Мой опыт в системном администрировании сформировал привычку: смотреть не только на то, как решение работает, но и на то, что произойдёт, когда что-то пойдёт не так. Этот же подход я переношу в разработку AI-ассистентов и RAG-систем. Для меня подключить модель к документам и получить красивый ответ — ещё не значит закончить работу. Перед запуском я хочу ответить на несколько вопросов: — На каких источниках основан ответ и можно ли их проверить? — Что сделает ассистент, если в документах нет нужной информации? — Как будут разграничены права доступа? — Как мы узнаем, что после обновления базы знаний качество ответов ухудшилось? — Что попадёт в логи и поможет разобраться в ошибке? — Сколько будет стоить не демонстрация, а ежедневная работа сервиса? Например, для сервис-деск-ассистента я бы проверял не только способность найти инструкцию. Важно и другое: не предложит ли он опасное действие без уточнения условий, отличит ли актуальный документ от устаревшего и сможет ли вовремя передать вопрос специалисту. Поэтому мне интересна вся цепочка: от подготовки знаний и поиска до интеграций, оценки качества и эксплуатации. Моя специализация — AI-ассистенты, RAG и автоматизация. А системное администрирование — фундамент, который помогает мне смотреть на них как на рабочие сервисы, а не только как на эффектные прототипы. Мой ориентир простой: сделать систему, которой можно пользоваться в реальной работе, понимать её ограничения и поддерживать после запуска. Коллеги, какой критерий для вас главный при переходе AI-решения из прототипа в рабочий сервис?