голосовой ERP-ассистент в мессенджерах,
созданный IT-интегратором.

Взаимодействия с ERP и управление бизнесом в голосовых сообщениях!

«Мы превращаем привычный мессенджер в точку входа в бизнес-системы: ERP, документооборот, BI. Сотрудники общаются с системами голосом или через файлы, как в обычной переписке.»

Наше отличие — глубокая интеграция с корпоративными системами и безопасная архитектура с возможностью on-premise размещения.

Почему это важно?

Бизнесу нужно ускорять процессы, снижать нагрузку на персонал и сохранять контроль

BAKE делает это без сопротивления пользователей — привычный UX, быстрое внедрение, высокая вовлечённость

Как это работает?

Голос или файл → BAKE в мессенджере

Ассистент обрабатывает, проверяет, уточняет

Интеграция с ERP/BI/CRM и выполнение действия

Пользователь может озвучить команду, отправить файл или задать вопрос — и получить нужное действие в бизнес-системе.

Что это даёт бизнесу?

Автоматизация типовых задач без переписывания ERP

Быстрая интеграция благодаря опыту команды в разработке коннекторов

Возможность on-premise установки для соблюдения политик ИБ

Увеличение продуктивности за счёт снижения барьера к использованию IT-систем

Мы не просто ассистент — мы обеспечиваем надёжную интеграцию с корпоративными системами благодаря нашей экспертизе в построении кастомных коннекторов и безопасной архитектуре.

Основная модель: SaaS

Ежемесячная подписка на пользователя

Тарифы зависят от количества сотрудников, функционала и глубины интеграции

Дополнительные источники дохода

Setup fee за подключение и адаптацию под инфраструктуру клиента.

Custom-коннекторы к ERP/BI/CRM-системам под клиента

On-premise лицензия — для компаний с высокими требованиями к безопасности

Поддержка и SLA — отдельные пакеты техподдержки

Что уже сделано?

Telegram-клиент (Python).

.NET backend

Распознавание команд (интент)

Извлечение параметров (слоты)

Автоматический импорт справочных данных

Вызов API сторонних систем для выполнения команд

Дальнейшие планы

Этап 1: Развитие AI-модулей

Улучшение модели извлечения параметров (NER) с использованием:

Аннотирование пользовательских запросов и создание обучающего датасета

Автоматическое дообучение модели на новых данных (active learning)

A/B-тестирование моделей (разные архитектуры, словари, способы препроцессинга)

Логирование неправильных извлечений и обучение на ошибках

Этап 2: Механизм непрерывного обучения

Механизм сбора данных для дообучения (с анонимизацией)

Доработка и оптимизация интерфейса системы

Пайплайн автоматического дообучения модели на новых размеченных данных (CI/CD для AI)

Система пользовательской обратной связи («Что вы имели в виду?» → коррекция интента/параметров)

Этап 3: Интеграция дополнительных моделей и возможностей

Интеграция LLM (GPT-like) для генерации ответов, помощи с недостающими параметрами

Поддержка нескольких языков (русский, казахский и др.)

Детекция пользовательских целей, даже если команда не сформулирована чётко

Контекстный диалог: обработка многошаговых запросов

Этап 4: Техническое масштабирование

Вынесение AI-модулей в отдельный сервис

Масштабирование системы

Метрики и мониторинг качества извлечения

Расширение API для сторонних систем

Этап 5: Будущее и развитие

Интерактивная речь с эмоциями и вариативностью (голосовой UX)

Диалоговая память (помощник "помнит" прошлые запросы)

Самообучающиеся ассистенты для новых команд/доменных областей

Интеграция с бизнес-аналитикой: какие команды популярны, где ошибки, как улучшать

голосовой ERP-ассистент в мессенджерах,
созданный IT-интегратором.