Как используют ИИ «Сбер» , «Т-банк» , «Авито», «Магнит» и «Авиасейлс» : 28 апреля на КАРПОВ.КОНФ 2026

28 апреля пройдет онлайн-конференция о практическом внедрении ИИ. Без теоретических обзорных докладов — только реальные кейсы, цифры и результаты. Присоединяйтесь, если хотите разобраться в ИИ и научиться эффективно его использовать.

К 2026 году почти у каждой крупной компании есть пилотные ИИ-проекты. При этом по данным MIT 95% из них не дают измеримого влияния на P&L. Отчет McKinsey McKinsey в Global Survey on AI подтверждает проблему: компании внедряют LLM, но не видят эффекта на бизнес-метриках.

Какие ошибки часто совершают на ИИ-проектах и как избежать провала, обсудим на KARPOV.CONF. Конференция пройдет с 12:00 до 17:00 мск. Участие бесплатное. Регистрируйтесь заранее, чтобы не пропустить.

Встреча будет насыщенной — вас ждет 9 докладов по 25 минут от экспертов, которые на своем опыте внедряли ИИ в крупных компаниях.

Есть много способов оценки моделей. Некоторые задачи можно проверить автоматически. Другие, например, суммаризация текста или генерация ответов в заданном стиле, требуют более сложной оценки. В таких случаях используют подход LLM-as-a-Judge, когда ответы оценивает более «умная» модель, обычно через OpenAI API. Но это дорого: один прогон по бенчмаркам стоит сотни долларов, при нескольких итерациях — уже тысячи.

В своем докладе Даниил расскажет, как команда снизила затраты благодаря переходу на локальные open-source модели:

какие датасеты использовали;
как выбирали модели-«судьи» под разные бенчмарки;
с какими ограничениями столкнулись;
как удалось сохранить качество оценки.

Результат: познакомитесь с подходом, который позволяет сократить расходы на оценку LLM на 80–90% без потери качества.

В «Авиасейлсе» активно внедряют ИИ-решения для ускорения работы. Например, есть специальный SQL-агент для аналитики и агент для работы с внутренними базами знаний Salokot.

Сначала для создания таких систем использовать open-source MCP-серверы, но столкнулись с ограничениями:

сложно масштабировать решения;
нет достаточного контроля контекста;
страдает качество генераций.

Как команде удалось справиться с этими проблемами благодаря созданию собственный платформы, Руслан расскажет на конференции:

какие ограничения были у готовых решений;
как выстраивали архитектуру новой платформы;
что изменилось после перехода;
как улучшилось качество ответов.

Результат: поймете, в каких случаях стоит отказаться от open source и строить собственную инфраструктуру под AI-агентов.

В MAGNIT TECH внедрили CRMS — CRM-систему с ИИ, которая напрямую управляет ассортиментом с помощью компьютерного зрения. Сервис автоматизирует ключевые задачи:

распознавание артикулов и штрихкодов на фото низкого качества;
анализ изображений товаров;
проверку сроков годности.

В эфире Карен расскажет, с какими сложностями столкнулась команда при внедрении системы и как удалось обеспечить ее стабильность в продакшене.

Результат: поймете, как расширить возможности CRM с помощью ИИ и получать измеримый эффект от внедрения.

Многие компании уже внедряют генеративный ИИ, но не получают ожидаемого результата. Дмитрий Юдин объяснит на примерах из практики:

какие ошибки чаще всего допускают при внедрении;
почему проекты не дают ожидаемого эффекта;
какие подходы используют в корпорациях, чтобы ИИ действительно работал;
куда, зачем и в каких задачах стоит внедрять генеративный ИИ.

Результат: поймете, как внедрять ИИ так, чтобы он приносил пользу, а не просто оставался интересным экспериментом.

Благодаря грамотному внедрению AI-агентов специалисты тратят меньше времени на рутину и быстрее принимают решения. На конференции Максим расскажет об успешном опыте своей команды — ребята уже запустили и используют 4 агентов:

для анализа и управления рекламными кампаниями;
для написания SEO-статей;
для трендвочинга и поиска новых тем;
для анализа креативов и автоматического проставления тегов.

Результат: узнаете, какие маркетинговые задачи можно передать AI-агентам, чтобы освободить сотни рабочих часов.

В Т-Банке начали внедрение ИИ-агентов с небольших задач в аналитике. Вместо сложных крупных проектов — запускали простые решения и быстро доводили их до продакшена.

Так появился набор ИИ-агентов, которые снимают с аналитиков приличную часть рутинных задач. Все детали будут в докладе:

с чего начинали внедрение ИИ-агентов;
как выбирали задачи для первых проектов;
какие агенты удалось вывести в продакшн;
какие подходы сработали лучше всего.

Результат: выясните, как запускать ИИ-агентов без долгих экспериментов и больших ресурсов.

На ИИ-проектах важно понимать не только то, где технология дает позитивный эффект, но и где она не работает. Это позволит избежать нереалистичных ожиданий и лишних затрат при внедрении

На конференции эксперты расскажут:

с какими задачами ИИ справляется хуже;
какие признаки указывают на то, что внедрение не даст нужный результат;
как оценивать целесообразность проекта до старта.

Результат: изучите реальные возможности и ограничения ИИ.

Тема доклада: «MCP — pip для ИИ: как одной строчкой подключить ИИ-агента к data-платформе на примере dbt».

Спикеры: Евгений Ермаков — основатель iJKos & Partners, PhD, Никита Юрасов — старший разработчик, Earlybird VC

Работа с ИИ-агентами в data-инфраструктуре часто усложняется из-за большого количества инструментов и интеграций. Как можно это исправить, расскажут на конференции: