Как S7 развивает промышленный AI в закрытом контуре и оценивает его окупаемость

Авиакомпания — сложный и зарегулированный бизнес с невысокой маржинальностью. Основную прибыль приносят дополнительные услуги вокруг путешествия, сами перелеты дают немного, а любое изменение приходится планировать на горизонт от трех до семи лет, иногда и до десяти. В такой экономике каждое вложение требует отдельного обоснования экономической эффективности.

Этот контекст определил три стратегических решения в S7:

Первые эксперименты с машинным обучением S7 запустила в 2016 году: автоматизировала контакт-центр, тестировала чат-ботов, строила первые модели для прогнозирования спроса и продаж. Проекты дали отличный импульс, но высветили типичный барьер крупных компаний — разрозненность данных и неготовность систем к их обработке.

В S7 решили сначала заложить фундамент: сместили фокус на перестройку архитекутры данных и заранее позаботились о кадрах, открыв собственную кафедру по AI в МФТИ. Сложился сильный союз штатных экспертов и магистров, которые за два года учебы создавали реальные продукты и сразу видели их влияние на метрики бизнеса.

К 2021 году классическое машинное обучение уперлось в потолок. Ситуацию переломил прорыв 2022–2023 годов с появлением больших языковых моделей. Проверка гипотез подешевела в десятки раз, что позволило S7 вернуться к прежним идеям и встроить генеративный AI в сервисы с уже понятной экономикой.

Десять лет экспериментов с искусственных интеллектом в S7 уместились в пять этапов:

По мере того как AI-продукты становились частью бизнес-процессов, росли и требования к защите информации. Передача персональных или коммерческих данных во внешние сервисы несет высокие риски, поэтому в S7 изначально выбрали путь полной технологической независимости.

Компания годами инвестировала в собственную инфраструктуру и экспертизу, чтобы разворачивать и адаптировать алгоритмы внутри своего периметра. В итоге сформировались три базовых принципа работы:

• Внешние и облачные сервисы. Допускаются только для открытой информации и после тщательной проверки службой безопасности.
• Работа с данными. Персональные сведения и коммерческая тайна никогда не покидают изолированный контур компании.
• Открытый код и собственное оборудование. Единственный формат для ключевых задач. Такой подход требует больше ресурсов на старте, но гарантирует полный контроль над кодом и защитой данных.

Разворачивать решения на собственном оборудовании дороже покупки готовых сервисов. Инвестиции в инфраструктуру и высокие стандарты защиты повышают стоимость разработки, а окупаемость таких проектов занимает от двух до трех лет.

Из-за высоких затрат бизнес запрашивает четкое обоснование: как инструмент повлияет на деньги или ключевые процессы. По этой причине в S7 любой эксперимент превращают в полноценный пилотный проект. Команда еще до старта фиксирует измеримые показатели эффективности, и только после этого получает ресурсы. Правило «нет четкой гипотезы с метриками до и после — нет запуска» стало обязательным стандартом для всех разработок.

Кейс 1. Динамическое ценообразование: +2% выручки

Контекст задачи

Исторически авиация работала по жесткой тарифной сетке, где цена билета менялась от количества свободных мест. Сегодня тариф подстраивается под ситуацию на рынке: в любой момент может закрыться аэропорт или измениться погода, и эти события должны учитываться в экономике рейса.

Как применили AI

Генеративный AI расширил тестирование эластичности спроса: система быстрее определяет, как разные группы пассажиров реагируют на смену цены. Это помогает находить оптимальный тариф для каждого сегмента.

Результаты и особенности

• +2% к выручке компании по итогам 2025 года. В масштабах крупного авиахолдинга это внушительный финансовый результат.
• Прозрачность для регулятора. Адаптивная цена привлекала внимание контролирующих органов, привыкших к одинаковой стоимости билетов. Компания показывала, что в алгоритмах нет скрытых наценок: теперь отрабатывание рисков потенциальных вопросов регулятора производится уже на этапе проектирования.

