Жодна продуктова команда не може встигати за всіма потребами та сценаріями Сил оборони. Водночас військові вже самостійно адаптують наявні цифрові продукти — створюють допоміжні застосунки та власні інструменти, щоб закривати конкретні потреби у своїх бойових end-to-end процесах і пришвидшувати знищення ворога. Як перетворити цю потребу на повноцінну платформенну можливість? Як дати користувачам безпечний і стандартизований спосіб адаптувати цифрові продукти під власні задачі на полі бою? У презентації розберемо наш підхід до цієї проблеми, покажемо реальні кейси та продемонструємо основні можливості, які вже працюють сьогодні. Поговоримо також про те, як розвивати цей підхід далі: від адаптації інтерфейсів до роботи з серверною логікою, даними та AI/Agent можливостями — і зрештою дати користувачам змогу збирати власні end-to-end процеси навколо спільної платформи.

Що насправді відбувається з аутсорс-компанією в еру AI? Клієнти перестали питати «скільки це займе» — вони приходять з власною оцінкою. Вони переоцінили нас без нашої обіцянки й без нашої згоди. Довгострокове планування зламалось, а з ним — фінансова модель і ієрархія позицій. Доповідь про те, як ми через це проходимо — на двох конкретних кейсах. Перший: клієнт попросив ×10 продуктивності з наступного спринту. Ми не пообіцяли, що ручна робота зникне — пообіцяв інший вендор. Клієнт зняв 6 із 10 наших інженерів і замінив їх «рієм агентів». Розберемо, як той рій влаштований, чому фічі не доїжджали до продакшену і чому інженерів зараз повертають. Другий: ми поставили ту саму ставку самі — максимальний AI у власному експерименті. 2.5 місяця замість одного, одна з чотирьох фіч переписана після релізу, сотні багів. І те, що з цього вийшло корисного: як ми знайшли, що реальний блокер делівері — це піари, як влаштований наш PR-класифаєр, у якому порядку працюють Claude, класифаєр і розробники, і правило 80%. Плюс відповідь на питання, яке стосується кожної аутсорс-компанії: та сама фіча — менше годин при схожому рейті. Клієнт платить менше, а ми маємо частіше не помилятись.

Створити AI-агента — лише половина задачі. Треба ще зрозуміти, наскільки добре він працює і чи не став гіршим після зміни моделі, запиту, інструментів або даних. У доповіді на практичному прикладі розберемо, як створювати Evals для AI-агентів: формувати тестові сценарії, визначати критерії та метрики якості, використовувати автоматичні перевірки, LLM-as-a-Judge і ручне оцінювання, порівнювати версії агента та вбудовувати Evals у процес розробки й тестування.

Розповідь про шлях створення та розвитку найбільшого військового застосунку, особливості айтішної служби і погляд на плюси, мінуси і підводні камені процесу

Аналітика без черги — це не ситуація, коли AI просто швидше будує графіки. Це нова модель взаємодії з бізнесом, у якій дані стають доступними через діалог, дашборди створюються на вимогу, а AI-агенти допомагають не лише побачити, що сталося, а й а самостійно досліджують дані, пояснюють причини та допомагають ухвалювати рішення.

«Так, дякую, ви абсолютно праві! ? Зараз перепишу так, щоб читалося, наче це написала людина. Ось оновлена версія — жива, з людською інтонацією, без канцеляриту». Задовбало таке читати? Мене — так. Вода, вода, водюська. Якісь висновки до питань, які не були поставлені. Читаєш і не розумієш: чи то ти тупий, чи то AI-шка писала. У цій доповіді, написаній самостійно, я розбиратиму набір AI-політик, які ми впровадили у своїй організації, і розповідатиму, як ми використовуємо AI, щоб спрощувати комунікацію, а не ускладнювати її.

Сьогодні всі створюють AI-асистентів, які допомагають у повсякденних справах, і за допомогою vibe coding швидко збирають красиві демонстраційні застосунки. Однак, коли ви намагаєтеся запустити AI-асистента в реальному production-середовищі — особливо якщо ним користуватимуться громадяни на державному порталі, — стає зрозуміло, що створення самого AI-агента становить лише близько 10% усієї роботи. Решта 90% припадає на наскрізні вимоги системи та очікування різних груп стейкхолдерів. Доповідь базується власному досвіді Олега,а саме запуску AI-асистентів для громадян на державному порталі, створеному на основі агентної AI-платформи. Він розповість про виклики, з якими ми зіткнулися, вимоги та застереження різних груп стейкхолдерів, важливі нефункціональні вимоги й атрибути якості рішення, а також можливі способи розв’язання цих проблем. Учасники отримають практичні поради, ширше бачення реальних викликів і зможуть розвинути критичне мислення. Вона буде корисною фахівцям із різними ролями, які хочуть отримати цілісніше уявлення про створення та запуск AI-асистентів у production. Серед тем, які Олег планує розглянути: — наївна реалізація чатбота порівняно з масштабованим і зрілим рішенням; — переваги та недоліки агентної AI-платформи порівняно з власною реалізацією; — вибір між публічною та приватною LLM; — продуктивність і якість роботи; — інфраструктура; — витрати; — обробка помилок; — UI/UX; — guardrails, захист від зловживань і DDoS-атак; — спостережуваність системи; — багатомовна підтримка; — фреймворк для тестування та оцінювання; — робота з персональними даними; — та інші аспекти.

ШІ сьогодні може відповідати на запитання, шукати інформацію та виконувати завдання. Але як зробити так, щоб він став не просто ще одним чатом, а справжньою частиною бренду? На прикладі Машрума Геннадійовича - АІ-асистента Сільпо - розповім, як створювався продукт, що поєднує сучасні LLM, продуктове мислення та характер бренду. Поговоримо про шлях від ідеї до запуску, архітектуру рішення, компроміси, помилки та висновки, які можуть бути корисними кожному, хто будує АІ-продукти.

Я хочу поговорити про справжнє впровадження AI — проблеми, про які рідко пишуть у LinkedIn-історіях успіху, — спираючись на досвід Temabit з розгортання AI в delivery-процесі. Поговоримо про проблеми на землі — не в презентаціях, а в роботі команд: як команди опираються змінам, що нарешті веде до прийняття нового підходу, і яку ціну це справді має — у часі, процесах і культурі. Пояснимо, чому видачі розробникам ліцензії на Claude Code недостатньо — і чому AI SDLC важливий, коли мета — масштабувати впровадження далі одного «power user» на весь delivery process. Розглянемо шлях Temabit від хаотичного застосування агентів до SDD, а потім до AI SDLC, з ключовими проблемами на кожному кроці. Завершимо розмову наступними кроками і проблемами, які досі вирішуються.

Ми вже живемо у світі, де AI-агенти пишуть код, аналізують документи та виконують дедалі складніші завдання. Але чи можуть вони не лише відповідати на запитання, а й економити наш час у повсякденному житті? У цій доповіді я покажу, як ми спроєктували архітектуру MCP сервера, що дозволяє AI-агентам безпечно взаємодіяти з сервісами Сільпо: знаходити товари, формувати кошик і виконувати дозволені дії від імені гостя. Поговоримо про: - чим відрізняється MCP для повсякденних сценаріїв від MCP для розробників; - як забезпечити безпечний доступ до персональних даних через AI; - які архітектурні виклики виникають під час запуску MCP у production; - чи залишаться сайти та мобільні застосунки основним способом взаємодії з цифровими сервісами; - чи стане природна мова новим інтерфейсом для електронної комерції. На прикладі Сільпо MCP розглянемо, як AI-агенти переходять від відповідей до реальних дій.