СберТех: создание экосистемы ИИ-агентов - от инфраструктуры к эффективности, Сергей Бубнов

Агентные системы, языковые модели, мультимодальные модели, ИИ

Сергей Бубнов, старший технический эксперт по платформе данных "Сбертех". "Искусственный интеллект и большие данные: от экспериментов к эффекту", конференция TAdviser.

РОЛЬ СБЕРТЕХА В СОЗДАНИИ ТЕХНОЛОГИЧЕСКОГО ЯДРА ЭКОСИСТЕМЫ

Компания СберТех, основанная в 2011 году, за свои 15 лет на рынке прошла путь стремительного роста и трансформации. Будучи дочерней организацией Сбера, компания изначально масштабировалась до огромных размеров: к 2017 году штат достигал порядка 9 тысяч сотрудников, что делало её одной из крупнейших IT-организаций в России по численности персонала. В настоящее время структура компании оптимизирована, однако ключевой особенностью остается тот факт, что подавляющее большинство сотрудников — это высококвалифицированные разработчики, архитекторы и аналитики.

Основная миссия СберТеха заключается в создании фундаментального ядра экспертиз для производства технологических продуктов. Эти разработки становятся базой, на которой Сбер выстраивает свои собственные конечные системы. Весь этот массив из примерно 90 различных технологических продуктов объединен общим названием PlatformV. Таким образом, компания выступает не просто как исполнитель, а как полноценный завод по производству сложных программных решений, обеспечивающих работоспособность всей финансовой и сервисной инфраструктуры.

Специфика работы в таком масштабе требует постоянного поиска путей оптимизации. Когда в штате сосредоточено огромное количество разработчиков, любой прирост эффективности даже на несколько процентов дает колоссальный суммарный эффект для бизнеса. Именно эта потребность в ускорении циклов разработки и минимизации рутинных операций стала главным драйвером внедрения инструментов искусственного интеллекта внутри компании.

ПЛАТФОРМА E-HUB И ПОТРЕБНОСТИ В ИНТЕЛЛЕКТУАЛЬНОЙ АВТОМАТИЗАЦИИ

Потребность в искусственном интеллекте в СберТехе возникла из желания разработчиков ускорить написание кода и более эффективно отслеживать показатели качества продукта на разных этапах производства. Для решения этих задач была создана внутренняя платформа E-Hub. Это специализированное решение, которое представляет собой репозиторий агентов — на текущий момент их насчитывается несколько сотен. Каждый агент предназначен для выполнения конкретных узкоспециализированных задач, которые помогают оптимизировать процесс разработки программного обеспечения.

Важно отметить, что подобный функционал ранее существовал в западных продуктах от таких гигантов, как Oracle и Microsoft. Однако специфика банковского сектора накладывает жесткие ограничения на использование внешних инструментов. Поскольку около 90% всех систем банка построены на базе определенной внутренней инфраструктуры, возникла необходимость в создании собственного решения. Это позволило не только обеспечить безопасность данных, но и максимально адаптировать инструменты ИИ под конкретные технологические стеки компании.

«Мы создали E-Hub как среду, которая расширяет возможности команд за счет автоматизации рутины», — отмечают в СберТехе. Внедрение такой платформы позволяет разработчикам фокусироваться на архитектурных задачах и бизнес-логике, перекладывая проверку ошибок и генерацию шаблонного кода на плечи интеллектуальных агентов. Это создает синергию между человеческим опытом и скоростью машинной обработки данных.

РАЗЛИЧИЯ МЕЖДУ ИИ-АССИСТЕНТАМИ И АВТОНОМНЫМИ АГЕНТАМИ

В рамках платформы E-Hub выделяются два принципиально разных подхода к использованию искусственного интеллекта: ассистенты и агенты. Ассистент работает в пассивном режиме по прямому запросу человека. Его основная задача — поиск информации в базе знаний компании и предоставление точного ответа. В этом случае человек остается главным действующим лицом: он формулирует запрос, получает результат и самостоятельно решает, как применить этот ответ в своей дальнейшей работе.

Агент же представляет собой более продвинутую форму ИИ. В отличие от ассистента, агент способен действовать активно. Он может самостоятельно выполнять определенные бизнес-процессы и непосредственно участвовать в решении конкретной задачи без постоянного контроля пользователя на каждом шаге. Агенты могут инициировать действия, взаимодействовать с другими системами и доводить процесс до логического завершения, что превращает их из простых справочников в полноценных цифровых сотрудников.

