Kiryl Khamitski
Созвон 30 минBook 30 min

●  AI-внедрение для компаний · Варшава / удалённо по ЕСAI integration for companies · Warsaw / remote across the EU

Внедряю AI так,чтобы он работалпосле моего ухода.

I put AI into companiesso it keeps workingafter I leave.

Не слайды и не демо. Аудит — где AI реально экономит деньги; один пилот до продакшена; команда, которая умеет его сопровождать. При необходимости — целиком на вашей инфраструктуре.

Not a deck and not a demo. An audit of where AI actually saves money; one pilot taken all the way to production; a team that can run it. Entirely on your own infrastructure if the data cannot leave the building.

Разобрать мой случайReview my case→ Три формата работыThree ways to work
7+ летyrsпромышленного .NET, половина — финтехproduction .NET, half of it in fintech
4M+пользователей у AI-слоя, который я ведуusers on the AI layer I own today
1500+организаций на той же платформеorganisations on that platform

01  Чем это отличаетсяWhy this is different

Между рекомендацией и кодом нет прослойки. Тот, кто советует, сам пишет, сам выкатывает и сам дежурит, когда что-то ломается.

There is no layer between the advice and the code. The person who recommends it writes it, ships it, and is on call when it breaks.

/ a

Консультирует и внедряет один человек

The same person advises and builds

Нет junior-разработчиков между рекомендацией и кодом. Я сам пишу то, что предлагаю, и сам потом это эксплуатирую.

No juniors between the recommendation and the code. I write what I propose and then run it in production.

/ b

Инженер, а не евангелист

An engineer, not an evangelist

Моя повседневная работа — LLM-функции в продакшене: задержки, бюджеты на токены, кэширование, оценка качества. Я знаю, что ломается на реальной нагрузке.

My day job is LLM features in production: latency, token budgets, caching, answer-quality evaluation. I know which AI promises break under real load.

/ c

Честное «вам пока не надо»

An honest “not yet”

Если задача решается скриптом, интеграцией или уборкой в данных — скажу это на первом разборе. Дешевле для вас, спокойнее для меня.

If a script, an integration or cleaning up your data solves it, I will say so on the first call. Cheaper for you, calmer for me.

02  Три форматаThree formats

Каждый заканчивается артефактом, а не впечатлением

Each one ends in an artefact, not an impression

Начать можно с любого, но обычно идут по порядку: аудит → пилот → сопровождение. Цена — индивидуально, фиксируется письменно до старта.

Start anywhere, but the usual order is audit → pilot → ongoing. Pricing is individual and fixed in writing before we start.

01 / 03

AI-аудит

AI audit

2–3 недели

2–3 weeks

По итогу — документ, с которым можно идти к совету директоров.

Ends in a document you can take to your board.

  • Интервью с 5–8 людьми, которые реально делают работу
  • Interviews with 5–8 people who actually do the work
  • Карта процессов: где AI даёт деньги, где только риск
  • Process map: where AI pays off and where it is only risk
  • Инвентаризация данных и систем
  • Data and systems inventory — what can realistically be connected
  • Экономика: цена токенов и железа против сэкономленных часов
  • Unit economics: token and hardware cost against hours saved
  • План 30-60-90 с оценкой трудозатрат — и что НЕ делать в этом году
  • A 30-60-90 plan with effort estimates — and what NOT to do this year
Фикс-цена · после разбораFixed fee · quoted after the intro call

Кому: руководству, которому нужно решить, куда вкладываться, а не «попробовать ChatGPT».

Best for: leadership deciding where to invest — not “trying ChatGPT”.

02 / 03

Пилот до продакшена

Pilot to production

4–8 недель

4–8 weeks

По итогу — одна работающая система в руках сотрудников.

Ends in one working system in your staff’s hands.

  • Один сценарий по итогам аудита, а не три «для охвата»
  • One scenario chosen from the audit, not three “for coverage”
  • Агент или автоматизация с доступом к почте, CRM, трекеру, документам
  • An agent or automation wired into mail, CRM, trackers, documents
  • Оценка качества до релиза: проверочный набор, а не «вроде отвечает»
  • Pre-release evaluation: a real test set, not “seems fine”
  • Мониторинг, лимиты расходов, человек в контуре на рискованных шагах
  • Monitoring, spend limits, a human in the loop on risky steps
  • Передача: документация, доступы, разбор кода с вашей командой
  • Handover: docs, credentials, a code walkthrough with your team
Индивидуально · оплата по вехамIndividual quote · billed by milestone

Кому: когда узкое место уже понятно и есть кому пользоваться результатом.

