Mesterséges Intelligencia Központ
Меню

Как связать корпоративные системы с помощью искусственного интеллекта?

По мнению Mesterséges Intelligencia Központ Kft., компании по разработке программного обеспечения из Будапешта, языковую модель нужно встроить через API в существующие рабочие процессы: системы остаются, а модель извлекает данные, классифицирует, резюмирует и формулирует.

Коротко: заменять существующие системы не нужно: языковая модель получает задачи и данные через программный интерфейс, а результат возвращается туда, где с ним работают: в CRM, ERP или почту. Стоит начать с одной хорошо измеримой задачи, передавать только необходимые данные, а там, где ошибка стоит денег, шаг должен утверждать человек.

Что это означает на практике?

Большая языковая модель (large language model, LLM) интерпретирует и создаёт текст. В корпоративном использовании это не отдельное окно чата, в которое сотрудники копируют текст туда и обратно, а сервис, который собственные программы компании вызывают через программный интерфейс, то есть API (application programming interface). Модель получает данные, необходимые для задачи, выполняет языковую работу, а программа передаёт результат дальше в нужную систему, с проверкой и записью в журнал.

Пять языковых операций встречаются почти в каждой интеграции:

Если система должна не только отвечать, но и самостоятельно действовать в несколько шагов, это уже ИИ-агент; о разнице между двумя решениями рассказывает статья Чат-бот или ИИ-агент? Если модель должна отвечать по собственным документам компании, для этого служит метод RAG, который мы описываем в отдельной статье.

Три шаблона интеграции

API и вебхук

Большинство корпоративных систем (CRM, ERP, интернет-магазин, сервис выставления счетов, почта) имеют API, через который другая программа может читать из них данные или записывать их. Вебхук работает в обратную сторону: система сама уведомляет заранее заданный адрес, когда что-то происходит, например поступает заказ или письмо. Простейшая ИИ-интеграция состоит из этих двух элементов: событие запускает собственный сервис, который вызывает API языковой модели, проверяет результат, а затем записывает его через API целевой системы. В этом шаблоне модель не имеет прямого доступа ни к одной корпоративной системе; всё делает наш код, и именно там решается, что может попасть к модели и что может вернуться обратно.

Вызов функций (tool use)

Вызов функций (у Anthropic он называется tool use, то есть использование инструментов) позволяет модели самой решать, когда ей нужны данные или операция. Разработчик описывает модели доступные функции, например «запрос статуса заказа», а модель на основе вопроса возвращает структурированный вызов с нужными параметрами. Согласно документации всех трёх крупных поставщиков, функцию запускает не модель, а приложение: в описании OpenAI код выполняется на стороне приложения, по данным Anthropic, собственные инструменты выполняет приложение, а документация Google Gemini прямо говорит, что модель сама не выполняет функцию. Отсюда главный принцип проектирования: проверка прав доступа находится в нашем коде и не зависит от добросовестности модели. OpenAI и Anthropic предлагают также строгий режим (strict), который гарантирует, что параметры вызова точно соответствуют заданной схеме; вместе с тем документация Anthropic предупреждает, что при отсутствии данных модель иногда подставляет правдоподобное на вид значение, поэтому параметры должен проверять и код.

Model Context Protocol (MCP)

MCP представляет собой открытый протокол, который, согласно его спецификации, даёт единый способ подключения приложений, использующих языковые модели, к внешним источникам данных и инструментам. В нём три участника: хост (host), то есть приложение, использующее языковую модель; работающий в нём клиент; и сервер, который предоставляет данные (resources), шаблоны инструкций (prompts) и вызываемые инструменты (tools). Сообщения передаются в формате JSON-RPC 2.0; актуальная версия спецификации имеет метку 2026-07-28 (проверено 17 октября 2026 года).

Преимущество MCP в том, что для системы достаточно один раз написать сервер, и им смогут пользоваться несколько ИИ-приложений. К удалённому MCP-серверу умеют подключаться API Anthropic, API OpenAI и Gemini API (проверено 17 октября 2026 года). Протокол решает не все вопросы безопасности: согласно принципам безопасности спецификации, хост-приложение должно перед каждым вызовом инструмента получать явное согласие пользователя, но сам протокол обеспечить этого не может: это должен встроить тот, кто его реализует. OpenAI также предупреждает, что вредоносный сервер может похитить конфиденциальные данные, попавшие в контекст модели. Поэтому в корпоративной среде допустимы только собственные серверы или серверы надёжного поставщика.

