За 27 лет работы группа компаний «Зелёный сад» построила 42 жилых комплекса и 7 социальных объектов в Рязанской области — в общей сложности 570 000 м² жилья.
Рассказываем, как корпоративный сервер с AI-ассистентами помог ГК поднять скорость внутренних процессов — консультирования сотрудников, обработки документов и поддержки клиентов.
Проблема
До внедрения внутренние процессы в компании были разрознены и не автоматизированы:
- сотрудники тратили много времени на консультации, это снижало продуктивность;
- не было эффективного механизма поиска по внутренним базам знаний, что затрудняло доступ к нужной информации;
- заявки в службу техподдержки создавались медленно, информация доходила с ошибками.
Это снижало производительность труда и повышало затраты на обслуживание сотрудников.
Решение
В компании приняли решение создать внутреннюю платформу на основе корпоративного MCP-сервера, которая централизует доступ к знаниям через привычные для сотрудников каналы. В основе платформы — открытая языковая модель GPT-OSS-20B.
Решение позволило реализовать три ключевых функции:
- Прямой доступ сотрудников к внутренней базе знаний через интеллектуальный поиск.
- Быстрые заявки в техподдержку через описание проблемы словами.
- Интеграция AI-помощников с корпоративным мессенджером, ПК и планшетами сотрудников.
Технологии
- Языковая open-source-модель (от англ. open-source — «открытый исходный код») GPT-OSS-20B для понимания запросов и генерации ответов.
- Система контейнеризации Docker для запуска и масштабирования сервисов.
- Утилиты мониторинга btop и nvidia-smi для наблюдения за нагрузкой на сервер.
- Приложение rag_tg_cloud для поиска точной информации в корпоративной документации.
- Bot-prikazi для взаимодействия с пользователями через мессенджеры.
Сложности
При внедрении сервиса в компании столкнулись с рядом трудностей.
- Переход на новые инструменты потребовал от сотрудников освоения незнакомых интерфейсов и методов работы. Это замедлило внедрение на первоначальном этапе и увеличило нагрузку на команду.
- Необходимость адаптации алгоритмов ML под ограниченные вычислительные мощности привела к дополнительным временным затратам на тестирование и настройку моделей.
- Конфликты между новым ПО и существующим оборудованием потребовали анализа инфраструктуры и дополнительной настройки интеграционных решений.
Задачи были успешно решены благодаря комплексному подходу: планированию, тестированию, взаимодействию с командой.
Этапы работы
- Апрель 2025 года. Установка и настройка базовой инфраструктуры.
- Май — июнь 2025 года. Загрузка и тестирование моделей AI.
- Июль 2025 года. Разработка и внедрение специализированных приложений.
- Август 2025 года. Подключение системы мониторинга и аналитической платформы.
Поэтапный подход позволил минимизировать риски и обеспечить успешное внедрение сервиса.
Результаты
- Время на консультации сотрудников сократилось на 50%.
- Поиск нужной информации по внутренней базе знаний уменьшился с часа до 1—5 минут.
- Количество ошибок при создании заявок в техподдержку снизилось на 90%.
- Эффективность совещаний выросла за счёт автоматического анализа и подготовки отчётов.
- Повысилась и общая производительность сотрудников. Выросла удовлетворённость качеством обслуживания со стороны клиентов.
Следующие шаги
Компания будет продолжать развивать инфраструктуру за счёт следующих действий:
- повышать точность рекомендаций, увеличивать спектр задач путём расширения базы знаний;
- улучшать интерфейс взаимодействия с сотрудниками;
- тестировать другие языковые модели, в том числе российские.
- Чтобы быть в курсе важных трендов и мнений ведущих экспертов, следите за нами в телеграм-канале. О развитии навыков управления, личностном росте пишем в «Дзене». Про технологии и развитие в IT — в блоге на VC.