Кейс 2. Поиск без точной цели: +10% конверсии на «безадресном» трафике

Контекст задачи

В каналы S7 приходит аудитория без точных дат и направлений — люди, которые ищут направления для отдыха. Раньше этот сегмент не конвертировался: посетители листали даты и уходили, а платный трафик давал прямой убыток. Классические рекомендации не работали из-за отсутствия истории действий.

Как применили AI

Генеративный AI перестраивает выдачу под контекст: предлагает альтернативный маршрут при отсутствии прямых рейсов или подсказывает соседние даты, если билеты уже дорогие.

Результаты и планы

За 2025 год конверсия в сегменте выросла на 10%. Направление вышло из убытка в окупаемость. В планах — рассказывать про неочевидные города в сети S7 и учитывать рейсы партнеров для трансферов.

Кейс 3. Выбор места на борту: +43% к продажам после редизайна

Контекст задачи

Услуга выбора кресла долго не пользовалась спросом: многие пассажиры пропускали этот шаг при бронировании.

Как применили AI

Компания переработала интерфейс, настроила алгоритмы рекомендации и динамический расчет цены. Поскольку данных о личных предпочтениях пассажиров мало, система опирается на параметры полета: длительность, тип самолета и загрузку салона.

Результаты

Продажи услуги выросли на 43%. Чтобы не спровоцировать негатив, реакцию пассажиров на изменение стоимости допуслуг отслеживают в реальном времени.

Кейс 1. Внутренние AI-агенты: казус с экономией и вывод про KPI

Контекст задачи

Внутри S7 AI работает по агентной схеме. Первыми запустили ботов контакт-центра, а сейчас агенты обрабатывают сбойные ситуации: помогают пассажиру понять статус рейса, стыковку и пересадку. Второй блок — автоматизация IT-инфраструктуры, где агенты управляют масштабированием серверов и контролируют затраты.

Как применили AI и с чем столкнулись

На серверных задачах произошел показательный случай. Высоконагруженный сервис от релиза к релизу начал работать чуть медленнее. Проблему заметили после комментария партнера о снижении скорости отклика системы.

Выяснилось, что агент честно оптимизировал расходы, воспроизводя прежнюю логику инженеров: экономия ресурсов стояла на первом месте, а скорость ответа просто не попала в критические веса алгоритма.

Результаты и выводы

• Урок по настройке AI: показатели агента обязаны включать все критические метрики процесса одновременно.
• Новые сферы применения: в 2025 году агентов направили на проверку юридических документов и договоров для снижения рисков, а также на прогнозирование закупок авиазапчастей для поддержания исправности флота.

Кейс 2. Оценка эффективности AI: почему замена людей уступила место эволюции

Контекст задачи

В инфополе слишком много разговоров о том, что пора переводить процессы на AI-агентов. Возникает ощущение, что компания делает что-то не так, если подобных решений она еще не внедрила. Команда S7 начинала в похожем контексте и ждала быстрого результата: автоматизация заработает сразу, штат сократится на 20–30%, расходы на оплату труда упадут.

Реальность и полученный подход

На практике ожидания разошлись с результатом. Все дублирующие позиции в компании оптимизировали еще до прихода искусственного интеллекта. В результате агенты не заменили специалистов, а взяли на себя рутину, дав людям возможность сосредоточиться на качестве и предупреждении сложных рисков.

Результаты

• Смена метрик эффективности: вместо сокращения фонда оплаты труда компания измеряет качество совместной работы людей и AI-агентов.
• Оценка через предотвращенный ущерб: отдача от внедрения определяется стоимостью рисков, которые команда успела снять до их реализации.

За десять лет S7 создала промышленный AI внутри изолированного контура, используя собственное оборудование и открытый код. Инструменты принесли измеримую финансовую отдачу за 2025 год: +2% выручки от динамического ценообразования, +43% к продажам выбора места и +10% конверсии на трафике без точного маршрута.