Как Лига Ставок за год внедрила агентную платформу с тремя AI‑агентами: для трейдинга, QA и техподдержки
Лига Ставок — один из крупнейших легальных букмекеров России, основанный в 2008 году, входит в топ-5 по рынку. Лига ставок - это финтех-компания: в основе бизнеса которой лежат трейдинговые системы, просчет коэффициентов и математические модели вокруг спортивных событий.
TL;DR
Лига Ставок — финтех-компания с масштабной операционкой: сотни обращений по спорным ставкам ежедневно, постоянные релизы с ручным тест-дизайном и загруженная вторая линия техподдержки. Вместе с Umbrella IT за год компания построила агентную платформу и вывела в продакшен три AI-агента — для трейдинга, QA и SRE.
Результат: 20% спорных обращений закрываются автоматически, тест-дизайн на фичу генерируется набором из 30-40 кейсов, а инциденты маршрутизируются с подсказками из базы знаний.
200 обращений в день, AI‑гипотеза и поиск точки окупаемости автоматизации
Вокруг основной бизнес-модели Лиги Ставок — трейдинга спортивных событий — работает большое количество операционных процессов. Клиенты пишут обращения о том, что ставка рассчиталась некорректно: в обычный день таких обращений 200-250, в дни крупных спортивных событий — до 500. Команда трейдинга рассматривала их вручную, в режиме 24/7.
Параллельно QA-команда тратила до месяца на создание тест-дизайна для каждой новой фичи: ручной процесс валидации, ревью и проверки покрытия. А вторая линия техподдержки разбиралась с инцидентами.
Гипотеза на старте звучала так: можно ли в крупном корпоративном бизнесе автоматизировать простые задачи людей с помощью AI, при этом сделать это качественно, масштабируемо и небольшой командой? И главное — добиться ситуации, когда вложения окупаются снижением ручного труда.
У Лиги Ставок уже была внутренняя технологическая экспертиза и понимание потенциала генеративных моделей. Для проверки гипотезы в промышленном контуре и ускорения запуска компания привлекла Umbrella IT, российского IT-разработчика со специализацией на AI/ML-решениях.
Два слоя архитектуры: платформа, которую можно развивать самостоятельно
Одним из ключевых требований со стороны Лиги Ставок была архитектура, которую команда сможет развивать самостоятельно, без постоянной зависимости от вендора. Команда Umbrella IT под руководством CIO Лиги Ставок Юрием Буличем реализовала этот подход, в рамках двухслойной платформы.
Поэтому для нас ИИ — это часть производственного контура. Если агент закрывает 20% типовых обращений без человека, ускоряет разбор сложных кейсов или за минуты готовит тестовое покрытие, он напрямую работает на маржинальность и устойчивость бизнеса.
Платформенный слой — полноценное продакшн-решение в контуре Лиги Ставок. Развернуто в Kubernetes, авторизация через Keycloak, продовые базы данных по спортивным событиям. Сюда же входят интеграции с корпоративными системами: Confluence, Jira, GitLab, TestOps, HelpDesk. Этот слой — фундамент и источник данных, с которыми работают модели.
Агентный слой — R&D-уровень, где разворачиваются сами агенты. Каждый агент здесь — это не одна модель, а полноценный сервис с предзаданными промптами и алгоритмами обработки данных из платформенного слоя. Для трассировки и контроля используется LangFuse, система версионирования агентов, трассировки запросов к LLM и управления персональными настройками пользователей.
Такая архитектура позволяет переиспользовать интеграции: все агенты работают с одним набором источников данных, а новый агент подключается к уже существующей инфраструктуре.
Как выбирали, что автоматизировать: два подхода к одной задаче
Команда использовала два подхода к выбору процессов для автоматизации.
Для QA-агента сработал принцип наименьшего сопротивления. У QA-команды уже был сформулирован бизнес-запрос: «хотим ускорить написание тест-дизайна». Команда была готова к изменениям, поэтому преодолевать сопротивление не пришлось. Процесс подходил идеально: хорошо покрыт документацией, стандартизирован, часто повторяем, имеет конкретные артефакты на входе (ТЗ) и на выходе (тест-кейсы).
Для BetCheck-агента в трейдинге использовали продуктовый подход. Команда прорабатывала набор гипотез и взвешивала их по RICE. Оценивали, какой вес у каждой гипотезы, и брали в работу ту, которая давала максимальное value при минимальных затратах.
В больших IT-командах работа с сопротивлением сотрудников — это еще один пул задач. Для автоматизации выбирали ту часть, где было меньше сопротивления и большая потенциальная ценность для бизнеса и для команды.
Три агента в продакшене: трейдинг, QA, техподдержка
BetCheck: ИИ-агент для трейдинга, который разбирает спорные ставки
Клиенты Лиги Ставок пишут обращения, когда считают, что ставка рассчитана некорректно. BetCheck автоматизирует рассмотрение части таких обращений.
Агент получает обращение, анализирует данные по спортивному событию из внутренних баз и самостоятельно ищет результаты в интернете по официальным и неофициальным источникам. К ответу прикладывает ссылку на источник, что ускоряет верификацию для трейдеров.
Результат: 20% обращений агент закрывает автоматически, без участия сотрудников. По остальным 80% он снижает время ручного рассмотрения, команда собирает эмпирические данные. На старте проекта ориентировались на 15% автоматического закрытия — результат превысил план.
Скриншот интерфейса
ИИ для тестирования: 30-40 тест-кейсов на фичу из ТЗ
Раньше тест-дизайн для новой фичи — полный набор тест-кейсов с шагами воспроизведения, ожидаемыми результатами и покрытием сценариев — занимал до месяца. Ручная работа тестировщика: изучить структуру, продумать позитивные и негативные сценарии, краевые случаи, все это задокументировать.
