Компания Trunk Tools, разрабатывающая AI для управления стройкой, построила архитектуру, которая режет цикл проверки документации с 50-60 дней до 10. Секрет - в отказе от универсальных языковых моделей. Вместо них - трехслойный стек из восприятия, семантики и агентов, каждый слой заточен под отраслевые данные.
Большинство отраслей - это не аккуратные SaaS-базы данных. Реальность - неструктурированные документы, проприетарные схемы, неявные процессы и долгие задачи, с которыми универсальные модели не справляются. Trunk Tools решила строить под эту реальность, а не игнорировать её.
Ключевые цифры: Цикл проверки подрядных документов сократился с 50-60 до 10 дней. Экономия 20-40 минут на каждом полевом запросе. Один пропущенный дефект балки стоил бы 10 000 долларов. AI-агенты нашли 60 000 долларов завышенных цен у субподрядчиков по озеленению. Выявлен дефект камина до гипсокартона - сэкономлено около 100 000 долларов.
Где универсальные LLM пасуют
Фундаментальные языковые модели хороши во всём понемногу, поэтому слабы в чём-то одном. «Универсальные LLM обучаются быть нормальными везде, поэтому они плохи в любой нише», - объясняет Крити Фаудждар, старший продакт-менеджер в области AI-инфраструктуры. Редкие термины, отраслевые рассуждения, невысказанный контекст, который любой практик «просто знает», - всё это проваливается.
Самые ценные корпоративные данные вообще не попали в претренинг универсальных моделей. Они сидят во внутренних системах и проприетарных форматах. «RAG помогает немного, - говорит Фаудждар. - Но он просто даёт лучшие факты модели, которая всё ещё не умеет правильно рассуждать в предметной области».
«Не надо дообучать модель, чтобы сделать её «умнее» в предметной области. Дообучайте, чтобы сделать её надёжнее в том конкретном формате вывода, который нужен вашему процессу», - Себастьен Де Больвье, разработчик.
Три слоя вместо одного: как устроен стек Trunk
В высокоспециализированных областях вроде стройки «дамп данных» в LLM не работает, говорит технический директор Trunk Амриш Капур. Трансформеры - вероятностные модели: увидев изображение, они сообщают, что это «вероятно» дерево или «вероятно» ребёнок рядом с деревом. Для точной символьной интерпретации этого недостаточно. В строительных чертежах символ шириной 2 миллиметра имеет совершенно разное значение в зависимости от того, где он расположен.
Trunk построила трёхслойную систему:
- Восприятие (perception) - чтение и извлечение данных из грязных документов: PDF, чертежей, сканов
- Семантический слой (граф знаний) - осмысление данных и понимание их связей
- LLM и агенты поверх - выполнение задач с опорой на первые два слоя
Строительные чертежи обычно символичны, объясняет CEO Трунк Сара Бухнер, бывший плотник. Дверь не всегда обозначена словом «дверь». Иногда это просто дуга на стене, которую обученный глаз читает на основе многолетней практики. «Слой восприятия учит AI читать этот язык», - говорит она. Семантический слой затем связывает дверь с чертежом, который её детализирует, спецификацией и бригадой, которая её устанавливает.
Масштаб проблемы: Средний высотный дом генерирует около 3,6 миллиона страниц документации. «Если распечатать это в стопку бумаги, она будет высотой с само здание», - Сара Бухнер.
7 AI-агентов, которые реально работают
Платформа Trunk запускает семь агентов, каждый под конкретную строительную задачу: анализ ответов на запросы информации (RFI), обзор тендеров, проверка чертежей и подрядной документации.
Агент по подрядным документам, например, находит пропущенную, противоречивую или несоответствующую информацию в спецификациях продуктов и RFI. Человеческие рецензенты вынуждены сравнивать документы «с кучей других частей документов» - это утомительный процесс. Агент делает то же самое за секунды.
Сейчас агенты Trunk начали общаться друг с другом напрямую. Один агент проверяет архитектурный чертёж, затем автономно передаёт результаты агенту по RFI, который задаёт уточняющие вопросы. «Если в чертежах проблемы, RFI-агент берёт управление и активно запрашивает разъяснения», - объясняет Бухнер.
Конкретные результаты от клиентов Trunk:
- 8 минут - экономия на поиске одного документа (проверка статуса, локации, количества)
- 20 минут - экономия на стандартном перекрёстном обращении (2-3 раздела спецификации)
- 40 минут - экономия на многодокументном исследовании (4-6 документов)
- 75 минут - экономия на сложных задачах (создание RFI, глубокое перекрёстное сопоставление)
Живой пример: сдвинутая балка на 8,5 дюйма
Агент Trunk по проверке чертежей обнаружил, что конструкционная балка была сдвинута вверх на 8,5 дюйма. Архитектор это изменение не задокументировал. Если бы дефект не нашли, проектной группе пришлось бы демонтировать и переустанавливать балку нужного размера. Стоимость переделки - 10 000 долларов плюс срыв графика.
Другие примеры от клиентов: AI-агент выявил 60 000 долларов завышенных цен от субподрядчика по озеленению без какого-либо обоснования; указал, что камин нужно загерметизировать до установки гипсокартона, сэкономив около 100 000 долларов на материалах и рабочей силе; обнаружил, что для электрической двери требуется панель, не включённая в электрические чертежи.
Что это значит для бизнеса
История Trunk Tools - это не про стройку. Это про то, как внедрение искусственного интеллекта в любой отрасли требует отказа от иллюзии, что одна универсальная модель решит все проблемы. Trunk вложилась в данные: их слой восприятия и семантический граф обучались на реальных строительных документах с разрешения заказчиков.
Для бизнеса во Владивостоке и на Дальнем Востоке этот кейс особенно показателен. Нейросети для бизнеса дают измеримый результат только тогда, когда вы готовы работать со своими данными, а не полагаться на то, что модель «сама разберётся». Автоматизация с помощью ии в сложных отраслях - это не покупка подписки на API. Это архитектура: восприятие, семантика, агенты. Как в Trunk.
И да, когда модель Fable 5 на три недели отключили правительственным указом, Trunk этого даже не заметила - их стек не завязан на одну модель.