Задача

Научить AI-амбассадоров применять корпоративный «Чат СДЭК» на базе Open WebUI: работать с данными, создавать скиллы и собирать ассистентов.

Что сделали

1. 01

   Освоили инструменты

   Разобрали модели, контекст и проверку источников. Практиковались с инструментами корпоративной платформы.

2. 02

   Поработали с данными

   На занятиях анализировали выгрузки заявок, строили графики и дашборды, оформляли повторяемые задачи в скиллы.

3. 03

   Собрали ассистентов

   Участники настраивали инструкции и базы знаний. Среди учебных задач: проверка ПВЗ, работа с партнёрским прайсом и обратной связью клиентов.

Что осталось у клиента

• ✓

  Практика работы с данными и ассистентами на корпоративной платформе.

• ✓

  Учебные скиллы и настройки ассистентов под задачи участников.

• ✓

  Материалы четырёх модулей и рабочие доски с заданиями и результатами групп.