ЕДИНЫЙ ЦУПИС, выполняющий функции центра учёта переводов интерактивных ставок и обслуживающий все букмекерские компании России, объявил о внедрении ИИ-сервиса Shtab AI внутри собственного закрытого контура. О кейсе на условиях публикации опыта рассказал Борис Кузнецов, руководитель Управления стратегических проектов организации. Компания зарегистрирована как небанковская кредитная организация с лицензией Банка России, отвечает за проведение платежей в регулируемой индустрии спортивных развлечений, удерживает целевые отчисления на развитие спорта в пользу ЕРАИ и развивает сервис самоконтроля «Ответственная игра». Именно статус финансового сервиса с большим объёмом конфиденциальных данных определил подход к искусственному интеллекту: почти всё программное обеспечение развёрнуто на собственных мощностях, а вывод информации за периметр считается недопустимым.

До перехода на Shtab AI в компании более года работал ИИ-сервис стороннего вендора, который внутри называли копайлотом; им пользовались свыше ста сотрудников. Сервис давал доступ к нескольким языковым моделям, отечественным и зарубежным, и позволял решать типовые задачи вроде подготовки презентаций, правки писем и работы с текстами. Ключевыми элементами прежнего решения были библиотека готовых приложений под конкретные роли — например, юрист мог работать с законодательной базой через преднастроенные промпты — и модуль обфускации, автоматически обезличивавший данные перед отправкой во внешнюю модель. Однако у схемы обнаружились слабые места: обновления моделей приходилось ждать месяцами, а за время ожидания успевали выйти новые версии, что снижало практическую отдачу от инструмента.

В конце 2025 года команда Shtab сообщила о планах запустить собственный ИИ-сервис и предложила компании присоединиться к раннему внедрению. К тому моменту ЕДИНЫЙ ЦУПИС уже больше года использовал таск-трекер Shtab в формате on-premise, поэтому облачный вариант из-за требований безопасности изначально не рассматривался. Принципиальным отличием нового решения стала встроенность ИИ непосредственно в трекер: сотрудник выполняет задачи и обращается к модели в едином пространстве, не переключаясь между двумя системами. Кроме того, вендор берёт на себя добавление моделей на своей стороне, а клиент через отдельный модуль управления сам решает, какие из них активировать и где именно. Третья особенность — гранулярная выдача доступа: дорогую модель с высоким расходом токенов можно открыть только ключевому сотруднику и закрыть для остальных, чтобы не тратить инференс вхолостую. Обфускация и работа в закрытом контуре при этом сохранились, и, по оценке заказчика, реализованы они оказались лучше, чем в прежнем копайлоте.

Кейс ЕДИНОГО ЦУПИСа укладывается в более широкий тренд: российские компании из регулируемых отраслей всё чаще предпочитают локальный инференс и обезличивание данных перед обращением к внешним API. Показательны параллельные примеры из того же потока публикаций о разработке. Команда Agentic Lab обучила компактную модель Qwen2.5-1.5B извлекать сущности из судебных документов на уровне Ministral 14B — макро-F1 составил 0,70 против 0,71 на 145 реальных документах, — поскольку юристы не могут отправлять материалы дел во внешние сервисы, а держать A100 ради разбора документов дорого. Другой материал описывает, как ограничить написание кода ИИ-агентом маркетплейса, не давая ему доступа к серверу и ключам. Общая логика едина: чувствительные данные остаются внутри периметра, а модель подбирается под задачу и доступное железо.

Для российского рынка описанный опыт важен прежде всего как пример внедрения ИИ в организации с лицензированием и надзорными требованиями. Финтех и платёжные сервисы традиционно относятся к искусственному интеллекту с осторожностью, и кейс показывает, что барьером является не сама технология, а архитектура доставки данных до модели. Практика ЕДИНОГО ЦУПИСа подтверждает: спрос смещается от универсальных внешних копайлотов к решениям, которые разворачиваются на мощностях заказчика, поддерживают обезличивание и позволяют управлять правами доступа на уровне отдельных сотрудников. Для вендоров это означает конкуренцию не только по качеству моделей, но и по скорости их доставки, удобству администрирования и готовности работать в изолированном контуре. Показательно и то, что компания выступила первопроходцем для нового инструмента: на момент обсуждения модуля в конце 2025 года часть заявленной функциональности ещё не была реализована, и заказчик фактически участвовал в её формировании.

Сравнение с альтернативами складывается не в пользу универсальных облачных сервисов. Внешний копайлот с модулем обфускации решал задачу защиты данных, но проигрывал в оперативности обновлений и в гибкости разграничения доступа. Полностью самостоятельная разработка ИИ-инфраструктуры потребовала бы от финтех-компании собственных компетенций в области моделей и их сопровождения. Встроенный в трекер сервис занимает промежуточное положение: заказчик сохраняет контроль над данными и расходами на инференс, а разработчик отвечает за актуализацию моделей и развитие агентных сценариев внутри системы управления задачами. Именно внутренний ИИ-агент для работы с задачами в самом трекере назван следующим шагом, и от того, насколько он окажется полезен в повседневных процессах, зависит итоговая оценка проекта.

Открытыми остаются несколько вопросов. Не раскрыто, какие именно модели доступны сотрудникам через модуль управления и как компания измеряет эффект от внедрения — экономию времени, качество подготовки документов или скорость обработки задач. Не уточняется и то, как устроен контроль за расходом токенов на практике и какие роли получают доступ к дорогим моделям. Для рынка наблюдение за этим кейсом даст ответ на более общий вопрос: становится ли встроенный в привычный рабочий инструмент ИИ с локальным развёртыванием и обезличиванием данных типовой конфигурацией для регулируемых отраслей. Если да, конкуренция между платформами управления задачами сместится в сторону безопасности и администрирования моделей, а не только удобства интерфейса.