Глоссарий: 15 терминов AI-автоматизации бизнеса

Простые определения RAG, LLM, YandexGPT, GigaChat, CRM-автоматизации, речевой аналитики и других терминов AI-автоматизации бизнеса в России.

Оглавление

1. Что такое LLM
2. Что такое RAG
3. Что такое embeddings
4. Что такое векторная база данных
5. Что такое YandexGPT
6. Что такое GigaChat
7. Чат-бот и AI-агент — в чём разница
8. Что такое CRM-автоматизация
9. Что такое сквозная аналитика
10. Что такое BI-дашборд
11. Что такое речевая аналитика
12. Что такое закрытый контур (on-premise LLM)
13. Что такое MAX для бизнеса
14. No-code или кастомная разработка
15. Что такое транскрибация
16. Что такое скоринг тендеров

Что такое LLM

LLM (large language model, большая языковая модель) — это нейросеть, обученная на больших объёмах текста предсказывать следующее слово в последовательности, за счёт чего умеет отвечать на вопросы, писать и обобщать тексты, извлекать данные и классифицировать обращения на естественном языке.

LLM отличается от классического алгоритма тем, что не следует жёстким правилам «если-то», а генерирует ответ вероятностно — из-за этого модель иногда уверенно выдаёт неверный факт (это называют галлюцинацией). Именно поэтому в бизнес-задачах LLM редко используют «как есть»: её оборачивают в контур с проверяемыми источниками (см. RAG ниже) и границами допустимых действий.

В практике сайта LLM — это ядро ИИ-агента квалификации заявок: модель понимает свободный текст клиента, извлекает объём, сроки и бюджет и передаёт структурированные данные в CRM (см. кейс ИИ-агента для amoCRM). Подробнее о том, как выбрать модель под задачу — на странице услуги AI-автоматизация процессов.

Вывод: LLM — это движок понимания и генерации текста внутри AI-решения, а не готовый продукт сам по себе — она всегда работает в контуре с четкими правилами и источниками данных.

Что такое RAG

RAG (Retrieval-Augmented Generation) — это архитектура, при которой языковая модель отвечает не из своих общих знаний, а на основе фрагментов документов компании, найденных под конкретный вопрос: прайса, регламентов, инструкций, базы знаний. Каждый ответ можно проверить по указанному источнику.

Отличие от обычного диалога с LLM — в надёжности. Без RAG модель может уверенно назвать правдоподобную, но неверную цифру или условие. RAG-система сначала ищет релевантный фрагмент в проиндексированных документах через embeddings и векторную базу, потом формирует ответ строго на его основе — а если подходящего фрагмента нет, честно сообщает об этом и передаёт вопрос человеку, вместо того чтобы додумывать.

Пример из практики — RAG-контур на YandexGPT и Yandex Embeddings с хранилищем pgvector, который закрывает 60-80% типовых вопросов поддержки без участия человека, отвечая по прайсу, регламентам и FAQ компании (см. кейс RAG-базы знаний на YandexGPT). Подробнее о механике и ценах — на странице услуги RAG-база знаний.

Вывод: RAG превращает языковую модель из «источника правдоподобных ответов» в инструмент, который отвечает проверяемо и по существу документов компании.

Что такое embeddings

Embeddings — это числовое представление текста (вектор), в котором смысловая близость фрагментов выражается через расстояние между векторами: похожие по смыслу фразы получают близкие векторы, даже если используют разные слова.

Embeddings отличаются от простого поиска по ключевым словам тем, что находят релевантный фрагмент по смыслу вопроса, а не по точному совпадению текста — запрос «сколько стоит доставка» найдёт раздел про «условия отгрузки», даже если слово «доставка» там не встречается напрямую. Именно embeddings превращают вопрос пользователя в вектор, который затем сравнивается с векторами фрагментов документов в векторной базе данных.