ШаблонДля чего подходитНа что обратить внимание
API и вебхукфиксированные, предсказуемые процессы: каждое письмо и каждый счёт проходят один и тот же путькаждый шаг нужно спланировать заранее, вместе с обработкой ошибок и повторными попытками
Вызов функцийесли модели нужно в зависимости от вопроса запрашивать данные или инициировать операциюкруг функций и их права доступа; модель может передать и неверный параметр
MCPесли к одной и той же системе должны обращаться несколько ИИ-приложенийтолько надёжный сервер; утверждение перед вызовами инструментов

Для чего это можно использовать? Типичные задачи

ОбластьЗадачаТипичный шаблонУтверждение человеком
Документыизвлечение данных из счёта, накладной, договора и сверка с заказомAPI с выводом по фиксированной схемепри расхождении или неуверенном извлечении
Электронная почтаклассификация и пересылка входящих писем, черновик ответавебхук и APIперед отправкой ответа
CRMрезюме истории клиента, предложение следующего шагавызов функций с правом чтенияне требуется, так как это лишь предложение
ERPвопросы к данным на обычном языке, подготовка отчётавызов функций с правом чтенияесли операция изменила бы данные
Интернет-магазинописание товара, перевод, более точный поискAPIперед публикацией текста
Внутренние знаниявопросы и ответы по регламентам и руководствамRAGне требуется, если ответ указывает источник

Подробнее о наших услугах вы можете прочитать на странице Интеграция ИИ, об автоматизированных процессах, охватывающих несколько систем, можно узнать на странице Автоматизация процессов, а об ИИ, встроенном в ERP- и CRM-системы, рассказывает страница ПО для бизнеса.

Потоки данных и их защита: что куда попадает?

ИИ-интеграция означает ещё и обработку данных. Поэтому проектирование начинается с простой схемы потоков данных: какие поля покидают системы компании, к какому поставщику они попадают, в каком регионе обрабатываются, как долго поставщик их хранит и что возвращается обратно. Условия поставщиков часто меняются; приведённые ниже сведения основаны на собственной документации поставщиков (проверено 17 октября 2026 года).

Что говорят поставщики?

Аспекты GDPR

Если к модели попадают персональные данные, на их обработку распространяется GDPR. Поставщик модели в этом случае, как правило, является обработчиком данных, поэтому с ним нужен договор согласно пункту 3 статьи 28 Общего регламента по защите данных; статья 5 предписывает минимизацию данных, а статья 25 среди средств встроенной защиты данных в качестве примера называет псевдонимизацию. На практике это означает следующее:

О передаче данных за пределы ЕС, о прозрачности и об AI Act мы пишем в статье AI Act и GDPR в корпоративном чат-боте. Это информация, а не юридическая консультация.

Где нужно утверждение человеком?

Языковая модель может ошибаться, и, согласно руководству OpenAI по оценке, даже на одинаковые входные данные она не всегда даёт одинаковый результат. Поэтому процесс стоит проектировать так, чтобы ошибка модели не могла причинить ущерб. Мы различаем три уровня:

Эмпирическое правило: там, где ошибка стоит денег, затрагивает клиента или необратима (платёж, счёт, договор, письмо клиенту), шаг утверждает человек. Перечень рисков OWASP GenAI Security Project говорит то же самое о чрезмерной самостоятельности (Excessive Agency): модель получает только инструменты, необходимые для её задачи, с минимально возможными правами, действия с серьёзными последствиями утверждает человек, операция выполняется с правами самого пользователя, и каждый шаг записывается в журнал.

Отдельным риском является промпт-инъекция (prompt injection): если модель читает внешний контент, например входящее письмо, загруженный документ или веб-страницу, в нём может оказаться текст, который пытается повлиять на неё как инструкция. Против этого OWASP рекомендует минимально необходимые права, утверждение человеком перед привилегированными операциями и обработку внешнего контента отдельно, с пометкой как недоверенного.

Тестирование и мониторинг

ИИ-интеграция хороша не тем, что убедительно выглядит на демонстрации, а тем, что измеримо хорошо работает на реальных материалах компании. Согласно руководству OpenAI по оценке, тестовые данные должны включать типичные, пограничные и намеренно вводящие в заблуждение случаи, а оценку нужно повторять при каждом изменении; Anthropic рекомендует конкретные, измеримые критерии успеха и тестовый набор, отражающий реальные задачи. Мы строим это так:

Модели не вечны: и Anthropic, и OpenAI регулярно выводят из эксплуатации старые модели и заранее уведомляют об этом клиентов; запрос к выведенной модели возвращает ошибку. Поэтому мы выносим модель в отдельный слой, а смену модели до запуска в работу проверяем на том же оценочном наборе.

