Пока разработчики по всему миру мучаются с ChatGPT, пытаясь выжать из него хоть что-то приличное для технической документации, команда Artezio пошла другим путем. Вместо того, чтобы полагаться на сырой ИИ, мы создали «Кентавр» — гибридную систему, которая объединяет возможности больших языковых моделей с экспертизой опытных аналитиков.

В результате то, на что enterprise-команды тратят месяц (на подготовку полного пакета требований на 60-100 страниц), задействуя несколько специалистов, «Кентавр» делает за пару дней силами одного аналитика. При этом документы качественнее: структурированные, непротиворечивые и главное — повторяемые от проекта к проекту.

О том, как создавалась эта система, с какими проблемами столкнулись разработчики и почему простого ChatGPT недостаточно для серьезной документации, рассказали Андрей Шагалов, директор по маркетингу Artezio, и Денис Харченко, директор по развитию бизнеса компании. Они поделились техническими деталями архитектуры, объяснили концепцию Human-in-the-Loop и раскрыли планы по превращению нового инструмента в популярный коммерческий продукт.

Многие команды пытаются использовать ИИ для создания документации, но часто получают поверхностный результат — разные модели отвечают по-разному. С какими фундаментальными проблемами общедоступных LLM вроде ChatGPT вы столкнулись? Зачем было разрабатывать собственную методологию и подход? 

Денис Харченко: Рынок буквально переполнен попытками создать «умный» генератор документации на базе открытых моделей и ChatGPT. Однако результаты этих экспериментов сложно назвать успешными. Мы тоже прошли через все эти болезненные итерации.

Ключевая проблема заключается в том, что искусственный интеллект великолепно генерирует тексты, но плохо справляется с системностью. Каждый запуск не гарантирует повторяемый результат, документы получаются разрозненными, логически несвязанными. Один и тот же запрос сегодня и завтра может выдать кардинально разные документы.

Столкнувшись с этими ограничениями в собственных проектах, мы пошли по пути создания гибридного решения. Сначала это был простой набор инструментов для наших аналитиков, но постепенно вырос в полноценную экосистему: методология + обученные специалисты + технологический стек. Такой подход позволил нам стандартизировать процесс создания документации, сохранив при этом качество и существенно сократив временные затраты.

Андрей Шагалов: Есть существенная разница между инструментом и решением. ChatGPT — это мощный инструмент, который может генерировать впечатляющие тексты, но он работает в вакууме. У него нет понимания контекста проекта, бизнес-процессов клиента, важных деталей отраслевой специфики.

Мы же создали не просто продвинутый промпт, а целостную систему, которая превращает спонтанную генерацию в структурированный и суперэффективный процесс. «Кентавр» включает в себя методологию проведения интервью, ориентированную на последующую обработку LLM, создание и обновление документации с использованием LLM и RAG.

И, грубо говоря, если ChatGPT ускоряет аналитика раза в два, то с «Кентавром» это ускорение в десять раз. В новом подходе сконцентрирована экспертиза наших коллег из компании с 25-летним стажем в разработке, усиленная LLM.

Вы называете свой подход «Кентавр», и я понимаю, что вкладываете в это название отсылку к симбиозу человека и новых технологий. Где заканчивается ИИ и начинается человек в вашем процессе? И почему этот симбиоз важен?

Андрей Шагалов: Название «Кентавр» возникло естественным образом в процессе развития нашего подхода. Когда два года назад большие языковые модели достигли действительно качественного уровня, мы задались амбициозной целью: создать универсального помощника, который бы одновременно был и аналитиком, и разработчиком — способным самостоятельно формулировать требования и тут же воплощать их в код.

