«Контекст» в Технониколь: пилот ИИ-ассистента в контуре продуктовой разработки

О проекте

Технониколь – один из крупнейших российских производителей кровельных, гидроизоляционных и теплоизоляционных материалов с более чем 70 производственными площадками. Масштаб компании держится на десятках внутренних цифровых продуктов, которые разрабатывает и поддерживает собственная ИТ-команда, а значит и на огромном объеме проектной документации: технических заданий, эпиков, вики-страниц, комментариев к задачам и код-ревью.

Специалисты Globus и экспериментальная команда разработки Технониколь развернули пилот корпоративной ИИ-платформы «Контекст» на собственном оборудовании в контуре компании. Цель пилота – подтвердить эффект от внедрения на реальных проектных данных.

Задача

Продуктовая и ИТ-команда Технониколь ведет разработку в нескольких системах одновременно: код и его историю – в GitLab, базу знаний и регламенты – в Яндекс.Вики, задачи и эпики – в Яндекс.Трекере. Каждая новая функция или требование должно быть непротиворечиво по отношению к тому, что уже сделано и описано, а составление технического задания, тест-кейсов и декомпозиции задач – это ручная работа, которая требует удерживать в голове контекст сразу нескольких систем.

Отдельная проблема – устные обсуждения: решения, принятые на созвонах, редко фиксируются полностью и теряются между вики и трекером.

Перед командой Globus стояла конкретная задача: собрать код, документацию, задачи и содержание совещаний в единый источник, с которым ИИ-ассистент работает как с целым проектом, а не с тремя изолированными системами. При этом развернуть решение нужно было так, чтобы проектные данные не покидали периметр компании: на собственном оборудовании Технониколь, без передачи информации во внешние облачные сервисы.

Реализация

Решение было реализовано полностью в собственном контуре Технониколь, без передачи данных за его пределы. Языковая модель работала локально через LM Studio (среду запуска моделей на собственном оборудовании) на модели OpenAI gpt-oss-120b, а для распознавания и разделения речи разных участников совещаний (диаризации) использовалась модель pyannote. Фронтэнд собрали на React и TypeScript, бэкенд – на PHP, ML-слой – на Python и FastAPI, а файлы и данные хранились в Minio – самостоятельно развёрнутом S3-совместимом хранилище.

Поверх этой архитектуры команда Globus реализовала полноценный рабочий инструмент:

1. чат с ИИ-ассистентом с загрузкой файлов и проектной информации;
2. гибкую настройку системного промпта – правил, по которым ассистент формулирует ответы, – и других параметров модели;
3. управление ролями, проектами и пользователями с авторизацией;
4. интеграции с GitLab, Яндекс.Вики и Яндекс.Трекером – ассистент читает код, документацию и задачи напрямую из рабочих систем команды;
5. генератор технических заданий и саммаризатор совещаний;
6. хранилище промптов для переиспользования удачных формулировок запросов.

Результат

По итогам пилота команда Технониколь получила рабочий набор возможностей поверх собственных проектных данных:

1. декомпозицию задач на более мелкие и понятные шаги;
2. ответы на вопросы по проектным данным (Q&A) с опорой на код, вики и трекер одновременно;
3. расчет план-факта по проекту;
4. составление тестов бэкенда и тест-кейсов;
5. валидацию новых требований на соответствие уже существующим эпикам, документации в вики и коду;
6. выгрузку табличной информации для дальнейшей работы;
7. анализ задачи или эпика с учётом всех комментариев, оставленных к ним, – ассистент не упускает контекст обсуждения;
8. саммаризацию совещаний – расшифровку и краткое резюме с разделением по участникам;
9. генерацию технических заданий на основе накопленного проектного контекста.

Пилот подтвердил главное: платформу можно развернуть в закрытом контуре крупного промышленного заказчика на собственном оборудовании, без передачи данных вовне, и получить полный набор рабочих сценариев для продуктовой команды – от постановки задачи до тестирования.