Результат: агент генерирует 30-40 тест-кейсов на каждую фичу. Покрытие включает позитивные кейсы, негативные кейсы и краевые сценарии. Все это публикуется в систему TestOps с правильными статусами и структурой — именно так, как сделал бы опытный тестировщик, только быстрее и без пропусков.
SRE-агент: маршрутизация инцидентов и подсказки из базы знаний
С этого агента начинался весь проект — как проверка гипотезы: поможет ли накопленная база инцидентов обрабатывать новые.
Специалист второй линии описывает проблему в интерфейсе агента. Агент подбирает аналогичные инциденты из базы знаний и указывает, каким способом они были разрешены.
Результат: агент предлагает либо готовое решение из похожего инцидента, либо точную маршрутизацию. При этом система определяет, какая команда отвечает за конкретный участок периметра: Kafka, RabbitMQ, база данных, фронтенд или мобильное приложение.
Скриншот интерфейса/схема логики
Mixture of Experts против галлюцинаций нейросетей: как «Арена агентов» помогла снизить галлюцинации
На ранних этапах работы с SRE-агентом команда столкнулась с большим количеством галлюцинаций. Проблему не удается решить полностью — это ограничение технологии. Но команда снизила количество галлюцинаций до минимума тремя способами.
Атомизация запросов. Вместо одного большого запроса к модели — итеративное уточнение контекста через RAG и вызов инструментов. Каждый шаг сужает контекст и снижает вероятность ошибки.
Контекстный менеджер. Отдельный компонент, который сокращает объем данных, передаваемых в LLM, на 60-80%, оставляя только релевантную информацию.
Mixer of Experts, или «Арена агентов». Три разные модели независимо собирают ответ на один и тот же вопрос — каждая по своим параметрам. Затем модель-ревьюер проходится по трем ответам, критически оценивает, усиливает нужные контексты и убирает галлюцинации.
Применение этого подхода стало переломным моментом. Команда поняла, что решение готово к продакшену. Расход токенов выше, но качество выдачи — значительно лучше.
350 страниц из одной статьи: как готовить данные Confluence для LLM
Отдельным вызовом стала интеграция с корпоративным Confluence. Структура вложенности статей такова, что внутри одной статьи может быть другая, со ссылками и гиперссылками. При суммаризации одна статья превращалась в 350-400 страниц PDF с текстами, картинками и таблицами.
Команда разработала отдельный backend-сервис для преобразования данных. Пайплайн работает последовательно:
- Разделение — текст отделяется от изображений и таблиц
- Изображения → PDF — картинки конвертируются в PDF-формат
- Таблицы → markdown — таблицы превращаются в LLM-читаемые markdown-файлы
- Сборка — все отправляется через контекстный менеджер
- Фильтрация — менеджер убирает лишнее и оставляет релевантный контекст
R&D без роадмапа: сверка дважды в неделю и развороты на 180 градусов
У проекта нет роадмапа длиннее одного-двух месяцев, команда работает в R&D-логике. Каждые две недели принимается решение — идти дальше в текущем направлении или нет. Чтобы ловить отклонение курса сразу, петлю обратной связи с заказчиком сократили до двух сверок в неделю вместо классического демо раз в спринт.
Пайплайн разработки такой:
1 спринт
Аналитика: атомизация процесса, диаграммы последовательности, BPMN, точки входа и выхода
3 недели
Разработка пилота
6 недель
Максимальный срок до первых результатов в продакшене
Параллельно работает вторая петля обратной связи — уже от пользователей к команде: каждый ответ агента можно оценить по десятибалльной шкале и оставить текстовый фидбек, а оценки падают в админку вместе со ссылкой на чат и полной историей диалога. С этим материалом команда постоянно дорабатывает агентов.
Ключевые результаты проекта
95%
Времени экономит QA-агент на подготовке тест-планов
20%
Обращений к трейдерам закрываются ИИ без участия человека
67%
Времени экономится на обработке сложных спорных заявок
18 раз
Ускорено создание тестовой документации
960
Человеко-часов в год экономит BetCheck
855
Человеко-часов в год экономит QA-направление
1 815
Человеко-часов экономит платформа в год
Что дальше: от вендорского решения к собственной экспертизе
Гипотеза про наращивание внутренней экспертизы начала реализовываться. Внутри Лиги Ставок появилась группа энтузиастов, которые самостоятельно используют платформу, развернутую Umbrella IT. Сейчас на базе существующей инфраструктуры и MCP-серверов создается агент для код-ревью — им будут пользоваться лиды разработки и руководители команд. Совокупность платформенных сервисов и интеграций позволяет планировать дальнейшее расширение.
Кейс внедрения ИИ‑агентов в финтехе: выводы
Лига Ставок стартовала проект с нулевой AI-экспертизы и гипотезы про автоматизацию операционки. За 12 месяцев команда Umbrella IT из четырех человек вывела в продакшен три AI-агента для разных доменов одной компании. Ключевой фактор успеха — двухслойная архитектура: платформа с интеграциями переиспользуется всеми агентами, а каждый новый агент подключается к готовой инфраструктуре за несколько недель.
Проект показал, что для внедрения AI-агентов в крупный бизнес критично правильно выбирать первый процесс. Два рабочих критерия: готовность команды к изменениям и продуктовая оценка гипотез через RICE. А честный R&D-подход с короткими петлями обратной связи позволяет быстро находить рабочие решения и не тратить месяцы на тупиковые направления.