Какую модель выбрать?

Нет модели, одинаково хорошей для всех задач, поэтому выбор определяется измерением, а не верностью бренду. Наши критерии:

Часто в одной системе работают несколько моделей: более быстрая и небольшая для классификации и более мощная для сложных текстов. Поскольку модель находится в отдельном слое, решение можно изменить и позже.

От чего зависит стоимость?

Стоимость состоит из двух частей. Стоимость разработки определяется функциональным размером, который мы измеряем в функциональных точках COSMIC; метод описан на странице Ценообразование. Плата за работу системы зависит от использования: поставщики выставляют счета по объёму обработанного и сгенерированного текста, то есть по числу токенов, и, согласно Anthropic, описания инструментов, переданные модели, тоже считаются входными токенами. Плата за работу зависит от следующего:

Плату за работу мы оцениваем при проектировании на реальных образцах компании и учитываем её и при выборе модели.

Шаг за шагом: с чего начать

  1. Выбор одной задачи: частая работа языкового характера с измеримой целью, например распределение входящих рекламаций по категориям.
  2. Схема потоков данных: откуда поступают данные, что может попасть к модели, куда идёт результат и кто его утверждает.
  3. Образцы и оценочный набор: реальные анонимизированные примеры с ожидаемым результатом.
  4. Прототип: сравнение моделей-кандидатов на образцах, ещё без подключения к рабочим системам.
  5. Подключение: API, вебхук, вызов функций или MCP, с правами доступа, обработкой ошибок и журналированием.
  6. Пилотный запуск: в узком кругу, с утверждением человеком каждого шага; мы учимся на исправлениях.
  7. Расширение и эксплуатация: там, где это подтверждают измерения, круг утверждений сужается; мониторинг и смена моделей идут постоянно.

Типичные ошибки

Частые вопросы

Какую модель выбрать?

Ту, которая на собственных образцах компании измеримо лучше всего справляется с данной задачей, при приемлемой плате и подходящих условиях обработки данных. Мы работаем с моделями OpenAI, Anthropic и Google, сравниваем кандидатов на примерах компании, а поскольку модель находится в отдельном слое, решение можно изменить и позже.

Безопасно ли отправлять корпоративные данные в ИИ-сервис?

Да, при правильном проектировании, но не само по себе. Бизнес-API крупных поставщиков, согласно их собственной документации, по умолчанию не используют отправленные данные для обучения моделей (проверено 17 октября 2026 года), однако срок и место хранения различаются в зависимости от поставщика и настроек. От компании зависит, чтобы наружу уходили только необходимые данные, а персональные данные уходили по возможности псевдонимизированными, при наличии договора об обработке данных и осознанно выбранного места обработки. Это информация, а не юридическая консультация.

Нужно ли заменять наши существующие системы?

Нет. Интеграция опирается на API, вебхуки, базу данных или файловый экспорт существующих систем, а результат возвращается туда, где с ним работали и раньше. Если у старой системы нет программного интерфейса, мы выясняем, каким путём можно безопасно получить доступ к её данным.

Что такое MCP?

Model Context Protocol является открытым протоколом, который единым способом связывает приложения, использующие языковые модели, с внешними источниками данных и инструментами. Он полезен, если к одной и той же системе обращаются несколько ИИ-приложений. В корпоративной среде его стоит использовать только с надёжными серверами и с утверждением перед вызовами инструментов.

Что будет, если ИИ ошибётся?

Мы это учитываем и поэтому проектируем процесс так, чтобы ошибка не причинила ущерба. Код проверяет результат (схему и бизнес-правила, например совпадает ли итоговая сумма счёта с суммой позиций), перед рискованным шагом утверждает человек, неясные случаи передаются сотруднику, и всё записывается в журнал. Выявленные ошибки попадают в оценочный набор, так что исправление можно измерить.

Как мы можем помочь?

С помощью искусственного интеллекта мы связываем всё, что существует: подключаем языковые модели OpenAI (ChatGPT), Anthropic (Claude) и Google (Gemini) к существующим системам компаний. Первая консультация бесплатна; размер разработки мы измеряем в функциональных точках COSMIC, и на его основе составляются предложение и график работ. По запросу мы заключаем соглашение о неразглашении (NDA), а после передачи также берём на себя эксплуатацию и сопровождение, включая наблюдение за работой модели. Вопросы исходного кода и прав на использование регулируются договором.

Подробности приведены на странице Интеграция ИИ. Если у вас есть процесс, который вы хотели бы связать с искусственным интеллектом, напишите нам по контактам, указанным на странице Контакты.

Источники