ЛабораторнаяВШЭ · 23 мая 2026
Агент для топ-менеджера
Практика в Yandex AI Studio: от базы знаний и поиска к расчету, вариантам решения и executive brief
/ Лабораторная: агент для топ-менеджера · ВШЭ 2026
Содержание слайдов
1. Агент для топ-менеджера
Практика в Yandex AI Studio: от базы знаний и поиска к расчету, вариантам решения и executive brief
2. Александр Поломодов
Technical Director & Fellow, Т-Технологии
Архитектура и RnD в инженерии.
Закрывает HSE-серию практическим agent loop.
Фокус: агент для executive decision.
3. Собираем темы курса в один контур
Темы курса сходятся в управленческий сценарий
Платформа — AI Studio: модели, поиск, инструменты, API.
Данные — Подключаем корпоративные документы и KPI как проверяемый источник фактов.
Экономика и контроль — Считаем эффект, риск, payback и явно показываем допущения.
4. 01. Что собираем
Executive Decision Agent: агент, который готовит управленческий бриф для совета
5. Помощник для решения, не чат-бот
Факты, варианты, проверки до запуска
Контекст — Берет факты из стратегии, SLA поддержки, KPI и политики безопасности.
Расчет — Оценивает экономику, риск, срок окупаемости и чувствительность допущений.
Рекомендация — Дает варианты: запуск, пилот, отложить — без решения за него.
6. Вопрос для агента
Реальный запрос, безопасные данные
Запускать AI support assistant в Q+1?
Бриф: варианты, экономика, риски, проверки.
Внутренние документы — главный факт-источник.
Нет данных → допущения и вопросы.
7. Финальный ответ: коротко и управленчески
Решение, trade-offs, следующие действия
Структура брифа
Решение в одном абзаце.
3 варианта: запуск/пилот/отложить.
Экономика, риски, зависимости.
Управленческий стандарт
Факты, оценки, рекомендации отдельно.
Источники и неизвестные видны.
Проверки до решения в конце.
8. 02. Yandex AI Studio
Какие возможности платформы используем в лабораторной и зачем они нужны агенту
9. AI Studio даёт контур агентного прототипа
В лабораторной используем не все возможности платформы, а минимальный набор для решения
10. База знаний заземляет агента
Раздатка: github.com/polomodov/2026-05-23-hse-agent-lab
Что загрузить из репозитория
company_context.md и support_kpi.csv.
security_policy.md и investment_rules.md.
Что проверить
Факты из документов, не общих знаний.
Источник назван; пробелы в данных видны.
11. Веб-поиск нужен только для рыночных ориентиров
Внутренние данные и правила важнее
Хорошее использование
Проверить рынок и риски внедрения.
Отделить внешние наблюдения от внутренних фактов.
Плохое использование
Не подменять KPI цифрами из интернета.
Подменять owner decision рынком.
12. Расчет должен быть инструментом
Функция возвращает числа в executive brief
Параметры — Вход задает нагрузку, автоматизацию, стоимость, внедрение и риск.
Результат — Функция возвращает saving, net effect, payback и рекомендацию.
Fallback — Если function calling недоступен, расчет делает Code Interpreter.
13. 03. Сборка агента
От системной инструкции и базы знаний к расчетному инструменту и первому запуску
14. Системная инструкция задает поведение
Главное — ясные правила работы агента
Готовь brief для CEO/COO/CIO.
Факты сначала из базы знаний.
Разделяй факты, расчет, риски, варианты.
Нет данных → вопрос owner.
15. Участники получают маленькую “компанию” для симуляции
Короткие документы оставляют фокус на агенте
Контекст — Снижаем нагрузку поддержки; VIP/PII не трогаем.
KPI — 120k тикетов/мес, 62% типовых, 210 ₽.
Ограничения — Автоматизация только для типовых сценариев; спорные случаи идут человеку.
16. Схема расчетного инструмента
Экономика не считается “на глаз”
Вход: tickets/rate/cost/implementation/AI-cost/risk.
gross_saving = tickets × rate × cost.
net_effect = saving - ai_cost.
payback = implementation / net_effect.
17. Промпт проверяет весь контур
Документы + поиск + расчет
Запускать AI-помощника поддержки в Q+1?
Подготовь one-page board brief.
Сравни запуск, пилот и отложить.
Покажи экономику, риски и проверки.
18. 04. Проверка качества
Агент считается готовым только после сценариев, где он ошибается безопасно
19. Тестируем устойчивое поведение
Сценарии меняют вывод
Три запуска
Оптимистичный: high coverage, low risk.
Осторожный: данные не готовы, пилот.
Отказ: риск > эффект, нет owner.
Что сравнить
Меняется ли вывод вместе с данными.
Агент показывает недостаток фактов.
Next steps, owners, revisit conditions.
20. Как оценить результат
Ценность для решения, не красота текста
Факты: internal docs, без подмены источников.
Расчет: воспроизводимая экономика.
Риск: защитные ограничения, стоп-условия, approval.
Формат: коротко и executive-readable.
Хороший агент помогает решить; плохой — пишет красиво
21. Что нельзя без человека
Safety — часть продукта
Утверждать бюджет, сроки или эффект.
Рекомендовать запуск без risk/process owner.
Использовать PII против политики.
Менять SLA, коммуникации, escalation rules.
22. 05. Защита решения
Финальный разбор: что получилось, где агент полезен и где его нужно ограничивать
23. План лабораторной
Минимальный рабочий контур
0-20: зачем agent, задача, раздатка.
20-40: агент и системная инструкция.
40-70: знания, факты, расчет.
70-90: сценарии, защитные ограничения, выводы.
24. Что должно получиться
Рабочий агент + путь в организацию
One-page brief по AI support launch.
База знаний + внешний контекст + расчет.
Факты ≠ оценки; риски видны.
Platform backlog: knowledge, tools, evals, access, cost.
Это мост от учебной серии к настоящей AI-платформенной работе
25. Материалы
Документация и lab pack
Yandex AI Studio agents/search/function docs.
Lab pack + guide on GitHub.
Предыдущие лекции серии.