СберТех использует оба этих подхода одновременно. ИИ-ассистенты интегрируются непосредственно в продукты для помощи пользователям, а интеллектуальные агенты применяются для глубокой оптимизации внутренней деятельности компании. Такое разделение позволяет гибко подходить к автоматизации: там, где нужен контроль и проверка, используется ассистент, а там, где требуется скорость и автономность выполнения стандартных операций, подключается агент.

ВЛИЯНИЕ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА НА ПРОЦЕССЫ РАЗРАБОТКИ

Внедрение ИИ в производственные циклы неизбежно ведет к модификации самих этих процессов. Программирование меняет свою суть: некоторые этапы ускоряются многократно, другие трансформируются или вовсе исчезают, при этом могут появляться новые шаги, связанные с верификацией результатов работы нейросетей. В итоге общий цикл разработки сокращается, но структура процесса становится более сложной и динамичной.

Особую сложность представляет тот факт, что процессы разработки в СберТехе не похожи на стандартные бизнес-процессы обычной производственной компании. Огромное количество команд имеет свои собственные нюансы и отхождения от общих регламентов. В таких условиях оценка эффективности внедрения ИИ становится серьезным вызовом. Чтобы понять, насколько реально ускорилась работа, требуется отдельный слой искусственного интеллекта, который будет мониторить эффективность других агентов.

«Вы не можете просто внедрить инструмент и ждать результата; вам нужно понимать, сколько кода было добавлено с помощью ИИ и каков реальный вклад конкретного сотрудника», — подчеркивают эксперты. Таким образом, создается замкнутая система: один ИИ помогает писать код, а другой анализирует этот процесс, позволяя руководству видеть объективную картину производительности и корректировать стратегию развития.

ЭКОНОМИЧЕСКИЙ ЭФФЕКТ И ТРАНСФОРМАЦИЯ ПРОИЗВОДИТЕЛЬНОСТИ

Несмотря на то что компания находится на ранней стадии апробации многих технологий, уже сейчас фиксируются значительные положительные эффекты. Хотя точные цифры остаются непубличными из-за корпоративной политики безопасности, отмечается рост производительности в десятки процентов по количеству задач, которые способен решить средний сотрудник за единицу времени. Это происходит за счет радикального сокращения временных затрат на поиск информации и написание рутинного кода.

Важно понимать, что этот эффект достигается не просто за счет замены человека машиной, а за счет изменения самой методологии работы. Разработчики перестают тратить время на низкоуровневые операции, что позволяет им быстрее переходить к этапам проектирования и тестирования сложных систем. Это создает дополнительный запас прочности для компании при реализации масштабных проектов с жесткими сроками.

Однако такая трансформация требует времени. СберТех отмечает, что результаты стали по-настоящему ощутимыми только в течение последнего года. Ожидается, что в ближайшие два-три года эффект будет расти лавинообразно по мере того, как сотрудники привыкнут к новым инструментам и научатся максимально эффективно делегировать задачи интеллектуальным агентам.

ВЫЗОВЫ СТАНДАРТИЗАЦИИ И РИСКИ УТЕЧКИ ДАННЫХ

Переход к централизованному решению в виде E-Hub был продиктован необходимостью стандартизации. В крупных организациях часто возникает ситуация, когда отдельные команды создают свои локальные ИИ-решения и пытаются внедрить их в работу. Без единой инфраструктуры это приводит к хаосу: возникают сложности с интеграцией, поддержкой и обновлением разрозненных инструментов. Единая корпоративная среда позволяет унифицировать процессы размещения и последующего сопровождения всех агентов.

Критически важным вопросом для банковской структуры является информационная безопасность. Существует серьезный риск утечки проприетарного кода при использовании внешних LLM-движков. Чтобы нивелировать эту угрозу, в архитектуру E-Hub интегрированы специальные фильтры проверки запросов. Компания стремится максимально использовать локальные модели или проверенные российские решения, такие как GigaChat и GigaCode, чтобы данные не покидали защищенный контур организации.

Помимо утечек, существуют риски «галлюцинаций» ИИ — ситуаций, когда агент выдает фактически неверную информацию или даже генерирует некорректные выражения. Для борьбы с этим внедряются механизмы проверки по словарям запрещенных слов и системы верификации ответов. Таким образом, безопасность в E-Hub рассматривается как многослойный фильтр, который сопровождает запрос от момента его ввода до получения финального результата.

