ИИ и автоматизация
Чат-боты, ИИ-ассистенты, контент-заводы, RAG. Проектируем, обучаем, выводим в прод.
Смотреть кейсы →Наши модели работают внутри вашей CRM.
Собираем ИИ-ассистентов, чат-боты и контент-заводы. Сшиваем их с 1С, Битрикс24 и CRM — без костылей.
Отвечаем в течение дня. Обычно быстрее.
Не видео. Не заглушка. Живой ИИ-ассистент Интелбит — ответит прямо здесь.
Чат-боты, ИИ-ассистенты, контент-заводы, RAG. Проектируем, обучаем, выводим в прод.
Смотреть кейсы →1С, Битрикс24, CRM, ERP. Сшиваем сайт с бэкофисом — без костылей и ручной сверки.
Показать, как это работает →Модули и решения из маркетплейса. Ставите сегодня — запускаете завтра.
Смотреть продукты →import torch import torch.nn as nn class ProductClassifier(nn.Module): def __init__(self, vocab_size: int, embed_dim: int = 128): super().__init__() self.embed = nn.Embedding(vocab_size, embed_dim) self.lstm = nn.LSTM(embed_dim, 256, batch_first=True) self.head = nn.Linear(256, 42) def forward(self, x: torch.Tensor) -> torch.Tensor: x = self.embed(x) _, (h, _) = self.lstm(x) return self.head(h[-1])
from transformers import pipeline classifier = pipeline( "zero-shot-classification", model="MoritzLaurer/mDeBERTa-v3-base-xnli", device=0, ) labels = ["electronics", "apparel", "grocery", "auto"] result = classifier(description, candidate_labels=labels) # result: {'labels': [...], 'scores': [...]}
from sklearn.ensemble import GradientBoostingClassifier from sklearn.model_selection import train_test_split X_train, X_test, y_train, y_test = train_test_split( features, target, test_size=0.2, random_state=42 ) model = GradientBoostingClassifier(n_estimators=200, max_depth=4) model.fit(X_train, y_train) score = model.score(X_test, y_test) # ~0.89
from fastapi import FastAPI from pydantic import BaseModel app = FastAPI() class Item(BaseModel): description: str category: str | None = None @app.post("/classify") async def classify(item: Item): label, score = model.predict(item.description) return {"label": label, "confidence": round(score, 3)}
import os from anthropic import Anthropic client = Anthropic(api_key=os.environ["ANTHROPIC_API_KEY"]) def describe_product(title: str, specs: dict) -> str: msg = client.messages.create( model="claude-opus-4-7", max_tokens=512, messages=[ {"role": "user", "content": f"Опиши товар: {title}, спецификация: {specs}"}, ], ) return msg.content[0].text
import asyncio import httpx async def infer_batch(items: list[str]) -> list[dict]: async with httpx.AsyncClient(timeout=30) as http: tasks = [ http.post("http://ml:8000/classify", json={"description": text}) for text in items ] responses = await asyncio.gather(*tasks, return_exceptions=True) return [r.json() for r in responses if not isinstance(r, Exception)]
import requests webhook = "https://b24.example.com/rest/1/XXXXX" def push_lead_to_bitrix(name: str, email: str, task: str) -> int: payload = { "fields": { "TITLE": "Сайт → CRM", "NAME": name, "EMAIL": [{"VALUE": email, "VALUE_TYPE": "WORK"}], "COMMENTS": task, }, } r = requests.post(f"{webhook}/crm.lead.add.json", json=payload, timeout=10) r.raise_for_status() return int(r.json()["result"])
Опишите задачу — ассистент назовёт модель и объяснит выбор: цена, 152-ФЗ, embeddings.
Ассистент сейчас недоступен — напишите нам
Описание из ТТХ — одно в чате за секунды, тысячи из вашего CSV — так же, пакетом.
Ассистент сейчас недоступен — напишите нам
Отвечает на типовые вопросы по базе знаний, сложные — передаёт людям. Спросите, как он это решает.
Ассистент сейчас недоступен — напишите нам
Бриф на вход — структура, расчёт и сроки на выход. Структуру покажем прямо в чате.
Ассистент сейчас недоступен — напишите нам
Единый AI-чат-бот для сайта и Telegram: отвечает по нашей базе знаний, собирает лиды в Bitrix24, понимает голос. Это он — в чате на этой странице.
Сделать единого AI-чат-бота Интелбит, который сразу решает три задачи: лидогенерация с передачей контактов в Bitrix24, ответы на вопросы об услугах (RAG по базе знаний) и витрина AI-компетенций студии.
AI-бот на Python/aiogram 3 + FastAPI с мультипровайдерным LLM-слоем: провайдер и модель эмбеддингов выбираются конфигурацией, поддержаны как международные, так и российские. Голосовые сообщения, RAG на pgvector, Telegram + виджет на сайте, лидогенерация через tool use с автообогащением по ИНН через Dadata. Весь стек в Docker Compose; развёрнуты два независимых контура — международный и полностью российский.
Ассистент сейчас недоступен — напишите нам
Один клиент к Bitrix24 и Dadata, над ним — MCP для Claude Desktop и REST-сервис для чат-бота и интеграций.
Дать AI-ассистентам и собственному чат-боту прямой доступ к Bitrix24 CRM без переключения в веб-интерфейс и убрать дублирование клиента Bitrix по разным интеграциям.
Один async httpx-клиент Bitrix + Dadata, над ним две обёртки: stdio MCP (11 инструментов для Claude Desktop) и FastAPI REST-сервис (12 эндпоинтов с Bearer-auth для внешних интеграций). Всё в одном репозитории на Python 3.14 / uv / Docker.
Корпоративные проекты — на intelbit.ru: Запчастевой портал для SHARP CERTA.RU для завода «Спектр» 1С:CRM для «Тракс Восток Рус» все проекты →
Готовое решение для быстрого создания лаконичных корпоративных сайтов на платформе 1С-Битрикс. Современный дизайн, адаптивная вёрстка, удобная админка.
голосовой секретарь
Звонок принимает не автоответчик: Эвия слушает вопрос, отвечает по вашей базе знаний и переводит на человека, когда разговор к этому идёт. После звонка остаётся расшифровка и карточка в CRM. Работает на вашем сервере — записи никуда не уезжают.
B2B-портал для ваших оптовых клиентов: каталог, цены и наличие приходят из 1С, заказ оформляется в портале и сразу попадает в учёт. Клиент работает сам, менеджер видит всё в привычной 1С.
Пишем коротко о новых демо, кейсах и продуктах. Без спама и воды.
Ответим в течение дня. Предложим следующий шаг — прототип, оценку или звонок.
Или задайте вопрос в чате выше — ассистент Интелбит ответит и поможет подобрать следующий шаг.