28 июля 2026 года на третьем занятии бесплатной «Вечерней школы. ИИ для инженеров: польза и риски» от Слёрма дата-инженер Дмитрий Дунаев (@Runemal) рассказал, как LLM встраивается в бизнес-процессы. Он привёл два реальных кейса: приоритизация обзвона менеджеров по продажам и сопоставление 209 тысяч наименований номенклатуры между представительствами компании. Доклад стал частью цикла из шести занятий, где инженеры, архитекторы и юристы разбирают, как ИИ помогает в инцидентах, автофиксе прода, SOC и code review.

Первый кейс — антифрод при регистрации партнёров. Менеджер крупной геораспределённой компании каждое утро получал список регистраций для подтверждения по телефону. На проверку одной регистрации уходило от пяти минут, а если человек не брал трубку, звонить приходилось ещё несколько раз. Список был без приоритета, и большая часть звонков уходила в пустоту или на платные номера. Команда Дунаева построила LLM-классификатор, который делит регистрации на зелёные, жёлтые и красные. Менеджер теперь обзванивает приоритизированный список, а не случайный набор контактов.

Второй кейс — сопоставление справочников номенклатуры. Команде нужно было сопоставить порядка 209 тысяч наименований между полусотней представительств компании. По отдельности ни LLM, ни embedding, ни fuzzy-поиск не давали приемлемого качества. Решение — комбинация этих методов с ручной верификацией. Такой гибридный подход позволил достичь нужной точности, хотя каждый метод в отдельности был недостаточен.

Ключевой принцип, который сформулировал Дунаев: неопределённость на входе почти всегда превращается в неопределённость на выходе. Дата-инженер готовит для модели структурированные, очищенные данные, потому что принцип garbage in, garbage out работает в LLM в полной мере. Исключение — исследовательские задачи, где скорость важнее глубины анализа.

Из-за работы с персональными данными (152-ФЗ) команда выбрала локальную модель в защищённом контуре вместо облачного сервиса. Из 15 протестированных моделей лучший баланс детерминизма, безопасности и качества работы с русским языком для антифрода показала YandexGPT 5 Lite. Это пример того, как регуляторные ограничения влияют на выбор инструментов.

Дунаев также отметил, что строить агента стоит там, где решения повторяемы и есть возможность проверить результат. Для разовой задачи автоматизация обычно не окупается. Это важный критерий при выборе между автоматизацией и ручным процессом.

Доклад даёт практические ориентиры для инженеров, которые начинают заходить в бизнес-задачи с ИИ: подготовка данных определяет качество ответа, гибридные подходы часто эффективнее одного метода, а локальные модели — решение для работы с чувствительными данными.