ТЕХНИЧЕСКАЯ АРХИТЕКТУРА И СЛОИ БЕЗОПАСНОСТИ ПЛАТФОРМЫ

Архитектура системы базируется на многослойном подходе. В основании находится инфраструктура с инференс-серверами, на которых работают базовые (foundation) модели. Слой безопасности пронизывает всю систему: он включает алгоритмы обфускации данных для тестирования, прозрачное шифрование и специальные mesh-шлюзы. Эти шлюзы контролируют весь трафик между системами, позволяя мгновенно отсекать некорректное поведение агентов или подозрительные запросы.

Особое внимание уделено слою работы с данными, так как любой ИИ эффективен ровно настолько, насколько качественны данные, на которых он базируется. В зависимости от профиля нагрузки используются разные инструменты: от быстрых in-memory движков для реализации RAG (Retrieval-Augmented Generation) до сложных аналитических систем на базе Lakehouse. Это позволяет системе гибко переключаться между поиском по векторным базам и выполнением тяжелых SQL-запросов к структурированным хранилищам.

Верхним уровнем является low-code конструктор агентов, который позволяет создавать новых интеллектуальных помощников без глубокого погружения в написание кода. Это демократизирует процесс создания инструментов автоматизации: бизнес-пользователи или ведущие разработчики могут быстро собрать прототип агента, настроить его триггеры и модель данных, а затем запустить проверку в специальном Playground для калибровки ответов.

ОПТИМИЗАЦИЯ КОНТЕКСТА ЧЕРЕЗ RAG И ВЕКТОРНЫЕ БАЗЫ

Одним из ключевых технологических элементов E-Hub является использование технологии RAG (Retrieval-Augmented Generation). Основная проблема больших языковых моделей заключается в ограниченном окне контекста и высокой стоимости обработки каждого токена. RAG позволяет значительно сократить объем передаваемой в модель информации, предоставляя ей только те фрагменты знаний из векторной базы, которые действительно необходимы для ответа на конкретный запрос.

Это не только ускоряет время отклика системы при высоких транзакционных нагрузках, но и существенно снижает затраты на вычислительные ресурсы. Векторные базы данных работают в связке с инструментами полнотекстового семантического поиска. Если векторный поиск обеспечивает быстрое масштабирование и нахождение смысловых соответствий, то традиционный search позволяет осуществлять точный поиск по ключевым словам, что в совокупности дает максимально релевантный результат.

«Мы не верим в существование серебряной пули; для каждой задачи нужен свой набор инструментов», — отмечают разработчики. Именно поэтому СберТех использует гибридные подходы: сочетание векторных БД с аналитическими хранилищами типа Lakehouse и Hadoop/S3. Это позволяет агентам работать как с неструктурированными данными, так и с огромными массивами табличной информации, обеспечивая полноту ответов.

КОНТРОЛЬ КАЧЕСТВА ЧЕРЕЗ GUARDRAILS И OBSERVABILITY

Для обеспечения стабильности работы агентов в платформу интегрированы механизмы Guardrails и инструменты Observability. Guardrails выступают в роли «предохранителей», которые отслеживают некорректное поведение модели в реальном времени и предотвращают выдачу ошибочных или опасных результатов. Это критически важно для систем, которые имеют доступ к изменению кода или выполнению технических операций в инфраструктуре.

Observability, в свою очередь, отвечает за сбор детальной статистики по логам всех взаимодействий. Анализируя эти данные, команда поддержки может отслеживать так называемый «дрифт модели» (изменение качества ответов со временем) и оптимизировать расход токенов. Это позволяет точно понимать, какой агент работает эффективно, а какой требует перенастройки промптов или обновления базы знаний.

Процесс Prompt Engineering в E-Hub выстроен как непрерывный цикл разработки. Сначала создается запрос, затем он тестируется в Playground, проходит через фильтры безопасности и наконец попадает в эксплуатацию под надзором систем мониторинга. Такой подход минимизирует риски бизнес-ошибок и гарантирует, что ИИ-агент будет действовать строго в рамках делегированных ему полномочий.

ДЕЛЕГИРОВАНИЕ ПРАВ И ВНЕДРЕНИЕ В РЕАЛЬНЫЙ БИЗНЕС

Важным аспектом функционирования агентов является вопрос прав доступа. Чтобы агент мог выполнять задачи за человека, ему необходимо делегировать соответствующие технические роли и права. Для этого в системе используется механизм MCPCR, который позволяет назначать агенту те же полномочия, которые есть у конкретного сотрудника или технического аккаунта проекта. Это обеспечивает прозрачность действий ИИ и соблюдение всех корпоративных политик безопасности.

