Блог https://gorgona.ai ru Thu, 23 Apr 2026 12:49:56 +0300 Единая AI-платформа обработки обращений: от разрозненных заявок к единому процессу https://gorgona.ai/blog/omnichannel-ai-support https://gorgona.ai/blog/omnichannel-ai-support?amp=true Wed, 22 Apr 2026 18:23:00 +0300 Кейсы Внедрили AI-платформу с NLP и RAG для мэрии. Сократили время обработки обращений с 4 часов до 25 минут, автоматически закрывая 23% заявок и отсекая 15% дублей

Единая AI-платформа обработки обращений: от разрозненных заявок к единому процессу

Городские службы ежедневно обрабатывают поток обращений граждан из десятков каналов — от порталов и чат-ботов до соцсетей и письменных заявок. Значительная часть этих обращений повторяется или требует типового ответа, но при этом все еще обрабатывается вручную.
Мы собрали AI-платформу для мэрии города миллионника, которая объединяет обращения граждан в единую систему и ускоряет их обработку за счёт базы знаний и анализа тональности сообщений.
Дисклеймер: Мы строго соблюдаем стандарты информационной безопасности и заботимся о приватности наших заказчиков. Данный проект реализован под NDA, поэтому мы не раскрываем реальное название компании. Все приведенные в кейсе скриншоты интерфейсов и данные обфусцированы (визуально изменены) для защиты чувствительной информации. При этом архитектура решения, технологический стек и итоговые бизнес-метрики переданы без искажений

В чем была проблема

В процессе обработки обращений регулярно возникали одни и те же сценарии, которые показывали слабые места системы.
Например, один и тот же инцидент, вроде упавшего дерева во дворе или неубранного снега, мог попасть одновременно через городской портал, чат-бот и сообщение в соцсетях. В результате он регистрировался несколько раз и уходил в разные подразделения, где начинал обрабатываться параллельно.
Другой типичный кейс — пользователь отправляет обращение в «официальный канал», затем дублирует его через другой сервис, не понимая, что заявка уже в работе. Система не умела сопоставлять такие случаи, и они продолжали жить как отдельные обращения.
Была и обратная проблема: оператор получал заявку, но не видел полной истории. Чтобы понять контекст, ему приходилось вручную проверять разные системы и уточнять статус у других подразделений.
Отдельно перегружали систему типовые вопросы. Например, «куда обратиться по поводу ЖКХ», «как подать заявку», «какие сроки рассмотрения». Такие обращения занимали время операторов, хотя могли закрываться стандартным ответом.
В итоге проблема была не в самих обращениях, а в том, что система не умела их объединять, классифицировать и быстро давать готовый ответ там, где он уже заранее известен.

От разрозненных заявок к единому потоку

Мы разработали систему, которая объединяет и стандартизирует обработку обращений граждан из разных каналов в единый контур.
Ее ключевая идея в том, что обращения больше не живут в разрозненных инструментах и ведомственных системах. Вместо этого все входящие запросы агрегируются в одной платформе, независимо от того, откуда они поступили — городской портал, чат-бот, социальные сети или внутренние сервисы.
Система выступает как единый центр обработки обращений: она принимает поток сообщений, нормализует его и распределяет дальше по логике ответственности.

Как работает система

Пользователь оставляет обращение через любой доступный канал — городской портал, чат-бот, социальные сети или внутренние сервисы. Дальше система берет его в обработку и превращает в единый структурированный запрос внутри платформы.
Все входящие обращения попадают в одну точку входа, где проходят первичную обработку и классификацию. На этом этапе система определяет тему обращения и автоматически маршрутизирует его в соответствующее направление: городская инфраструктура (дороги, благоустройство), ЖКХ и коммунальные вопросы, экстренные ситуации или другие категории.
После распределения обращение попадает в ответственное подразделение, где начинается его обработка. Весь процесс строится как сквозная цепочка: фиксация обращения, назначение исполнителя, обработка и возврат результата пользователю.
На каждом шаге сохраняется прозрачная статусная модель, которая показывает, на каком этапе находится обращение и что с ним происходит в данный момент. Это позволяет исключить «потерянные» заявки и снизить неопределенность для всех участников процесса.

Где работает ИИ

Понимание обращения через тональность

Первый слой — анализ тональности обращения.
Каждое входящее сообщение автоматически проходит оценку текста, где система определяет эмоциональный и операционный контекст:
  • нейтральный запрос
  • негативное или конфликтное обращение
  • потенциально срочная ситуация
Это позволяет оператору сразу видеть характер обращения, а системе — помогать в приоритизации. Фактически это быстрый сигнал о том, насколько критично реагировать на запрос и в каком режиме его обрабатывать.

