Поделитесь экспертизой и заявите о себе
Слушатели Conversations ждут ваших кейсов
и инсайтов, решений, которые они смогут применить в своих задачах.
и инсайтов, решений, которые они смогут применить в своих задачах.
Что важно знать
перед тем, как подать заявку на выступление
Что хочется видеть в вашей заявке
-
Контекст, масштаб, на котором реализовано решение - Проблематика: с какой болью столкнулись, какую задачу решали
- Как выбирали, строили решение (инхаус, внешнее) или искали подходы
- Вызовы, нюансы и сложности при реализации
- Какие ошибки допустили, истории провалов
- Какие инсайты вынесли
- Какие метрики использовали, какие результаты получили в цифрах
- Выводы и уроки, рекомендации, которые можно применить в разных областях
Хот-топики
Хот-топики — это верхнеуровневые таргеты конференции, темы, которые могут помочь спикерам нащупать фокус своего кейса или экспертиз, чтобы через опыт своей команды или компании затронуть остроактуальные для рынка вопросы. Тема вашего доклада не обязательно должна соответствовать этим топикам — мы приветствуем идеи, неординарные кейсы и свежую экспертизу.
Аудитория: C-level, директора по цифровой трансформации, руководители бизнес-направлений, AI Office, HR, CX, Customer Service
Экономика и ROI генеративного ИИ
AI-трансформация бизнес-функций
AI-first организация и трансформация бизнеса
Управление AI в масштабе компании
AI и люди: новая организация труда
Экономика и ROI генеративного ИИ
- Экономика внедрения и владения: где агенты окупаются, а где нет; как устроены расходы на мониторинг, human-in-the-loop и исправление ошибок
- Экономика пилота и экономика масштабирования
- Отрицательный ROI на старте проекта: что делать
- Проблема атрибуции — как считать эффект от ИИ от эффекта параллельных изменений в процессах и оргструктуре; ROI «заменить сотрудника ИИ» vs ROI «усилить сотрудника ИИ»
AI-трансформация бизнес-функций
- Что приходит на смену контакт-центрам: голосовые агенты и AI-операторы первой линии, кейсы и метрики; маркировка AI-звонков и последствия нового регулирования для голосового AI; AI как инструмент борьбы с проседающим исходящим трафиком
- Показательные кейсы AI в отраслевых бизнес-сценариях: ритейл, промышленность, телеком, энергетика, логистика, агро и тп (HR, разработка, массовый найм, customer support и тп)
- Вайбкодинг как инструмент автоматизации внутренних процессов
AI-first организация и трансформация бизнеса
- Как устроена AI-first компания: AI Office, центры компетенций, владельцы AI-продуктов
- Кто в компании отвечает за AI-стратегию и как эту стратегию создавать
- AI-adoption: как мотивировать руководителей и сотрудников реально пользоваться AI и преодолевать сопротивление
- Переизобретение бизнес-процессов под ИИ vs косметические изменения
Управление AI в масштабе компании
- Enterprise AI: от разрозненных пилотов к единой платформе
- AI Governance: управление рисками, эксплуатация сотен агентов внутри компании
- Кейсы команд, которые отвечают за качество, безопасность и актуальность знаний ИИ-систем
AI и люди: новая организация труда
- AI для каждого сотрудника: Enterprise Copilot, Personal/Team Agent, AI Workplace
- Цифровые сотрудники и трансформация ролей; переквалификация и новые компетенции; обучение сотрудников под ИИ
Аудитория: CPO, продакты, проджекты, продуктовые дизайнеры, AI Product Lead, лиды и сотрудники команд, занимающихся разработкой и внедрением AI-фич
AI-first продукты и Agentic UX
Экономика и монетизация AI-продуктов
Product Discovery и путь AI-продукта
Команды и роли в AI-продуктах
Персонализация и доверие пользователей
AI-first продукты и Agentic UX
- Продуктовая стратегия 2027: почему AI-функции становятся отдельными продуктами, а другие нет; конкурентные преимущества продуктов в эпоху доступности AI-разработки и дизайна; трансформация SaaS
- Диалоговые интерфейсы: AI как полноценный участник сценария. Кейсы
- Agentic UX: голосовые, невидимые, проактивные и context-aware интерфейсы
Экономика и монетизация AI-продуктов
- Модели монетизации клиентских AI/GenAI-сервисов и агентных решений.
- Влияние стоимости модели и инференса на unit-экономику: B2B/B2C.