В связке YandexGPT + Yandex Embeddings, использованной в кейсе RAG-базы знаний для поддержки, embeddings — это шаг между вопросом клиента и поиском нужного фрагмента прайса или регламента в pgvector.

Вывод: embeddings — это способ поиска «по смыслу», а не по точному совпадению слов, и обязательный технический слой любой RAG-системы.

Что такое векторная база данных

Векторная база данных (Qdrant, pgvector, OpenSearch с векторным индексом) — это хранилище, оптимизированное для быстрого поиска ближайших по смыслу embeddings среди тысяч и миллионов фрагментов текста.

Отличие от обычной реляционной базы данных — в типе запроса: обычная СУБД ищет точное совпадение или диапазон значений по полю, векторная — ближайшие по расстоянию векторы. На практике это позволяет за миллисекунды найти 3-5 релевантных фрагментов документа среди всей базы знаний компании, вместо перебора всех файлов вручную или полнотекстового поиска по ключевым словам.

В проектах на этом сайте чаще используется pgvector — расширение для PostgreSQL, которое добавляет векторный поиск в уже существующую базу данных без отдельной инфраструктуры; это упростило внедрение RAG-контура в кейсе базы знаний на YandexGPT. Qdrant выбирают, если объём документов или нагрузка требуют отдельного специализированного хранилища.

Вывод: векторная база данных — это техническая часть RAG-системы «под капотом», выбор конкретного инструмента (pgvector или Qdrant) обычно не принципиален для бизнес-результата.

Что такое YandexGPT

YandexGPT — это линейка больших языковых моделей от Яндекса, размещённых на серверах в России, доступных через Yandex Cloud с оплатой в рублях и легальной работой с персональными данными по 152-ФЗ.

Главное отличие от OpenAI и других зарубежных моделей для российского бизнеса — не в качестве текста как таковом, а в юридических и инфраструктурных условиях: нет блокировок, оплата картой РФ, данные не покидают юрисдикцию. На массовых задачах классификации и извлечения данных YandexGPT также обычно дешевле GPT-4o при сопоставимом качестве на русском языке.

YandexGPT использован как AI-слой в кейсе RAG-базы знаний для поддержки и продаж и в MAX-боте для B2B-продаж — именно из-за требований к работе с ПДн и оплате в рублях. Разбор других сценариев применения — в статье YandexGPT для бизнеса: 7 рабочих сценариев.

Вывод: YandexGPT — разумный выбор по умолчанию для русскоязычных задач бизнеса, где важны легальность работы с ПДн в РФ и стоимость на массовых сценариях.

Что такое GigaChat

GigaChat — это линейка больших языковых моделей от Сбера, альтернатива YandexGPT с аналогичными преимуществами для российского бизнеса: размещение в РФ, оплата в рублях, работа с ПДн по 152-ФЗ.

Отличие от YandexGPT — прежде всего в экосистеме и интеграциях: GigaChat логично выбирать, если компания уже работает с сервисами Сбера или SberCloud, а YandexGPT — если инфраструктура строится на Yandex Cloud. Для большинства типовых бизнес-сценариев (классификация обращений, извлечение данных из документов, RAG-ответы по базе знаний) разница в практическом качестве на русском языке для конкретной задачи не всегда критична — выбор чаще определяется удобством интеграции и ценой, чем принципиальным превосходством одной модели.

При выборе модели под задачу — RAG-бот, ИИ-агент квалификации заявок, анализ тендеров — разумно тестировать обе модели на реальных примерах компании, а не полагаться на общие рейтинги. Подробнее о подборе модели под сценарий — на странице услуги AI-автоматизация процессов.

Вывод: GigaChat — рабочая российская альтернатива YandexGPT, выбор между ними на практике определяется экосистемой и инфраструктурой компании, а не радикальной разницей в качестве.