Практика показала, что эта идея была слишком радикальной для текущего уровня технологий. Постепенно наш «Кентавр» разделился на две специализации: кодогенерация обособилась в отдельное направление - в то, что сейчас называется  вайбкодинг. И, кстати, одно из свойств нашей документации, которое мы развиваем - разработчикам должно быть легко вайбкодить по ней. Документация может быть ценна и сама по себе, но чаще главная ценность - продукт, который должен из нее родиться. Так вот в «Кентавре» мы сосредоточились на создании требований. Но принцип симбиоза остался: половина «Кентавра» — это человеческая экспертиза и интуиция, половина — вычислительная мощь и скорость ИИ.

Именно это сочетание дает нам конкурентное преимущество: быстроту машины с мудростью опытного аналитика.

Получается, что человек должен присутствовать в процессе всегда. Но как можно предложить подход массовому рынку, если все равно часть процесса завязана на человеческом ресурсе? Выходит, вы вместе с продуктом должны передавать такого специалиста, или это не нужно?

Денис Харченко: Вы точно сформулировали ключевую дилемму нашего продукта. Действительно, технологическая платформа может работать с любыми типами документов — ее гибкость определяется настройками и методологией. Но методология — это не просто набор правил, это живой процесс, требующий человеческого суждения.

Возьмем конкретный пример: для создания качественного документа мы разработали структурированное интервью из полутора сотен вопросов. Звучит просто, но на практике интервью — это искусство. Собеседник может в одном ответе затронуть пять разных тем, разговор может пойти совершенно непредсказуемым путем и открыть важные детали, которые невозможно было предусмотреть заранее. Здесь нужна интуиция опытного аналитика: что важно, что второстепенно, в каком направлении развивать диалог.

Это создает для нас интересный вызов масштабирования. С технической точки зрения мы готовы развернуть систему где угодно. Но передача экспертизы — это отдельная задача, которую мы решаем через программы обучения и сертификации.

Параллельно мы работаем над «умными» подсказками для аналитиков, помогающими не пропустить важные вопросы и обеспечить полноту охвата. Но это эволюционный процесс. Поэтому сейчас «Кентавр» — это больше услуга с перспективой развития в самостоятельный продукт.

Вы используете концепцию Human in the Loop (человек в цикле обработки). В чем принципиальное отличие вашего подхода от простой постобработки результатов ИИ? Какую технологическую поддержку получает аналитик сверх обычного взаимодействия с ChatGPT?

Андрей Шагалов: Принципиальное отличие нашего подхода заключается в том, что мы автоматизировали весь конвейер создания документации, а не отдельные его звенья.

Представьте классический процесс работы аналитика: интервью с заказчиком, запись на диктофон, ручные заметки, затем мучительная расшифровка аудио, структурирование информации, написание требований, многократная проверка на непротиворечивость. На каждом этапе — часы рутинной работы и риск человеческой ошибки.

Наш «Кентавр» превращает этот процесс в интеллектуальный конвейер. Система не просто транскрибирует речь — она понимает структуру диалога, определяет спикеров, выделяет ключевые смыслы и автоматически привязывает их к нужным разделам будущего документа. Когда аналитик получает обработанную запись, он видит не сырой текст, а структурированную базу знаний, готовую для превращения в техническую документацию.

Более того, система следит за логической целостностью документа — если в разделе «Цели проекта» появляется информация, противоречащая разделу «Ограничения», система это зафиксирует. Аналитик получает не просто ускорение, а принципиально новый уровень контроля над процессом.

Денис Харченко: Важно понимать, что качественная документация никогда не создается на базе одного только интервью. Любой серьезный проект существует в сложной экосистеме: корпоративные стандарты, отраслевые регламенты, архитектурные принципы, нормативные требования.

Здесь мы используем технологию RAG (Retrieval-Augmented Generation — генерация с расширенным поиском), создаем единую базу знаний, которая включает все: от PDF-файлов корпоративных стандартов до видеозаписей технических демонстраций. Специализированные модели обрабатывают каждый тип контента — распознают текст со сканов, извлекают ключевые моменты из видео, анализируют структуру существующих документов.