Best for: a known bottleneck and people ready to use the result.

03 / 03

Приватные LLM и знания компании

Private LLM & company knowledge

4–10 недель

4–10 weeks

Развёртывание, затем сопровождение или обучение команды.

Deployment, then ongoing support or team training.

  • Модели на вашем GPU или в вашем контуре
  • Models on your own GPU or inside your perimeter
  • Ответы по внутренним документам (RAG): регламенты, договоры, вики
  • Answers over internal documents (RAG): policies, contracts, wikis
  • Конвейер документов: OCR, авто-теги, разбор сканов и счетов
  • Document pipeline: OCR, auto-tagging, scans and invoices
  • Роли и права: кто какие документы видит в ответах
  • Roles and permissions: who sees what in the answers
  • Обучение команды: 1–2 дня практики на вашем стеке
  • Team training: 1–2 hands-on days on your own stack
Проект + сопровождение · индивидуальноProject + retainer · individual quote

Кому: тем, кому юристы или регулятор запрещают публичные API.

Best for: teams whose legal or regulator forbids public APIs.

03  ПроцессProcess

Четыре шага.На каждом что-то остаётся у вас.

Four steps.Each leaves something behind.

01/04
STEP 01

Бесплатный разбор, 30 минут

Free review call, 30 minutes

ОстаётсяYou keepПисьмо на одну страницу: как я понял задачу, что реалистично, что нет.A one-page email: how I understood the problem, what is realistic and what is not.
STEP 02

Скоуп и фикс-цена, 48 часов

Scope and fixed price, 48 hours

ОстаётсяYou keepОдностраничник: границы работ, сроки, цена, критерий «сделано».A one-pager: boundaries, timeline, price, definition of done.
STEP 03

Короткие циклы

Short cycles

ОстаётсяYou keepДемо раз в неделю на ваших данных, доступ к репозиторию с первого дня.A weekly demo on your own data, repository access from day one.
STEP 04

Передача, а не зависимость

Handover, not dependency

ОстаётсяYou keepДокументация, разбор кода с вашими разработчиками, runbook на инциденты. Дальше я нужен по желанию.Docs, a code walkthrough with your developers, an incident runbook. After that I am optional.

04  Что уже сделаноBuilt and running

Системы, которые я построили эксплуатирую сам

Systems I builtand operate myself

Клиентских логотипов здесь нет сознательно: это системы, которые работают каждый день — рабочие и собственные. Из них вырос каждый пункт в услугах.

No client logos on purpose: these are systems that run every day — at work and at home. Every service above grew out of one of them.

Платформа employee experience: 1500+ организаций, 4M+ пользователей, мультитенантный контент.

Employee experience platform: 1,500+ organisations, 4M+ users, multi-tenant content.

Веду AI-функции продукта целиком: ассистента и его RAG-конвейер, авто-перевод на 100+ языков, агентный чат и базу знаний. Повседневная часть — операционная: кэширование, пакетный инференс, бюджеты по задержке и стоимости, оценка качества перед релизом.

I own the product’s AI features end to end: the assistant and its RAG pipeline, auto-translation across 100+ languages, an agentic chat and knowledge base. The day-to-day is operational — caching, batch inference, latency and cost budgets, and the evaluation that decides what ships.

RAGAgentic chatPrompt cachingBatch inference.NET 8

Модели на локальном GPU, маршрутизация запросов, семантический поиск по заметкам и переписке.

Models on a local GPU, request routing, semantic search over notes and chats.

Инференс-шлюз с подменой моделей на лету, бюджетами и логированием — плюс векторный поиск по архиву и конвейер документов: OCR, авто-теги, разбор сканов. Та же схема переносится на компанию: внутренний «поиск, который отвечает» по регламентам и договорам. И я знаю, сколько это стоит в железе и в чьём-то рабочем времени.

An inference gateway with hot-swappable models, budgets and logging — plus vector search over the archive and a document pipeline: OCR, auto-tagging, scanned paperwork. The same shape transfers to a company: an internal “search that answers” over policies and contracts. And I know what it costs in hardware and in someone’s working hours.