Чат-бот и AI-агент — в чём разница

Чат-бот — это программа, которая ведёт диалог по заранее заданному сценарию: набор кнопок и веток, где пользователь выбирает вариант ответа, а не пишет свободным текстом. AI-агент — это программа на основе LLM, которая понимает произвольные формулировки, сама извлекает нужные данные из текста и может выполнять действия в других системах, а не только отвечать.

Ключевое отличие — устойчивость к живому языку и способность действовать. Чат-бот по кнопкам ломается, как только пользователь пишет не по сценарию. AI-агент держит контекст разговора, задаёт только недостающие уточняющие вопросы и, например, сам создаёт сделку в CRM с заполненными полями по итогам диалога — вместо того чтобы просто передать текст переписки менеджеру.

В кейсе ИИ-агента квалификации заявок для amoCRM агент отвечает клиенту за секунды, уточняет 4-6 параметров сделки в свободном диалоге и создаёт карточку в amoCRM с полным контекстом — но не называет финальные цены и не даёт юридически значимых обещаний, передавая такие вопросы менеджеру. Похожая логика лежит и в основе AI-агента для Битрикс24, который вносит изменения в CRM только после подтверждения плана действий пользователем.

Вывод: если сценарий укладывается в жёсткое дерево кнопок — достаточно чат-бота; если нужно понимать свободный текст и передавать структурированные данные в CRM — нужен AI-агент.

Что такое CRM-автоматизация

CRM-автоматизация — это настройка правил, интеграций и сценариев вокруг CRM-системы (Bitrix24, amoCRM), при которой заявки из всех каналов попадают в систему автоматически, распределяются по правилам, а не вручную, и не теряются между сайтом, телефонией и мессенджерами.

CRM-автоматизация — это не покупка новой системы, а настройка уже существующей под реальный процесс компании: часто проблема не в CRM как инструменте, а в том, что коробочная воронка сделана под универсальные продажи, а не под конкретный путь заявки в этой компании. Отличие от разработки кастомной платформы (custom SaaS) — CRM-автоматизация работает в рамках готовой системы и её API, не создавая отдельного продукта с нуля.

В кейсе учёта заявок сервисной компании CRM-автоматизация означала перенастройку воронки под реальные этапы обслуживания (диагностика, согласование, ожидание запчасти, выезд, акт, оплата) вместо трёх коробочных стадий, плюс автоматический приём заявок из WhatsApp, Telegram, сайта и телефонии. Подробнее — на странице услуги автоматизация CRM и воронки продаж.

Вывод: CRM-автоматизация чаще всего решает проблему не выбором новой системы, а перенастройкой существующей под фактический процесс и подключением всех точек входа заявок.

Что такое сквозная аналитика

Сквозная аналитика — это связка данных из разных источников (реклама, сайт, CRM, телефония, платежи) в единую цепочку, которая показывает путь клиента от рекламного канала до оплаты и позволяет считать реальную стоимость привлечения и окупаемость по каждому каналу.

Отличие от разрозненной отчётности — в том, что сквозная аналитика связывает данные по общему идентификатору (например, номеру сделки или UTM-метке) через все этапы воронки, а не показывает каждый источник отдельно. Без такой связки компания видит расходы на рекламу и видит выручку, но не может достоверно сказать, какой канал и кампания привели к конкретной оплате.

Сквозная аналитика — частный случай более широкой задачи, которую на этом сайте решает BI и аналитический контур: данные из CRM, рекламных кабинетов, сайта и 1С сводятся в единую модель и визуализируются в дашборде, где стоимость лида по каналам — один из ключевых срезов.

Вывод: сквозная аналитика нужна, если компания тратит бюджет на несколько рекламных каналов одновременно и должна понимать, какой из них реально приносит оплаченных клиентов, а не просто клики.

Что такое BI-дашборд

BI-дашборд (business intelligence) — это визуализированная сводка ключевых показателей бизнеса (продажи, воронка, загрузка производства, стоимость лида), собранная из нескольких источников данных в одном экране и обновляемая по расписанию, а не вручную перед каждой встречей.

