ГК Softline выстраивает собственный сквозной стек ИИ-разработки и масштабирует его на всю группу компаний

Заявленная задача — не подключить очередной чат-бот, а собрать корпоративный контур: вычисления, модели, инструменты разработки и работу со знаниями. Для рынка это типовой, но сложный переход от пилотов к платформенной эксплуатации ИИ.

Контур важнее модели

Softline сообщает, что основанием стека стала собственная GPU-инфраструктура в защищённых ЦОД. Мощности уже доступны командам группы. Логика понятна: внешняя модель без контролируемого контура — это не стратегия, а потенциальная уязвимость для данных и процессов.

В компании связывают этот подход с требованиями 152-ФЗ и рисками работы с внешними сервисами. Но сама локализация вычислений не закрывает вопрос безопасности автоматически. Защищённый периметр — только первый слой спецификации. Дальше нужны разграничение доступа, аудит запросов, политика хранения промптов и результатов, контроль наборов данных для RAG-сценариев.

В публичном описании нет деталей о применяемых моделях, схеме изоляции команд, управлении ключами и механизмах журналирования. Именно эти параметры определяют, является ли внутренний ИИ-контур рабочей инфраструктурой или дорогим деплоем GPU.

От универсального чата к агентам

Корпоративная ИИ-платформа, по данным источника, развивается от универсального чата к специализированным агентам и ассистентам для аналитики, разработки и тестирования. За пару недель она обработала около 5 млрд токенов.

Эта цифра важна не как достижение сама по себе. Токены — прямой измеритель нагрузки и стоимости. Если организация не умеет видеть потребление по пользователям, продуктам, моделям и типам задач, ИИ-бюджет быстро становится непрозрачным. Softline отдельно называет управление стоимостью моделей инженерной дисциплиной — это корректная постановка проблемы.

Компания также сообщает, что за полгода снизила примерно в десять раз стоимость обработки одного технического задания в токенах. Основанием назван полный конвейер обработки данных с детерминированной проверкой результата, а не только качество промптов. Это принципиально: генеративная модель не должна быть единственным валидатором собственного ответа. В production-контуре нужны правила, тесты, схемы данных и воспроизводимые проверки.

Заявленная производительность разработчиков — до 1600 строк кода в час на проработанных постановках задач — требует осторожного прочтения. Строки кода не являются метрикой качества, безопасности или скорости поставки продукта. Без данных о дефектах, ревью, покрытии тестами и времени до деплоя такой бенчмарк описывает лишь объём генерации.

Что проверять при сборке своего стека

Практический вывод для команд, которые повторяют эту архитектуру:

• считать стоимость не «на модель», а на конкретный сценарий и результат;
• не отправлять корпоративные данные во внешний сервис без формализованной политики и проверки контракта;
• отделять чат-интерфейс от производственного контура с агентами, доступом к данным и действиями в системах;
• строить детерминированную валидацию вокруг модели, а не надеяться на промпт;
• измерять эффект по циклу разработки и качеству результата, а не по числу токенов и строк кода.

Softline описывает направление, в котором ИИ становится частью инфраструктуры разработки. Главный риск здесь прежний: назвать стеком набор разрозненных сервисов. Настоящий сквозной контур начинается там, где вычисления, данные, доступы, контроль затрат и проверка результата работают как одна система.