RAG-база знаний как слой быстрых ответов

Второй слой — интеллектуальная база знаний на основе RAG-подхода.
Когда оператор или система сталкивается с типовым вопросом, платформа обращается к базе знаний и подбирает релевантные статьи, инструкции или регламентные ответы.
Это используется в сценариях, где:
  • вопрос уже имеет стандартизированный ответ
  • нет необходимости вовлекать профильное подразделение
  • требуется быстрое закрытие запроса без дополнительной маршрутизации
По сути, RAG снижает количество ручного поиска информации и ускоряет обработку повторяющихся обращений.

Что изменилось

Внедрение платформы позволило заметно перестроить процесс обработки обращений — от ручного и фрагментированного к централизованному и более предсказуемому.
Ключевые эффекты:
  • 23% обращений стали закрываться типовыми ответами без участия операторов за счет RAG-базы знаний и автоматического подбора релевантных ответов
  • Среднее время обработки заявки сократилось с 4 часов до 25 минут, благодаря автоматической маршрутизации и снижению ручных операций
  • 15% обращений были выявлены как дублирующие, что позволило системе объединять повторные запросы и снижать нагрузку на исполнителей
В сумме система не только ускорила обработку обращений, но и снизила операционную избыточность, убрав повторную работу и перераспределив нагрузку между автоматикой и операторами.
]]> Генеративный ИИ в тестировании: управление тест-сценариями с помощью LLM и PostgreSQL https://gorgona.ai/blog/aqa-ai-service https://gorgona.ai/blog/aqa-ai-service?amp=true Thu, 23 Apr 2026 11:37:00 +0300 Кейсы Как мы избавили QA-команду от рутины с помощью GenAI. Кейс создания AI-генератора тест-кейсов и автотестов на основе текстовой аналитики и визуальных макетов.

Генеративный ИИ в тестировании: управление тест-сценариями с помощью LLM и PostgreSQL

Было так: с каждым релизом десятки задач, сотни сценариев и большой пласт тестовой документации, который команда вручную собирала, согласовывала и поддерживала в актуальном состоянии.
Стало: ты загружаешь аналитику и макеты, а ИИ сам собирает тест-кейсы, предлагает автотесты и учитывает детали интерфейса почти без ошибок.
Дисклеймер: Мы строго соблюдаем стандарты информационной безопасности и заботимся о приватности наших заказчиков. Данный проект реализован под NDA, поэтому мы не раскрываем реальное название компании. Все приведенные в кейсе скриншоты интерфейсов и данные обфусцированы (визуально изменены) для защиты чувствительной информации. При этом архитектура решения, технологический стек и итоговые бизнес-метрики переданы без искажений

Контекст

С ростом продукта и увеличением количества релизов команда столкнулась с типичной проблемой масштабирования тестирования: объем задач, сценариев и тестовой документации начал расти быстрее, чем возможности команды.
Каждый релиз включал десятки задач, аналитику, макеты, комментарии, а также тест-кейсы и автотесты, которые нужно было вручную согласовывать и поддерживать в актуальном состоянии. Это увеличивало время подготовки релизов и замедляло реакцию на изменения.
Основная нагрузка ушла в рутину — подготовка тестовой документации и постоянная синхронизация сценариев. При этом регрессионное тестирование тоже росло, и проверка старых и новых сценариев занимала всё больше времени.
В какой-то момент стало понятно, что дальше масштабироваться вручную сложно. Либо нужно увеличивать команду, либо искать способ ускорить сам процесс. Так задача свелась к автоматизации создания тест-кейсов и автотестов и сокращению ручной работы.

