«Разработка с AI» в поиске звучит широко: чат-бот, распознавание документов, ассистент в CRM, генерация кода. Разница между демо и продуктом — в данных, контроле качества и экономике токенов.

Где AI даёт эффект

• Документы и отчётность. Извлечение полей, сверка, черновики актов — как в URAP AI.
• Поддержка и внутренние базы. RAG по регламентам, без «галлюцинаций в никуда».
• Операторские сценарии. Подсказки, а не автопилот на критичных командах.
• Контент и код. Ускорение черновика при обязательной ревизии человека.

ИИ не заменяет архитектуру. Он сидит в слое поверх домена: права доступа, журнал, лимиты, fallback на правила.

Как мы строим AI-контур

1. Задача и метрика. Не «внедрить GPT», а снизить время обработки заявки на N% при допустимой ошибке.
2. Данные. Что можно класть в промпт, что нельзя выносить за периметр.
3. Оркестрация. Синхронный ответ vs очередь; ретраи; деградация без модели.
4. Оценка. Набор эталонных кейсов, регрессия промптов, человеческий review на пилоте.
5. Стоимость. Кэш, сжатие контекста, маленькая модель для классификации — большая для сложного ответа.

Разработка с AI пересекается с скоростью разработки и вайбкодингом: модели ускоряют написание кода, но продукт всё равно требует инженерии.

Риски, о которых стоит сказать заказчику

Конфиденциальность, лицензии на данные, воспроизводимость ответов, зависимость от провайдера. Для госсектора и НИИ часто нужен контур on-prem или выделенный inference. См. разработка для НИИ.

OtherCode внедряет AI как часть цифрового продукта: интерфейс, бэкенд, мониторинг, сопровождение. Запустить проект.