Корпоративный буткемп107 проектов за год: сотрудники создают AI-агентов в контуре Colvir
Как в Colvir выстроили путь от бизнес-процесса до AI-агента и реализовали 107 проектов за год
От выбора бизнес-процесса до работающего агента на сервере компании. Программу, критерии проектов и инфраструктуру подготовили вместе с заказчиком; результаты сотрудники защищали на демо-дне.
О компании
Colvir Software Solutions создаёт банковское программное обеспечение. Разработчики и аналитики компании хорошо знают свои рабочие процессы, поэтому обучение строили вокруг задач, с которыми сотрудники сталкиваются каждый день.
Вместе с командой Colvir мы спроектировали корпоративный буткемп, в котором участники проходят весь путь: выбирают процесс, проектируют AI-агента, собирают решение и разворачивают его на выделенном сервере. Финальная защита проходит уже с работающим проектом внутри компании.
Задача
Нужно было научить сотрудников самостоятельно создавать полезные для бизнеса AI-решения. Для этого требовалось соединить обучение работе с агентами, выбор подходящего процесса, проектирование и практику разработки с подготовленной инфраструктурой.
С заказчиком заранее согласовали критерии проектов. Идеи участников должны были отвечать задачам компании, иметь владельца и понятный результат, укладываться в доступные данные, ограничения безопасности и сроки программы. Это задавало направление ещё до того, как команды начинали придумывать решения.
К демо-дню команда должна была показать работающий проект на сервере Colvir, чтобы руководство могло оценить результат и принять решение о дальнейшем запуске.
Решение
Спроектировали программу и подготовили инфраструктуру с заказчиком
До начала практики работали с командой Colvir над условиями, в которых сотрудники будут создавать агентов. Согласовали технические возможности и выделение отдельных серверов. Участники получали среду для развёртывания своих решений внутри компании, поэтому обучение сразу включало путь до работающего сервиса.
Дали общую практику работы с агентами
На старте участники разбирались, как работают AI-агенты: как поставить задачу, передать контекст, подключить инструменты и проверить результат. Первые упражнения помогали освоиться с подходом, прежде чем переходить к собственному корпоративному проекту.
Помогли выбрать бизнес-процесс по согласованным критериям
Сотрудники приносили идеи из своей работы и оценивали их по пользе для компании и возможности реализовать решение за время потока. Разбирали пользователя, входные данные, шаги процесса, ограничения и метрику результата. На выходе у команды появлялся выбранный проект и понятное обоснование, зачем его делать.
Прошли от описания процесса к архитектуре агента
Команды учились проектировать решение до написания кода: определяли, что делает агент, с какими данными и системами он работает, где требуется участие человека и как проверить качество. Собственную задачу последовательно переводили в схему, требования и план реализации.
Собрали решения с помощью вайбкодинга и развернули их на серверах
Участники осваивали разработку с AI на своих проектах: собирали приложение, проверяли поведение и дорабатывали ошибки. Затем переносили решение на выделенный сервер Colvir и проверяли его работу в корпоративной среде. Развёртывание было частью учебного маршрута, а не задачей, которую оставляли на время после курса.
Провели демо-день с работающими проектами в контуре компании
На защите сотрудники демонстрировали свои решения в действии: какой процесс выбрали, что собрали и как это работает. Руководство получало предметную основу для отбора проектов в продакшн. Демонстрация рабочего проекта и решение о его дальнейшем запуске оставались двумя отдельными этапами.
Результат
Годовой результат команды Colvir – 107 реализованных проектов. Сотрудники освоили маршрут, который можно повторять на следующих задачах: выбрать процесс, спроектировать агента, собрать и развернуть решение, показать результат руководству.
На демо-днях участники показывали работающие проекты, развёрнутые в контуре компании. Руководство оценивало их в действии и принимало решение, какие из созданных решений получат дальнейшее развитие и пойдут в продакшн.
Первый поток завершился семью прототипами AI-агентов. Сотрудничество выросло в программу из четырёх потоков в год, а для 32 директоров появился отдельный трек «AI-агент руководителя» с задачами календаря, встреч, документов и управления своей функцией.
«Курс был очень интересным. Спасибо преподавателю, Михаилу, и спасибо коллегам из команды – с вами замечательно работалось. И я действительно был удивлён: до этого курса я считал, что ИИ может что-то дописать, но лучше, чтобы за ним смотрел человек. А тут даже не обладая навыками программиста, можно написать продукт – и он работает. И архитектура продумывается, и тесты, и интерфейс, и многое другое.»
Ограничения
Инфраструктуру нужно готовить вместе с заказчиком заранее. Серверы, доступы и ограничения корпоративной среды определяют, какие проекты участники смогут довести до работающего состояния за время программы.
Рабочий процесс может оказаться слишком большим для одного потока. Команды учились выбирать конкретный участок, для которого доступны данные и можно показать проверяемый результат.
Демо-день подтверждает работоспособность решения в согласованной среде. Решение о промышленном запуске, требованиях к эксплуатации и дальнейшем развитии проекта принимает руководство компании.
Выводы
Подготовка программы включает работу с инфраструктурой. Когда серверы и доступы согласованы до проектной практики, участники могут пройти весь путь до развёрнутого решения.
Критерии выбора проектов полезно согласовывать с заказчиком до сбора идей. Так сотрудники учатся находить задачи, которые имеют ценность для компании и реалистичны по масштабу.
Защита работающего проекта помогает связать обучение с решениями бизнеса. Руководство видит, что создано, и определяет, какие проекты получат дальнейшее развитие.
Разберём задачу и соберём программу под ваш процесс
Без универсальной программы «для всех»: сначала аудитория, процессы и ограничения, затем формат обучения.
Обсудить задачу