Эксперты ТЦИ, VK Tech, HOSTER.BY, F6 и UZINFOCOM обсудили, где ИИ уже ускоряет процессы, а где автоматизация без человека в контуре становится источником риска.
Искусственный интеллект уже сокращает время обработки обращений, помогает быстрее выявлять фишинговые ресурсы и упрощает выбор доменных имён. Но чем выше цена ошибки, тем опаснее превращать модель в самостоятельного участника процесса. Этот баланс — между скоростью автоматизации и ответственностью человека — стал главным вопросом сессии «AI в инфраструктуре интернета: от поддержки до киберзащиты и доменных экосистем» на TLDCON 2026.
Дискуссию модерировал генеральный директор Технического центра Интернет Алексей Рогдев. Он задал для всех кейсов единую практическую рамку: обсуждать не ИИ «вообще», а конкретную задачу, измеримый эффект, ограничение решения и того, кто отвечает за его результат.
Алексей Рогдев предложил оценивать зрелость ИИ-решений по четырём критериям:
Именно эта рамка связала разные по масштабу и типу кейсы — от автоматизации клиентской поддержки до противодействия фишингу и работы с доменными сервисами.
«ИИ становится полезным не в момент, когда модель умеет убедительно отвечать, а когда для неё определены задача, данные, критерии качества и границы ответственности. Там, где ошибка влияет на безопасность, доступность или доверие пользователя, человек должен оставаться в контуре принятия решения», — отметил Алексей Рогдев.
Ещё один общий вывод дискуссии: ИИ не должен быть целью сам по себе. Участники сошлись во мнении, что отправной точкой должна быть не технология, а конкретная проблема — например, долгое время ответа в поддержке, ручная классификация массива обращений, необходимость быстрее выявлять мошеннические ресурсы или сложность выбора доменного имени.
Отсюда следует и практический подход к внедрению: сначала определить цель, критерий результата и цену ошибки, затем подобрать под эту задачу инструмент и проверить гипотезу на ограниченном сценарии. Масштабные и дорогостоящие программы автоматизации без такой проверки могут оказаться просто дорогим способом узнать, что задача была поставлена неверно.
Дмитрий Моряков, руководитель группы антиспама VK Tech, представил опыт автоматизации поддержки в продуктах Mail. Команда рассматривала поддержку не как изолированную операционную функцию, а как часть пользовательского опыта: ключевой целью было улучшение NPS продукта и CSAT поддержки, а не просто сокращение числа операторов.
Для этого в поддержке внедрили несколько ML-сценариев: автоматизацию первой линии, ответы пользователям от имени оператора, классификацию отзывов в магазинах приложений и суммаризацию в поиске FAQ. В первом сценарии модель классифицирует обращения по темам, направляет их в нужную очередь и тегирует поток тикетов.
Результат — 100% покрытие классификацией, 95% точности при классификации обращений и сокращение среднего времени ответа в два раза. Тегирование на потоке покрывает 50% обращений.
В сценарии с автоматическими ответами от имени оператора точность достигла 98%, а покрытие составило 30–40% обращений. Среднее время ответа в этом сегменте снизилось до 10%, при этом команда зафиксировала рост CSAT поддержки. Для анализа отзывов в сторах использование GPT-4 позволило обеспечить 100% покрытие, точность около 85% и сэкономить 40 часов ручной работы.
Ещё один вывод VK Tech: не всякая технически возможная автоматизация оправдана экономически. Команда начала с недорогих проверок гипотез и прототипов, а не со сложной полномасштабной разработки. Такой подход позволил сначала связать снижение среднего времени ответа с ростом CSAT поддержки, а затем — с ростом атрибута «хорошая поддержка» в NPS продукта.
Тот же принцип применили при обновлении поиска по FAQ: прежде чем инвестировать в сложное решение, команда проверила сценарий на прототипе. Пользователи стали на 10% быстрее находить информацию в базе знаний, где было более 500 статей-лонгридов.
Станислав Гончаров, бизнес-руководитель департамента защиты от цифровых рисков F6, показал, что в кибербезопасности AI одновременно ускоряет защиту и усиливает злоумышленников.
В Digital Risk Protection F6 AI применяется для вероятностной оценки мошенничества по URL, анализа текстового содержания страниц по пяти метрикам и выявления логотипов на скриншотах веб-страниц. Благодаря этим инструментам время обнаружения ресурса с нарушением сократилось в 40 раз.