Отличие от обычного отчёта в Excel — в автоматизации и единой модели данных: BI-дашборд строится не как «графики ради графиков», а вокруг конкретных вопросов, которые реально задают на планёрках, и обновляется без ручной сборки. Инструменты визуализации — DataLens, Metabase, Superset — вторичны по отношению к модели данных, которая определяет, что вообще значит «конверсия» или «загрузка» в конкретной компании.

В кейсе BI-дашборда для производственной компании данные из CRM, 1С и производственного учёта свели в одну модель и визуализировали в DataLens — руководитель получил единый экран вместо ручной сборки отчёта в Excel перед каждой планёркой. Подробнее — на странице услуги BI и аналитический контур.

Вывод: BI-дашборд решает проблему не отсутствия данных, а их разрозненности — и требует, чтобы базовый учёт в CRM и 1С уже был наведён, иначе дашборд просто красиво покажет неполную картину.

Что такое речевая аналитика

Речевая аналитика — это технология, которая автоматически распознаёт речь в записи звонка, превращает её в текст (транскрибацию) и оценивает разговор по заданным критериям с помощью AI: соблюдение скрипта, обработку возражений, тон разговора, исход звонка.

Отличие от ручного прослушивания — в охвате: вместо выборки из 5-10 звонков в день руководитель отдела продаж получает AI-оценку 100% разговоров по единой шкале. Ключевое условие рабочей речевой аналитики — критерии оценки должны быть описаны под конкретный скрипт и процесс компании, а не взяты как общий шаблон вендора: «хороший звонок» в разных компаниях означает разные вещи.

Речевая аналитика применяется в связке с CRM — оценка звонка и извлечённые из него данные автоматически записываются в карточку сделки в Битрикс24 или amoCRM (writeback), что видно и в смежном сценарии ИИ-агента квалификации заявок, где данные из диалога с клиентом сразу попадают в структурированные поля CRM. Подробнее о механике и внедрении — на странице услуги контроль качества звонков (речевая аналитика).

Вывод: речевая аналитика полезна только после того, как в компании описаны критерии хорошего звонка — без этого шага AI просто красиво оформит чей-то субъективный вкус вместо объективной оценки.

Что такое закрытый контур (on-premise LLM)

Закрытый контур — это размещение языковой модели, векторной базы и логов запросов на собственном сервере компании или в изолированном облаке, без передачи данных во внешние публичные API моделей.

Отличие от облачного варианта (запросы к YandexGPT, GigaChat или OpenAI через API) — в контроле над данными: в закрытом контуре информация физически не покидает инфраструктуру компании, что критично для гостайны, части регулируемых отраслей и компаний с повышенными требованиями безопасности. Обратная сторона — закрытый контур обычно поднимает бюджет проекта на 20-40% относительно облачного варианта за счёт инфраструктуры и дополнительной настройки.

В услуге RAG-база знаний закрытый контур — одна из опций: локальные модели, локальные embeddings и хранение документов на сервере клиента, с отдельной фиксацией того, кто имеет доступ и как удаляются данные.

Вывод: закрытый контур нужен не всем — это осознанный компромисс между стоимостью и уровнем контроля над данными, а не обязательный стандарт для любого AI-внедрения.

Что такое MAX для бизнеса

MAX — российский мессенджер от VK (развившийся из TamTam), на котором бизнес может запускать верифицированных ботов для приёма заявок, поддержки клиентов и уведомлений — с обязательной верификацией юрлица перед стартом.

Отличие MAX от Telegram для бизнеса — не в технологии бота как таковой (архитектура сценариев схожа), а в доступности аудитории: часть корпоративных клиентов работает в компаниях, где Telegram закрыт политикой безопасности, а MAX — нет. Это делает MAX отдельным каналом лидогенерации и поддержки, а не заменой Telegram.