Результат — контекстно-зависимая генерация. LLM работает не в вакууме, а опираясь на полную картину проекта. Но даже здесь требуется экспертный взгляд аналитика: машина может не уловить неявные договоренности, сложившиеся практики, нюансы корпоративной культуры. Задача специалиста — дополнить машинную логику человеческой интуицией.

То есть это гораздо более сложная история, чем просто разобрать речь. Насколько квалификация аналитика влияет на качество работы «Кентавра»? Сможет ли «Кентавр» существовать в отрыве от него?  

Андрей Шагалов: Абсолютно не может, и в этом заключается философия нашего решения. Мы изначально проектировали «Кентавра» как симбиоз ИИ и человека, а не как полную замену человеческой экспертизы.

Ключевая проблема современных LLM — они требуют детального контекста для качественной работы. Недостаточно сказать «напиши требования» — нужно объяснить, кто ты, в какой организации работаешь, какие стандарты применяются, какая отраслевая специфика существует. Этот многоуровневый контекст и формирует профессиональный аналитик.

Наш опыт показывает критическую важность человеческой экспертизы. Опытный аналитик мгновенно распознает типичные «галлюцинации» ИИ — когда система генерирует технически корректный, но содержательно пустой текст. Классический пример: «Цель проекта — создать проект». Формально это правильное предложение, но оно не несет никакого смысла. Джуниор-аналитик может этого не заметить, а сеньор сразу поймет, что нужна доработка.

Поэтому квалификация аналитика прямо влияет на качество итогового продукта. «Кентавр» усиливает экспертизу, но не заменяет ее — он сделает опытного специалиста супер продуктивным, но не превратит новичка в эксперта.

Почему «Кентавр» позиционируется как отдельный продукт? Разве не лучше было бы сделать его общедоступным сервисом — клиенты приходят к Artezio, получают готовую документацию и идут дальше разрабатывать?

Денис Харченко: История развития «Кентавра» прошла через два ключевых этапа открытий. Первоначально мы просто хотели оптимизировать собственные процессы — ускорить создание документации для наших контрактных проектов. Но в процессе работы с клиентами мы обнаружили, что подготовка качественных требований имеет самостоятельную ценность, далеко выходящую за рамки разработки.

Современные компании постоянно сталкиваются с необходимостью быстрых решений: оценить перспективность идеи, сравнить несколько концепций продуктов, подготовить техническое задание для внешних подрядчиков. Каждая из этих задач требует структурированного описания требований, но не обязательно полного цикла разработки.

«Кентавр» позволяет клиентам получить полное описание контура проекта после одного интервью — документ, пригодный как для внутренней команды, так и для передачи внешним исполнителям. Более того, на основе этого описания мы можем за несколько часов создать пакет пользовательских историй и за пару дней — прототип.

В перспективе мы видим «Кентавр» как универсальную платформу для создания любых типов структурированных документов — от нормативной документации до аналитических отчетов.

Что мешает сделать «Кентавр» коробочным продуктом? Не является ли экспертиза ваших аналитиков неотчуждаемой частью технологии?

Андрей Шагалов: Технически мы движемся к созданию отчуждаемого продукта, но здесь есть сложность. Каждый опытный аналитик имеет собственный подход к структурированию информации, свое видение оптимальной документации.

Когда мы внедряем «Кентавр» в новую организацию, требуется адаптация не только под корпоративные стандарты, но и под конкретных специалистов, которые будут с системой работать. Это решаемая задача, но она требует индивидуального подхода к каждому клиенту.

То есть стоимость внедрения варьируется в зависимости от объема адаптации?