При этом генеративные модели снижают для злоумышленников стоимость и время подготовки атак. С помощью промптов можно за минуты создать фишинговую страницу с нужным визуальным оформлением и логикой поведения. ИИ также используют для персонализированных фишинговых рассылок, подбора доменных имён, похожих на легитимные, Unicode-обфускации, генерации дипфейков и анализа украденных данных.
Отдельный риск — промпт-инъекции против ИИ-систем анализа: вредоносные текстовые фрагменты могут быть встроены в исследуемый ресурс и попытаться изменить поведение модели или обойти встроенные фильтры. Поэтому AI-инструменты защиты требуют постоянной проверки, мониторинга и строгого ограничения автономности.
В F6 также обозначили последовательность зрелого внедрения: пилот на ограниченном наборе данных и с одной командой, интеграция с одной-двумя ключевыми системами, сбор метрик и обратной связи, а затем — промышленная эксплуатация с мониторингом. Такой подход снижает риск того, что модель начнёт масштабировать ошибку быстрее, чем команда успеет её заметить.
Шахноза Ходжабекова, программист UZINFOCOM, представила NADIM ИИ — сервис для подбора доменных имён в зоне .UZ. Проект показывает иной сценарий использования ИИ: не защиту от угроз и не внутреннюю автоматизацию, а помощь пользователю на этапе выбора адреса.
По данным презентации UZINFOCOM, за период с 22 июля по 14 сентября 2026 года сервис зафиксировал 2 456 обращений, 862 пользователя и 146 регистраций. Среднее число взаимодействий составило 2,85, а конверсия — 49,8%.
В то же время команда не сводит ценность инструмента к генерации вариантов. Следующий этап развития NADIM AI связан с улучшением рекомендаций, использованием внешних инструментов и измерением удовлетворённости пользователей через CSAT. Это важно для доменного сервиса: полезность ИИ определяется не тем, насколько необычные варианты он предлагает, а тем, помогает ли он пользователю быстрее прийти к подходящему и доступному доменному имени.
Сергей Повалищев, генеральный директор HOSTER.BY, представил кейс применения ИИ в работе регистратора. В этом контуре AI может ускорять обработку информации, помогать выявлять сигналы риска и приоритизировать задачи, но не должен подменять экспертное решение там, где ошибка затрагивает клиента, доменное имя или устойчивость процесса.
Практическая логика такого внедрения совпала с подходом других участников: начинать с ограниченного пилота и одной команды, затем интегрировать решение с ключевыми системами, собирать метрики и обратную связь, а уже после этого переходить к промышленной эксплуатации с постоянным мониторингом. Эта последовательность особенно важна для инфраструктурных сервисов, где ошибка модели может масштабироваться быстрее, чем успеет отреагировать человек.
Закрывая дискуссию, Алексей Рогдев отметил, что главный критерий зрелости ИИ-внедрения — не технологическая новизна и не число автоматизированных операций. Важнее, способна ли организация объяснить, какую задачу она решает, на каких данных работает модель, как измеряется её эффект, сколько стоит ошибка и кто принимает финальное решение.
Участники сессии сошлись во мнении: ИИ не стоит внедрять ради ИИ. Эффективный проект начинается с узкой, понятной проблемы и проверки гипотезы на ограниченном сценарии. Только после этого имеет смысл вкладываться в интеграции, масштабирование и промышленную эксплуатацию.
Кейсы TLDCON 2026 показали, что такой подход уже даёт измеримый результат: в Mail среднее время ответа сократили вдвое, в F6 время выявления нарушающего ресурса — в 40 раз, а в доменной зоне .UZ ИИ используют для упрощения выбора доменного имени. Но скорость не отменяет контроля. В поддержке цена ошибки — нерешённая проблема и повторное обращение; в доменной инфраструктуре — неверная обработка данных или непрозрачное решение; в кибербезопасности — пропущенная атака либо ошибочная блокировка.
Поэтому ИИ должен ускорять анализ и забирать рутинные операции, а критическое решение и ответственность должны оставаться за человеком. Именно так технология становится частью устойчивой инфраструктуры, а не ещё одним источником быстро масштабируемых проблем.
г. Москва, улица 8 марта, дом 1, строение 12 (БЦ Трио, первая башня)
+7 495 730-29-69 info@tcinet.ru
+7 495 730-29-70
