#автоматизация

🌐 Вышла новая статья в блоге ПИК на Хабре!

Максим Курбатов, руководитель продукта BIM Inspector, поделился опытом автоматизации контроля качества BIM-моделей в ПИК — и объяснил, как проверки теперь выполняются без участия проектировщика.

📌 Что разобрано в материале:

🤖 «Умные фермы» — как устроена фоновая автоматическая проверка моделей

Когда ручной контроль начал занимать по 30–60 минут и замедлять проектирование, ПИК создал распределённую систему фоновых BIM-проверок, которая полностью избавляет инженеров от рутинных операций.

⚙️ Проверки запускаются сами — только при реальных изменениях

Система отслеживает GUID модели и реагирует на любые правки: добавление или удаление элементов, смещение, изменение параметров. Больше никаких ручных запусков и ожиданий.

🗂 Единая очередь задач

Все проверки, выгрузки и конвертации попадают в общий центр обработки. Задачи распределяются автоматически по типу и приоритету — ферма сама решает, что выполнять первым.

💻 100 вычислительных ферм, работающих круглосуточно

Каждая ферма — отдельная машина с Revit и собственным агентом-воркером. Они открывают модели, выполняют проверки и помещают результаты в систему. Всё параллельно и без простоя.
SLA — не более 4 часов с момента последнего изменения модели.

🛠 Внутренние технические решения

– автоматическая обработка всплывающих уведомлений Revit
– многократное безопасное открытие моделей
– сокращение числа проверок на 40–60% благодаря событийной логике

🌍 Система используется не только для BIM Inspector

«Фермы» запускают плагины PikTools, выполняют конвертации, выгружают модели в VitroCAD, обрабатывают массовые операции для Family Manager и подготавливают данные для производства через BDS.

📚 Читать на Хабре: Автоматизация BIM-проверок без участия пользователя: как работают «умные фермы» в BIM Inspector

📊 Результат в цифрах

– более 2000 пользователей ежедневно
– до 6 обновлений отчёта в день на одну модель
– экономия свыше 36 000 человеко-часов в год

💡 Вывод
«Умные фермы» — это не просто ускорение процессов. Это переход к проактивному контролю качества, где система сама понимает, что и когда нужно проверить, а проектировщик спокойно продолжает работу.

#ИИ #документация

Google опубликовал промпт для Gemini 3 для технических изображений устройств, органов и т.д

Сам промпт
“Generate an ultra-detailed, hyperrealistic exploded technical view of ___.”

Вероятно тут можно варьировать, но ultra-detailed и hyperrealistic скорее реальные слова из сета данных обучения, поэтому действительно могут иметь магический

@turboproject

Обзор российского ПО для управления строительными проектами

Минстрой опубликовал обзор российского программного обеспечения по управлению строительными проектами (версия 2.0, ноябрь 2025 года). Документ содержит анализ рынка и описание российских решений, которые применяются в строительных компаниях.

Что важно в обзоре:

1. Российский рынок ПО для строительства активно развивается.
В документе отмечено, что на рынке появилось множество отечественных решений — от комплексных ERP-платформ до специализированных сервисов. У каждого решения своя ниша и своя зона применения.

2. Универсального продукта нет.
Минстрой подчёркивает: единой системы, которая подходит всем строительным компаниям, не существует. Выбор ПО зависит от задач, масштаба и уровня зрелости процессов.

3. Обзор содержит рекомендации по применимости разных решений.
Минстрой приводит обобщённые выводы о том, какие типы систем подходят:
• крупным строительным холдингам,
• средним подрядчикам,
• небольшим организациям с базовыми потребностями.

В документе объясняется, чем различаются платформы, какие процессы автоматизируют и в каких случаях их стоит рассматривать.

4. Детали по конкретным продуктам — в полном обзоре.
В документе перечислены российские системы, описаны их особенности, функциональные блоки, архитектура и типовые сценарии использования.

📖 Прочитать полный обзор Минстроя

Если не хочешь быть commodity, твое КП всегда должно начинаться с неудобных вопросов.