Цели

Перед стартом проекта вместе с заказчиком определили, к чему хотим прийти.
  • Автоматизировать рутину, чтобы тест-кейсы формировались на основе аналитики и документации почти «по кнопке», без долгих ручных действий
  • Сделать автотесты доступнее, чтобы они появлялись сразу вместе с тест-кейсами, а не через отдельный этап спустя недели, и их можно было быстро подключать к процессам
  • Достичь качества уровня «как у профи». Важно было, чтобы автоматически сгенерированные тест-кейсы не уступали ручной работе. Ориентиром стало не менее 80% совпадения с результатами опытных специалистов
  • Обеспечить прозрачность, чтобы любой участник команды мог понять, как сформировался тест-кейс, и быстро найти все связанные материалы

Решение

Мы собрали сервис, который автоматически генерирует тест-кейсы и автотесты на основе аналитики и проектной документации. В основе — генеративный ИИ, который анализирует входные материалы, выделяет пользовательские сценарии и собирает их в структурированные тест-кейсы.
Система работает не только с текстом, но и с визуальными материалами. Макеты и скриншоты интерфейсов также учитываются при генерации через Vision API, поэтому тест-кейсы лучше отражают реальные пользовательские сценарии и поведение интерфейса.
Вся логика выстроена вокруг сценариев как основной сущности. Внутри каждого сценария хранится связанный контекст: аналитика, тест-кейсы, автотесты и история изменений. Для хранения используется PostgreSQL, что позволяет поддерживать целостность данных и работать с большим количеством сценариев без потери структуры.
На выходе система формирует тест-кейсы в стандартизированном формате AAA (Arrange–Act–Assert) с шагами, предусловиями и ожидаемыми результатами. Дополнительно поддерживаются приоритеты и связь с исходными артефактами, чтобы результат можно было использовать без доработки и легко поддерживать актуальность при изменениях продукта.
Поверх этого реализована генерация автотестов на основе тест-кейсов. Система преобразует сценарии в код с учетом используемых в команде языков и фреймворков, чтобы автотесты можно было сразу интегрировать в существующие процессы тестирования.
В итоге получился единый инструмент, который связывает аналитику, тест-кейсы и автотесты в один поток и снижает объем ручной работы, ускоряя подготовку релизов и делая процесс тестирования более управляемым и прозрачным.

Результаты

Изначально стояла простая проверка гипотезы: сможет ли ИИ генерировать тест-кейсы такого качества, чтобы их можно было использовать почти без доработок.
Для этого в систему загрузили реальные аналитические документы и проектные материалы и сравнили результат с тест-кейсами, которые ранее готовили опытные специалисты вручную.
Что получилось на практике:
  • Большая часть сгенерированных тест-кейсов использовалась сразу без доработки, при этом заметно сократилось время подготовки тестовой документации
  • Автоматически начали формироваться не только тест-кейсы, но и автотесты на их основе, что ускорило переход от аналитики к запуску тестирования
  • Существенно снизилось количество ручных операций в QA-процессе, а работа с тестированием стала более быстрой и предсказуемой
Отдельно важно, что система стабильно справлялась с разными типами входных данных и объемами документации. По результатам тестирования она показала предсказуемое качество генерации и хорошо адаптировалась к правкам по обратной связи.
Постоянная работа с командой позволила быстро улучшать результат: убрали дублирующиеся сценарии, уточнили логику разбиения кейсов и повысили читаемость итоговых артефактов.
В итоге система перешла из режима экспериментального инструмента в рабочий процесс. Тест-кейсы стали формироваться автоматически, автотесты появляться практически сразу, а команда получила больше времени на продуктовые задачи вместо рутинного тест-документирования.
]]> Разработка ИИ-сервиса для HR: транскрибация, AI-чат и безопасная обработка данных https://gorgona.ai/blog/automate-hr-reports https://gorgona.ai/blog/automate-hr-reports?amp=true Thu, 23 Apr 2026 12:25:00 +0300 Кейсы Внедрили ИИ-сервис для анализа интервью. Автоматизировали транскрибацию и маппинг по компетенциям. Ускорили подготовку HR-отчета с 3 дней до 5 минут

Разработка ИИ-сервиса для HR: транскрибация, AI-чат и безопасная обработка данных

Час интервью. Ещё несколько часов на отчет. Раньше это означало долгую ручную работу с формулировками, обсуждения между экспертами и сбор итоговых выводов.
Сегодня ИИ берет на себя первичную обработку и структуру, а эксперт фокусируется на анализе и принятии решений.
В этом кейсе рассказываем, как за три недели мы разработали сервис, который автоматически обрабатывает интервью, распределяет ответы по компетенциям и помогает быстрее готовить экспертные отчеты.
Дисклеймер: Мы строго соблюдаем стандарты информационной безопасности и заботимся о приватности наших заказчиков. Данный проект реализован под NDA, поэтому мы не раскрываем реальное название компании. Все приведенные в кейсе скриншоты интерфейсов и данные обфусцированы (визуально изменены) для защиты чувствительной информации. При этом архитектура решения, технологический стек и итоговые бизнес-метрики переданы без искажений