В кейсе MAX-бота для B2B-продаж бот с верифицированным юрлицом принимал заявки, отвечал на типовые вопросы поддержки через RAG по базе знаний компании и присылал уведомления по статусу заказа — конверсия заявок при переносе диалога с сайта в MAX-бот выросла на 15-25%. Подробный разбор запуска — в статье чат-бот в MAX мессенджере для бизнеса.

Вывод: MAX стоит подключать, если у компании значимая доля корпоративных клиентов, для которых Telegram недоступен по политике безопасности их организации.

No-code или кастомная разработка

No-code платформа — это готовый конструктор, который позволяет собрать простой сценарий (бота, форму, автоматизацию) без программиста, через визуальный интерфейс и ограниченный набор блоков. Кастомная разработка — это создание решения с нуля под конкретный процесс компании, без ограничений готового конструктора.

Отличие проявляется на масштабе: no-code быстро запускает MVP на небольшом объёме данных и одном сценарии, но упирается в потолок, как только нужны роли доступа, сложная логика ветвления, интеграция с CRM и 1С одновременно или контроль качества ответов AI. Кастомная разработка дороже и дольше на старте, зато не имеет архитектурных ограничений и тиражируется на соседние отделы и процессы.

Например, для учёта объектов монтажной компании коробочная CRM и no-code конструкторы не подошли по построению — объект живёт месяцы, с параллельными этапами и документами, а не как короткая линейная сделка, поэтому построена кастомная внутренняя платформа. Подробнее о том, когда нужна именно кастомная разработка — на странице услуги разработка кастомных SaaS и внутренних платформ.

Вывод: начинать разумно с no-code или настройки готовой системы, и переходить на кастомную разработку только тогда, когда процесс упирается в архитектурные ограничения конструктора.

Что такое транскрибация

Транскрибация — это автоматическое преобразование записи разговора (звонка, встречи, голосового сообщения) в текст с разбивкой по репликам говорящих, пригодный для поиска, анализа и хранения вместо аудиофайла.

Отличие транскрибации от речевой аналитики — в глубине обработки: транскрибация даёт только текст разговора и разбивку по репликам, а речевая аналитика — следующий шаг, который поверх текста оценивает разговор по критериям (скрипт, возражения, исход). Для многих компаний транскрибация — самостоятельный полезный результат сама по себе: поиск по ключевым словам и возражениям в истории звонков без ручного прослушивания.

В услуге контроль качества звонков (речевая аналитика) транскрибация — первый этап перед AI-оценкой по критериям, и часть клиентов начинает именно с неё, подключая полноценную оценку вторым шагом, когда критерии хорошего звонка уже описаны.

Вывод: транскрибация — это база для речевой аналитики, но её можно использовать и отдельно, если пока нужен только текст разговора и поиск по нему, без AI-оценки.

Что такое скоринг тендеров

Скоринг тендеров — это автоматическая оценка тендерной документации по формализованным критериям (соответствие профилю компании, совпадение с каталогом продукции, объём и сроки), которая даёт прозрачный вывод — стоит ли участвовать в конкретной закупке.

Отличие от ручного разбора — в скорости и повторяемости: специалист вручную изучает документацию и сопоставляет её с возможностями компании по памяти, а скоринг делает то же самое по единым критериям за минуты, для десятков тендеров параллельно. Система извлекает текст из PDF, DOCX, XLSX и сканов, сопоставляет позиции закупки с каталогом продукции и формирует структурированную оценку, а не просто выжимку документа.

В кейсе автоматизации анализа тендеров для производственной компании внедрение подняло пропускную способность с 5 до 100+ тендеров в день на одного специалиста, а решение об участии стало приниматься до 5 раз быстрее. Подробнее — на странице услуги автоматизация анализа тендеров (Tender AI).

Вывод: скоринг тендеров окупается там, где поток закупок велик, а ручной анализ документации создаёт узкое место для тендерного специалиста — на небольшом потоке автоматизация не нужна.

Частые вопросы

Связано