Платформа «Око» от «Лукоморья»: как автоматизировать бизнес-процессы с помощью ИИ-агентов

Решение сопоставимо с Amazon Bedrock AgentCore и Microsoft Copilot Studio, но ориентировано на интеграцию в ИТ-инфраструктуру российских компаний. Для рынка SaaS это сигнал: крупный оператор делает ставку на no-code сборку ИИ-процессов вместо разовых заказных разработок.

Что именно предлагает «Око»

• Визуальный конструктор процессов. Сценарии взаимодействия ИИ-агентов собираются из готовых блоков с условиями, циклами и параллельными ветками; в ключевых точках управление передаётся человеку. Это закрывает типовую претензию к «чёрному ящику» — логика остаётся прозрачной и воспроизводимой.
• RAG из коробки. Платформа сама разбивает загруженные документы на смысловые фрагменты, строит векторный индекс, настраивает поиск и обновляет базу при изменении источников. Сопровождать знания вручную не требуется.
• Модельная агностичность. Подключаются разные LLM, модели эмбеддингов и реранкеры — как облачные, так и развёрнутые внутри периметра компании. Это снижает вендор-лок и позволяет менять модель под задачу без перестройки процесса.
• Интеграции с внешними ИС. Платформа объединяет ИИ-модели, корпоративные базы знаний и подключения к информационным системам компании в единый контур.

Бизнес-эффект и что проверять

По оценкам «Лукоморья», визуальное проектирование и готовые компоненты ускоряют запуск новых ИИ-сценариев в 5–7 раз относительно разработки с нуля. Шаблоны и оркестрация закрывают до 60% рутинных операций; на масштабе это даёт до трёхкратного роста объёма операций и высвобождение до 400 рабочих часов команды в год.

Эффект зависит от структуры процесса, качества данных, состава интеграций и требований к контролю — цифры вендора стоит принимать как ориентир удачного сценария, а не как гарантию.

Перед пилотом имеет смысл оценить:

• долю действительно повторяющихся шагов в целевом процессе;
• качество и актуальность документов для корпоративной базы знаний;
• состав интеграций с учётом существующего ИТ-ландшафта и SLA по смежным системам;
• требования к аудиту решений ИИ-агентов и разграничение ответственности;
• стоимость владения с учётом лицензий, инфраструктуры и сопровождения;
• сценарии отказа и план вывода процесса из-под ИИ-агента.

Контекст рынка

Интерес к корпоративным ИИ-агентам подтверждается и на глобальном уровне: Google расширяет линейку Gemini — выходят новые модели для кода, данных и кибербезопасности. Для команд, выбирающих платформу сейчас, это аргумент в пользу решений с гибкой модельной подложкой: замена базовой LLM не должна требовать перестройки бизнес-процесса.