Почему понадобилось решение

В процессах оценки персонала интервью — это только первый этап работы. Дальше начинается основная нагрузка: эксперты разбирают ответы кандидатов, соотносят их с компетенциями и формируют итоговые отчеты для принятия кадровых решений.
У заказчика это выливалось в достаточно тяжелый ручной процесс. Один отчет занимал в среднем 2–3 дня и включал обсуждения между экспертами, фиксацию наблюдений, заполнение шаблонов и несколько этапов согласования. Даже при наличии единой структуры каждый документ приходилось собирать заново под конкретного кандидата.
Со временем стало очевидно, что основное время уходит не на сам анализ, а на оформление и повторяющиеся действия вокруг него. В этом месте и сформировалась задача — ускорить подготовку отчетов, сохранив качество экспертной оценки.

Что было важно

После обсуждений с заказчиком стало ясно, что проект должен решать не только задачу ускорения подготовки отчетов. Эксперты ценят собственное наблюдение и опыт, поэтому важно было, чтобы ИИ не заменял человека, а дополнял его.
  • автоматизировать рутинные операции при подготовке отчетов, чтобы эксперты могли сосредоточиться на анализе
  • структурировать интервью и анализировать ответы, не теряя важных деталей
  • подсвечивать моменты, которые могли быть упущены, и выделять сильные и слабые стороны компетенций
  • предоставлять рекомендации и аргументы, на основе которых эксперт принимает решение

Не заменить эксперта, а разгрузить его

В основе решения была простая логика: ускорить подготовку отчетов, не теряя качества экспертной оценки. Важно было не переложить всю работу на ИИ, а убрать рутину вокруг интервью и дать специалисту готовую основу для анализа.
ИИ в этом процессе выступает как помощник. Он берет на себя обработку данных, структуру и первичную интерпретацию, а эксперт работает уже с результатом — проверяет, уточняет и принимает финальные решения.
В итоге мы собрали сервис на нашей платформе, который превращает запись интервью в структурированное заключение по компетенциям.

Как работает процесс

  • Эксперт загружает аудио интервью и выбирает компетенции для анализа
  • Система транскрибирует запись в текст и разбивает его на смысловые фрагменты
  • Далее ИИ сопоставляет ответы с компетенциями и формирует первичное заключение
  • На выходе получается структурированный отчет с аргументами и выделением сильных и слабых сторон кандидата
Весь процесс происходит в одном интерфейсе: можно просматривать транскрибацию, запускать анализ, переключаться между компетенциями и редактировать итоговый текст. Сами компетенции полностью настраиваемые и могут адаптироваться под разные методологии оценки без изменения логики системы.
Дополнительно встроен чат с ИИ, который работает как инструмент доработки отчета: через него можно уточнять фрагменты интервью, переформулировать выводы и получать альтернативные интерпретации.
Отдельно реализована обработка данных с учетом безопасности — интервью обезличиваются перед анализом и не передаются во внешние сервисы.
В результате эксперт получает не сырой материал и не пустой шаблон, а уже собранную структурированную основу отчета, которую можно быстро довести до финальной версии.

Что получилось в итоге?

Система дала два ключевых эффекта: ускорение подготовки отчетов и появление дополнительного слоя анализа, который помогает экспертам работать быстрее и точнее.
  • «Альтернативное мнение» за минуты — эксперт получает структурированное ИИ-заключение по интервью за 5–7 минут и использует его как основу для собственной оценки, вместо ручной сборки отчета с нуля
  • Сокращение рутины — значительная часть времени, которая раньше уходила на оформление и формулировки, теперь автоматизирована
  • Гибкость системы — компетенции можно добавлять и настраивать под разные методологии оценки без изменения логики работы сервиса
  • Чат с ИИ как рабочий инструмент — используется для уточнения выводов, доработки формулировок и получения рекомендаций по развитию кандидатов, которые сразу попадают в итоговый отчет
В результате эксперты быстрее переходят к сути оценки, а отчет формируется не как отдельный трудоемкий этап, а как естественное продолжение анализа интервью.
]]> GenAI для оценки персонала: автоматическая генерация планов развития по hard и soft skills https://gorgona.ai/blog/ai-performance-review https://gorgona.ai/blog/ai-performance-review?amp=true Thu, 23 Apr 2026 12:35:00 +0300 Кейсы Как автоматизировать ИПР с помощью нейросетей. ИИ-сервис агрегирует данные performance review (hard/soft skills) и генерирует персональный план за 15 минут.