- Подходы к пересмотру unit-экономики
- Бизнес-модель инхаус AI-продукта и привлечение инвестиций в AI-driven продукты внутри компании
Product Discovery и путь AI-продукта
- Челленджи AI Discovery: синтетические пользователи и AI-персоны в продуктовых исследованиях
- Почему классический JTBD и интервью перестают работать для agentic-фич; проблема бесконечной опциональности
- Vibe-тестирование продукта — можно ли валидировать AI-фичу через диалог с самой моделью вместо реальных пользователей, и где это обманывает команду
- GTM и метрики нового типа: от роадмэпа к capability map, встраивание в чужие workflow (плагины, MCP, агентные интеграции) вместо классической воронки; как отказываться от AI-фич
Команды и роли в AI-продуктах
- Эволюция ролей и вайбкодинг. Продакт-разработчик и разработчик-продакт. Границы ответственности между продуктовой и инженерной командой, новые правила игры в командах
- Инфляция роли AI Product Lead — кто это и чем отличается от обычного продакта с агентами в руках
- Дешевый код и реальный вес ролей и зарплатные ожидания внутри команды, рыночная оценка скиллов
Персонализация и доверие пользователей
- Генеративная персонализация: маркетинг вокруг конкретного пользователя
- Безопасная персонализация: баланс ML-анализа и защиты данных
- Объяснимость действий AI в продукте и борьба за доверие пользователя
- Локализация и кастомизация GenAI-продуктов под разные рынки и языки
Аудитория: AI/ML Engineers, архитекторы, техлиды, CTO, Platform Teams
Agent harness
AgentOps и эксплуатация
Context, память и качество
Агентные системы в проде
Разработка с AI
Voice AI и realtime
Безопасность
Инфраструктура в собственном контуре
Agent harness
- Harness как инженерная система: архитектура и правила взаимодействия с моделью
- Разбор существующих реализаций (Superpowers, DeepSeek Harness и аналоги): что дают из коробки, как устроен цикл «модель ↔ среда», в чём архитектурные различия
- Ограничения готовых решений: чего не хватило под реальные задачи — воспроизводимость прогонов, деградация на длинных задачах, хрупкость связей между шагами пайплайна
- Что достроили или адаптировали под себя: собственные скиллы и инструменты, перестроенные связи между шагами, встроенный контроль качества отдельных шагов harness
- Практические артефакты: схемы пайплайнов до/после, примеры компонентов, наблюдения из эксплуатации
AgentOps и эксплуатация
- AgentOps как дисциплина: evaluation, observability, контроль регрессий и качества
- Что происходит после запуска первых агентов: как бороться с хаосом агентов, как следить и мониторить, контроль расходов на агентов
- Экономика инференса: как строить AI-системы, которые можно позволить себе эксплуатировать
- Кодинг-агенты, которые сами делают продукты для автоматизации
Context, память и качество
- Context Engineering (+ context rot): управление контекстом, памятью, инструментами в бюджете токенов
- Эволюция RAG: agentic / graph / security-RAG — что реально дает прирост в проде
- RLM-подход к управлению контекстом/памятью
Агентные системы в проде
- Enterprise Agent Platform: архитектуры orchestration / memory / tool use / MCP / мультимодальность
- Что ломается при выводе агентов в прод; от одиночных агентов к мультиагентным системам (общий knowledge-слой, коннекторы, коллективная память)
- Оркестрация vs сама модель: детерминированный control-flow, durable state, hard-limits против доверия агенту
Разработка с AI
- Вайбкодинг в масштабе: граница скорости и качества, тестирование сгенерированного кода; масштабирование в enterprise-команде
- Где новый bottleneck после вайбкодинга; как меняется SDLC и роли команд, когда AI — участник деливери
- Долгоживущие агенты: длинные контексты, самопроверка на дистанции в 1-2 дня
- Организация долгой, проверяемой, контролируемой работы агентов над кодовой базой
- «Цензура» на вайбкодинг: маркировка сгенерированного кода, humanized-скилл; влияние на культуру разработки
Voice AI и realtime
- Voice-first, realtime, low-latency, voice-to-voice . Кейсы IVR, голосовые агенты
Безопасность
- Промпт-инъекции, изоляция, agent runtime, общие практики безопасности агентских систем
Инфраструктура в собственном контуре
- On-prem, open-weight/китайские LLM, выбор и маршрутизация моделей, гибрид cloud/on-prem
- Как применять контекст, делать качественный кэш, реализовывать инференс инженерно
- Ограничения на вывод данных
- Поиск новых архитектур и нестандартных LLM
Нажимая «Отправить», вы соглашаетесь с Политикой обработки персональных данных
Если остались вопросы, пишите на speakers@conversations-ai.com