Сбер 30 сентября рассказал о запуске внутреннего ИИ-агента DAIS для дизайн-системы FinAI. Сервис на базе GigaChat-2-PRO помогает дизайнерам и разработчикам находить правила по компонентам, коду и редакционной политике, формируя ответы со ссылками на исходную документацию. Сейчас сотрудники тестируют агента; о внешней доступности на странице объявления не сообщается.
Проект вырос из задачи упростить работу с редакционной политикой из восьми разделов, но затем его охват расширили до всей дизайн-системы. В базу знаний включили более 50 файлов по атомарным компонентам, 25 файлов по таблице, свыше 20 файлов по другим шаблонным компонентам, более 20 дизайнерских руководств и редакционную политику.
Основной объём работы пришёлся не на программирование, а на подготовку данных. Материалы из Confluence и Pixso выгружали в DOCX, PDF и Sketch, преобразовывали в Markdown, а затем вручную сверяли с дизайном и кодом. По утверждению команды, использование GigaCode ускорило перевод документации в Markdown в три-четыре раза, однако каждый итоговый файл всё равно проходил проверку людьми и повторное сравнение с оригиналом.
Технический стек DAIS включает Python 3.12, FastAPI 0.115.5, GigaChat-2-PRO и RAG-поиск на OpenSearch. Документацию разделили примерно на 1000 небольших фрагментов. Для ответа система сначала находит релевантные материалы, выбирает семь лучших результатов, запрашивает полные разделы и передаёт вопрос вместе с контекстом языковой модели.
С 17 июня по 8 сентября пользователи отправили DAIS 663 запроса: 410 по разработке, 160 по редакционной политике и 93 по дизайну. Команда сообщает, что почти в 60% случаев агент выдал конкретный ответ из документации. Для компонента таблицы доля успешных ответов составила около 44% — многие вопросы касались незадокументированных узких мест и расширенных свойств.
Ограничения остаются существенными. По оценке разработчиков, DAIS правильно интерпретирует пользовательское описание примерно через раз, лучше справляется с общими вопросами и может терять контекст в длинной цепочке уточнений. Если ответа в базе нет, агент должен направить сотрудника в Storybook, руководства Pixso или чат поддержки, а не подменять отсутствующую информацию догадкой.
Практический контекст: Практическая ценность кейса — в демонстрации того, что качество корпоративного RAG-агента зависит прежде всего от управляемой базы знаний: актуальности документов, метаданных, эталонных FAQ и проверяемых ссылок. При этом опубликованные показатели пока нельзя считать оценкой экономического эффекта: Сбер ещё не привёл данные о сокращении времени поиска и нагрузки на поддержку. Следующими направлениями названы работа с макетами через MCP, интеграция в чаты и автоматизация обновления базы.
| Категория | Количество | Ограничение |
|---|---|---|
| Разработка | 410 | Включая узкие вопросы по компонентам |
| Редполитика | 160 | Наиболее результативная категория по оценке команды |
| Дизайн | 93 | Ответы пока охватывают только атомарные компоненты |
| Всего | 663 | Почти 60% получили конкретный ответ из документации |
Планы развития DAIS
Команда намерена подключить работу с макетами через MCP, встроить агента в чаты поддержки для первичной консультации и автоматизировать обновление базы знаний. Ручные ответы поддержки пока сохранятся.
Источники
Дата события: 2026-09-30. Дата первоисточника: 2026-09-30.