GenAI для оценки персонала: автоматическая генерация планов развития по hard и soft skills

В ИТ-командах индивидуальные планы развития (ИПР) часто кажутся простой формальностью, пока не доходишь до их реального создания. На бумаге всё выглядит логично: собрать фидбек, оценить навыки, сформулировать цели. На практике это превращается в утомительный процесс, где нужно вручную собрать разрозненные комментарии и превратить их в связный план без ощущения шаблонности.
В этом кейсе рассказываем, как мы автоматизировали создание ИПР и научили систему собирать персональные планы развития за минуты на основе HR-данных и результатов оценки.
Дисклеймер: Мы строго соблюдаем стандарты информационной безопасности и заботимся о приватности наших заказчиков. Данный проект реализован под NDA, поэтому мы не раскрываем реальное название компании. Все приведенные в кейсе скриншоты интерфейсов и данные обфусцированы (визуально изменены) для защиты чувствительной информации. При этом архитектура решения, технологический стек и итоговые бизнес-метрики переданы без искажений

Что было раньше

HR-отдел регулярно проводит performance review — комплексную оценку сотрудников, включающую сбор обратной связи, разбор навыков и фиксацию их развития во времени.
В процессе собирается фидбек от коллег, заказчиков и лидов, а также оцениваются hard и soft skills. На основе этого формируется ИПР, индивидуальный план развития, где фиксируются направления роста и зоны, которые нужно усилить.
И вот именно на этапе ИПР начиналась основная рутина.
Раньше тимлиды собирали его вручную. На один план уходило 30–40 минут, а при большом объёме фидбека — ещё больше. Каждый раз приходилось заново структурировать информацию и превращать разрозненные заметки в цельный персональный план, избегая эффекта «чистого листа», когда вроде всё понятно, но сложно быстро оформить это в понятный документ.

Как нам помог ИИ?

Перелом наступил, когда мы всерьёз задумались о генеративных нейросетях. К простому «напиши план развития для middle-разработчика» мы не скатились — стало понятно, что универсальных решений здесь не будет. Вместо этого мы оперлись на уже накопленный внутри компании массив данных: фидбек, результаты аттестаций, история развития сотрудников. Именно это стало нашей отправной точкой и ключевым преимуществом.

Внутренняя кухня: как собирается ИПР

Мы сделали AI-инструмент, который автоматически формирует индивидуальные планы развития сотрудников на основе результатов оценки hard и soft skills по итогам аттестации. Каждый ИПР строится персонально и направлен на развитие конкретных зон роста, а не на использование шаблонных формулировок.
Как это работает:
У каждого сотрудника постепенно формируется история: оценки, комментарии коллег, заметки лидов и предыдущие планы развития. Всё это собирается в единый структурированный контекст, который внутри системы превращается в мастер-промпт — большой запрос, скрытый от пользователя.
Пользовательский сценарий максимально простой: выбирается сотрудник и нажимается кнопка «Сгенерировать ИПР».
Дальше система делает следующее:
  • подтягивает данные по сотруднику, включая результаты оценки hard и soft skills
  • объединяет их в единый структурированный контекст
  • формирует мастер-промпт с акцентом на сильные стороны, зоны роста и контекст команды
  • передает его в модель для генерации
  • формирует несколько вариантов индивидуального плана развития
  • сохраняет результат в редактируемом виде для дальнейшей доработки лидом
По сути, система берет на себя сбор данных, структуру и первичный черновик ИПР. При этом результат остается управляемым: можно уточнить формулировки, добавить комментарии и финализировать план перед отправкой сотруднику.

Какой эффект получили

Внедрение генератора ИПР заметно изменило сам процесс работы с индивидуальными планами развития: он стал быстрее, стабильнее и более персонализированным, без потери управляемости со стороны эксперта.
В результате:
  • Время на составление ИПР сократилось с 4–6 часов до 15 минут
  • Процент выполнения индивидуальных планов вырос с 65% до 90%
  • Текучесть кадров снизилась на 15%
  • Ушёл эффект «чистого листа», когда план приходилось собирать с нуля
  • Планы стали более персонализированными за счет учета полной истории развития сотрудника
  • При этом сохранилась гибкость: ИПР можно редактировать и адаптировать под реальные задачи
По сути, процесс сместился от ручного составления документов к модели, где ИИ берет на себя сборку и первичную структуру, а человек фокусируется на содержании и финальных решениях.
]]>