Что касается сроков развертывания подобной инфраструктуры с нуля, эксперты СберТеха полагают, что базовый вариант E-Hub можно запустить примерно за три месяца. Платформа спроектирована модульно, поэтому нет необходимости внедрять все элементы сразу. Можно начать с конструктора агентов и базового стека (ОС, векторная база), постепенно наращивая функциональность по мере роста потребностей бизнеса.

«Мы не предлагаем готовую коробку, так как каждое решение должно быть кастомизировано под конкретного заказчика», — подчеркивают в компании. Тем не менее, опыт СберТеха уже подтвержден на практике: платформа E-Hub Enterprise была протестирована крупными производственными предприятиями с штатом более 600 разработчиков. Результаты тестов оказались успешными, и в следующем году планируется полноценное включение ИИ-инструментов в их общую стратегию развития.

Платформа E-Hub от СберТеха представляет собой комплексную экосистему для создания и управления ИИ-агентами, направленную на автоматизацию процессов разработки ПО. Система объединяет в себе low-code конструктор агентов, векторные базы данных для RAG, многослойную защиту от утечек и инструменты мониторинга эффективности (Observability).

Внедрение платформы позволяет сократить время разработки за счет автоматизации рутины на десятки процентов, при этом обеспечивая безопасность банковского контура. Основной акцент сделан на гибридном подходе к хранению данных и строгом контроле прав доступа через механизм делегирования полномочий.

Заказать съёмку видео
у команды JSON.TV
Написать
Реклама услуг съемки видео

Связанное видео

TAdviser.ru
Искусственный интеллект и большие данные: от экспериментов к эффекту
90
0
Ноябрь 2026 г.
CNews
"Информационные технологии завтра" CNews Forum 2026
124
0
Ноябрь 2026 г.
CNews
"Информационные технологии завтра" CNews Forum 2026
112
0
Ноябрь 2026 г.
TAdviser.ru
Искусственный интеллект и большие данные: от экспериментов к эффекту
112
0
Ноябрь 2026 г.
TAdviser.ru
Искусственный интеллект и большие данные: от экспериментов к эффекту
94
0
Ноябрь 2026 г.
Агентные системы, языковые модели, мультимодальные модели, ИИ
Смотреть видео
TAdviser.ru
Искусственный интеллект и большие данные: от экспериментов к эффекту
90
0
Ноябрь 2026 г.
Агентные системы, языковые модели, мультимодальные модели, ИИ
Смотреть видео
TAdviser.ru
Искусственный интеллект и большие данные: от экспериментов к эффекту
89
0
Ноябрь 2026 г.
TAdviser.ru
Искусственный интеллект и большие данные: от экспериментов к эффекту
92
0
Ноябрь 2026 г.
TAdviser.ru
Искусственный интеллект и большие данные: от экспериментов к эффекту
90
0
Ноябрь 2026 г.
Агентные системы, языковые модели, мультимодальные модели, ИИ
Смотреть видео
TAdviser.ru
Искусственный интеллект и большие данные: от экспериментов к эффекту
94
0
Ноябрь 2026 г.
TAdviser.ru
Искусственный интеллект и большие данные: от экспериментов к эффекту
102
0
Октябрь 2026 г.
TAdviser.ru
Искусственный интеллект и большие данные: от экспериментов к эффекту
93
0
Октябрь 2026 г.
CNews
Форум "Технологии искусственного интеллекта 2026"
98
0
Октябрь 2026 г.
TAdviser.ru
Искусственный интеллект и большие данные: от экспериментов к эффекту
109
0
Октябрь 2026 г.
CNews
Форум "Технологии искусственного интеллекта 2026"
104
0
Октябрь 2026 г.
TAdviser.ru
Искусственный интеллект и большие данные: от экспериментов к эффекту
102
0
Октябрь 2026 г.
Агентные системы, языковые модели, мультимодальные модели, ИИ
Смотреть видео
CNews
Форум "Технологии искусственного интеллекта 2026"
99
0
Октябрь 2026 г.
TAdviser.ru
Искусственный интеллект и большие данные: от экспериментов к эффекту
131
0
Октябрь 2026 г.
CNews
Форум "Технологии искусственного интеллекта 2026"
104
0
Октябрь 2026 г.
TAdviser.ru
Искусственный интеллект и большие данные: от экспериментов к эффекту
105
0
Октябрь 2026 г.
CNews
Форум "Технологии искусственного интеллекта 2026"
101
0
Октябрь 2026 г.
CNews
Форум "Технологии искусственного интеллекта 2026"
108
0
Октябрь 2026 г.
TAdviser.ru
Искусственный интеллект и большие данные: от экспериментов к эффекту
137
0
Октябрь 2026 г.
Смотреть раздел полностью ->