Денис Харченко: Сейчас мы предоставляем «Кентавр» как услугу с гибким ценообразованием. Сложность проекта может различаться кардинально — одному продукту достаточно одного интервью, другому требуется десять сессий с разными стейкхолдерами. Но главное — экономическая эффективность остается отличной  при любой сложности. Типичный enterprise-клиент тратит 3-5 недель на формирование технических требований, иногда больше. «Кентавр» сокращает этот процесс до двух дней. За время, которое раньше уходило на один документ, заказчик может протестировать множество продуктовых гипотез.

У вас в промо-материалах заявлено ускорение в десять раз. Как достигается такой результат?

Денис Харченко: Цифры говорят сами за себя. Полноценный технический документ на 60-100 страниц — с бизнес-требованиями, функциональными и нефункциональными ограничениями, целями и критериями — enterprise-команда создает в среднем за месяц. То есть 20 рабочих дней против двух дней с «Кентавром».

Но это еще не все. Традиционно над такой документацией работает команда из двух-трех аналитиков. «Кентавр» позволяет одному специалисту справляться с задачей благодаря интеллектуальной поддержке системы и опоре на RAG-базу. Если учесть экономию человеческих ресурсов, эффект может достигать ускорения в 15-20 раз. И это без учета случаев, когда традиционный процесс затягивается из-за итераций и согласований, а такое случается довольно часто.

Как «Кентавр» будет конкурировать с развивающимися LLM? ChatGPT следующих поколений, возможно, будет делать меньше ошибок и лучше понимать контекст. В чем ваше долгосрочное конкурентное преимущество?

Даже если крупные игроки — Anthropic или OpenAI — встроят аналогичную функциональность прямо в ChatGPT, фундаментальная проблема контекста никуда не исчезнет.

Любая нейросеть, какой бы умной она не стала, остается универсальным инструментом. Ей по-прежнему нужно объяснить специфику вашей роли, отрасли, корпоративных стандартов, связи между разделами документов. Возможно, OpenAI создаст что-то вроде Google Docs внутри ChatGPT для совместного редактирования — это логичный шаг.

Но наше преимущество - не в технологии создания документов, а в способности погрузить ИИ в правильный контекст, задать необходимые вопросы и собрать все релевантные материалы в единую базу знаний. Рост качества LLM эти задачи автоматически не решит.

А что если условная ChatGPT 5.0 сможет сама опрашивать пользователя, выясняя необходимый контекст?

Андрей Шагалов: Технически это вполне реализуемо. В нашей методологии уже есть структурированный опросник — около сотни вопросов. Современные LLM прекрасно ведут диалог, и мы рассматриваем автоматизацию интервью как один из вариантов развития. Но здесь возникает принципиальный момент — сможет ли ИИ задавать уточняющие вопросы на уровне опытного аналитика. Человек улавливает контекст, развивает неожиданные направления разговора, интуитивно понимает, что важно копнуть глубже. Пока это требует дополнительного внимания.

Денис Харченко: Я бы выделил несколько ограничений универсальных LLM, которые не исчезнут с ростом их мощности.

Первое — проблема повторяемости. Попросите ChatGPT десять раз написать простое письмо одним и тем же промптом — получите 9 одинаковых и один странный неподходящий. Для промышленного использования такая вариативность неприемлема. 

Второе — бизнес-контекст. ИИ может научиться задавать вопросы и отслеживать полученные ответы, но оценить бизнес-целесообразность направления беседы, понять, когда нужно остановиться или сменить фокус — это требует понимания реального мира, которого у машины нет.

Именно поэтому нужен опытный аналитик, способный оценить, ведет ли диалог в продуктивном направлении или стоит скорректировать курс.

Как происходит адаптация под индустрии — банки, нефтегаз и другие?

Денис Харченко: «Кентавр» изначально создан как платформа для инженерной документации разработки ПО, поэтому жесткой отраслевой привязки нет. Адаптация под конкретную индустрию происходит на уровне наполнения RAG-базы отраслевыми стандартами, регламентами и практиками.