В большей части книг по продажам регулярно говориться о важности «investment return analysis» — анализ возврата инвестиций для клиента.

Если переложить это на ИИ-проекты, половину коммерческих предложений на рынке можно смело отправлять в мусор: там есть идея «как всё будет работать», но нет нормальной работы с цифрами, рисками, юниткой, а еще ср сроками окупаемости.

Нормальное КП на ИИ начинается не с цены, а с брифа. И… большого количества вопросов, на которые всегда неохотно отвечают.

– Сколько человеко-часов сейчас уходит на этот процесс в месяц?
– Сколько людей вовлечено, с какой средней полной ставкой?
– Сколько стоит одна ошибка (штраф, потерянный клиент, простой)?
– Какие SLA вы уже обещали рынку и чем платите, когда не выполняете?
– Какой объём операций сейчас и как он растёт по году?

И много других неудобных вопросов, касающихся бюджетов, ожиданий и реальности.

Пример:
ИИ-ассистент поддержки.
Стандартный коммодити-подход:
«Мы внедрим агента, разгрузим операторов, повысим NPS на n%, стоимость внедрения– x, поддержка– y».

Подход через юнитку:

— У вас 12 операторов на линии, средняя полная ставка, допустим, 120–150 тыс. в месяц.
— Каждый обрабатывает 250–300 обращений в день.
— 30–40% вопросов — однотипные.
— У вас есть штрафы/неустойки за просроченные ответы и чувствительность к NPS/удержанию.

Дальше мы не ленимся и считаем сами:

«Смотрите, если агент заберет хотя бы 30% однотипных запросов, это значит минус 3–4 ставки или перераспределение этих людей на более сложные задачи.
Экономия в зарплате — примерно A в месяц.
Плюс снижение просроченных ответов даёт минус B по штрафам и минус C по оттоку.

CAPEX внедрения– n млн, OPEX поддержки– m в месяц.
Даже не в самом позитивном сценарии окупаемость 8-12 месяцев, в позитивном быстрее».

Тоже самое с ML проектами.

Commodity:

«Сделаем ML-прогнозирование продаж, оптимизируем остатки, снизим out-of-stock, стоимость 12 млн»

Через юнитку:

Сейчас у вас на складах маркетплейсов и РЦ лежит товар на 100 млн.
Из них около 20% , это мёртвые остатки, которые почти не двигаются. Это 20 млн замороженных денег плюс плата за хранение.
Параллельно вы теряете до 4–5% заказов, потому что ходовые SKU вылетают в out-of-stock.

После внедрения прогнозирования и нормальной ABC/XYZ-сегментации мы:
– сокращаем долю мёртвых остатков с 20% до 12–14%
– снижаем out-of-stock с 5% до 3%
– уменьшаем объём списаний

В итоге высвобождаем 6–8 млн из замороженных остатков,получаем доп выручку за счёт того, что ходовые товары меньше вылетают из наличия, снижаем затраты на хранение. ROI в первый год n%, со второго года m%. В самом негативном сценарии.

И когда ты приносишь такое КП, его можно не любить, с ним можно спорить по коэффициентам (и на практике это происходит почти всегда), но его невозможно просто выкинуть или убрать в стол. Там есть логика, на которую придётся обратить внимание. 🕵🏼‍♂️

Про психологию.
Когда подрядчик сам считает юнитку, он снимает с клиента когнитивный диссонанс по поводу : «мне вроде все нравится, идея топ, но я не понимаю, как её защитить».

Поэтому для того, чтобы перестать думать категориями: «зашло ли им мое КП по прайсу?», нужно думать о том , «дал ли я им реальный инструмент для принятия решения?».

Да, на старте это сложнее и больнее. Это неудобные вопросы, цифры, которыми неохотно делятся, либо говорят «мы не считаем так детально», это ресурсы на просчет. Но это один из лучших способов превратиться из commodity подрядчика в того, с кем будут разговаривать серьезно.

#ИИ #Презентации
AI инструмент для создания презентаций - KIMI AGENTIC SLIDES И РАБОТАЕТ