Для работы с принципиально другими типами документов — скажем, нормативными отчетами вместо технических требований — потребуется корректировка методологии: новый опросник для аналитика и новый набор промптов, описывающих структуру и логику связи разделов. Но технологическое ядро остается неизменным.

В чем уникальная ценность «Кентавра», которую невозможно воспроизвести самостоятельно с помощью доступных LLM?

Денис Харченко: Ключевое отличие заключается в двух принципиальных аспектах.

Первый — уникальность бизнес-знаний. Каждая компания обладает собственной экосистемой знаний, практик, стандартов. Мы точно знаем, какой именно набор данных необходим для создания качественного документа в каждой конкретной ситуации.

Второй — технологическая интеграция. «Кентавр» — это не просто набор промптов, а полноценная мультимодальная система: обработка речи и видео, распознавание изображений и текстов со сканов, интеллектуальное преобразование всего этого в RAG-базу с сохранением контекста и смысла. Результат — повторяемость на промышленном уровне.

Опытный пользователь может создать один хороший документ вручную, но как только потребуется масштабирование — десятки похожих документов с единой структурой и качеством — начинаются проблемы. Наша система превращает экспертную работу в воспроизводимый процесс.

«Кентавр» всегда выдает качественный результат или есть механизмы фильтрации неудачных вариантов?

Денис Харченко: Двухуровневая система контроля качества: автоматическая проверка на полноту и непротиворечивость плюс экспертный надзор. ИИ по природе вариативен — даже при идентичных входных данных результат может слегка отличаться. Наша задача - минимизировать эти флуктуации и отсеивать их на раннем этапе.

Какие технологии использует «Кентавр»? Работаете ли вы с несколькими LLM, учитывая их специализацию?

Андрей Шагалов: У нас модульная архитектура с универсальными коннекторами. Можем подключить любую LLM — от OpenAI до Llama или Qwen. Выбор зависит от требований клиента к конфиденциальности. Кто-то готов работать с облачными решениями, кто-то требует локального развертывания.

Переход между моделями требует адаптации промптов, но архитектура изначально спроектирована гибкой под потребности каждого клиента.

Как обеспечивается конфиденциальность для клиентов со строгими требованиями безопасности?

Денис Харченко: Полное локальное развертывание в контуре клиента — данные не покидают корпоративные границы. Используем локальные модели и инструменты, включая Whisper в локальной версии.

Конечно, это требует серьезных вычислительных ресурсов, но безопасность всегда была балансом между ценностью информации и затратами на защиту. Крупные компании обычно уже имеют необходимые мощности для экспериментов с ИИ. Средний бизнес может арендовать защищенные облачные ресурсы временно.

Рассматриваете ли простой web-сервис — зашел на сайт, описал идею кафе или приложения, получил документацию?

Денис Харченко: Это очень логичное направление развития, и мы серьезно прорабатываем такую возможность. Более того, наш опыт показывает, что именно для таких задач — быстрой оценки и структурирования бизнес-идей — «Кентавр» может дать максимальный эффект.

Представьте типичную ситуацию: у предпринимателя есть идея мобильного приложения или сервиса, но чтобы оценить ее перспективность, получить инвестиции или найти техническую команду, нужна структурированная документация. Традиционно на это уходят недели работы с аналитиками и десятки тысяч рублей.

Web-версия «Кентавра» могла бы сократить этот процесс до нескольких часов и сделать его доступным малому бизнесу. Пользователь проходит структурированное интервью — отвечает на серию вопросов о целевой аудитории, функциональности, бизнес-модели, ограничениях. Система формирует техническое задание, может даже создать базовый кликабельный прототип.

PS

Мы понимаем, что тема новая и во многом спорная. Будем рады вашим вопросам, удачным кейсам и примерам нелепых ошибок в документах от LLM здесь, в комментариях. А если захочется обсудить детали или применимость «Кентавра» к вашим задачам — смело пишите Денису Харченко (TG: @dn_xr; почта: DenisKh@artezio.ru).