Local LLMGPU inferenceVector searchRAGOCR

Самостоятельно размещённый оркестратор: агенты с доступом к инструментам, планировщик, канбан-доска и собственный веб-сервис, который они развивают.

A self-hosted orchestrator: tool-using agents, a scheduler, a Kanban board and my own web product they work on.

Ровно та же архитектура нужна компании, когда «AI-ассистент» должен не болтать, а ходить в почту, трекер и базу. Здесь я на себе выяснил, где такие системы ломаются: границы прав, стоимость длинных контекстов, уверенные ошибки агента. Для клиента это прямой ответ на вопрос «а можно ли так у нас»: можно, но не везде — и я показываю, где проходит граница.

Exactly the architecture a company needs when an “AI assistant” has to reach into mail, trackers and databases rather than chat. This is where I learned first-hand where such systems break: permission boundaries, the cost of long contexts, agents that are confidently wrong. For a client it answers “could our team work like this”: yes, not everywhere — and I can show you where the line is.

AgentsTool callingKanban automationPythonDocker

05  Данные и рискиData and risk

Разговор про AI —это разговор про данные

A conversation about AIis a conversation about data

Половина моего опыта — финтех: инвестиционная платформа и платёжный процессинг, где ошибка в данных стоит денег и объяснений регулятору. Поэтому этот блок стоит раньше слова «инновации».

Half of my experience is fintech — an investment platform and payment processing, where a data error costs money and an explanation to the regulator. That is why this section comes before the word “innovation”.

— 01

Данные могут не покидать ваш контур

Data can stay inside your perimeter

Локальный инференс на вашем железе или в приватном облаке — рабочий вариант, а не компромисс. Я знаю, какая модель влезает в какую видеопамять.

On-prem inference on your hardware or private cloud is a working option, not a compromise. I know which model fits which amount of VRAM.

— 02

Права доступа переносятся в ответы

Access rights carry into the answers

Поиск по знаниям без разграничения прав — это утечка с красивым интерфейсом. Фильтрация по ролям закладывается с первого дня.

Knowledge search without permission filtering is a leak with a nice interface. Role-based filtering goes in from day one.

— 03

Бюджет виден и ограничен

Spend is visible and capped

Лимиты на запросы и токены, логи стоимости, кэширование. «AI-счёт на неожиданную сумму» — инженерная недоработка, а не свойство технологии.

Request and token limits, cost logging, caching. A surprise AI invoice is an engineering oversight, not a property of the technology.

— 04

Человек в контуре, где ошибка дорога

A human in the loop where mistakes are expensive

Агент готовит решение, подтверждает человек — на платежах, письмах клиентам, изменениях в данных. Где граница — решаем на аудите.

An agent prepares, a human confirms — payments, customer emails, data changes. Where the line sits is decided in the audit.

06  Обо мнеAbout

Семь лет держу продакшен.Последние — учу его думать.

Seven years keeping production up.Lately, teaching it to think.

Меня зовут Кирилл Хамицкий, я живу в Варшаве. Семь лет пишу .NET: три года — на британской платформе финансовых консультантов (около 30 000 консультантов, 50+ микросервисов, инженерная организация на 200 человек), затем greenfield-платформа B2B-платежей на event sourcing и Kubernetes. Сейчас — AI-слой корпоративной платформы, которой пользуются 1500+ организаций.

I am Kiryl Khamitski, based in Warsaw. Seven years of .NET: three on the UK’s market-leading financial advice platform (around 30,000 advisers, 50+ microservices, a 200-person engineering org), then a greenfield B2B payments platform on event sourcing and Kubernetes. Today I build the AI layer of an enterprise platform used by 1,500+ organisations.

Дома у меня работает небольшая, но настоящая AI-инфраструктура: локальные модели на GPU, агенты, поиск по архиву, распознавание документов, голосовой помощник. Там я проверяю всё, что потом предлагаю компаниям — за свои деньги и на своих данных. Кстати, изображения на этом сайте сгенерированы на том же GPU.

At home I run a small but real AI infrastructure: local models on a GPU, agents, archive search, document recognition, a voice assistant. That is where I test everything I later propose to companies — at my own expense, on my own data. The images on this page were generated on that same GPU.

  • ОпытExperience7+ лет промышленной разработки, половина — финтех7+ years in production engineering, half in fintech
  • СегодняTodayAI-функции платформы на 4M+ пользователейAI features of a platform with 4M+ users
  • СтекStack.NET, React, Python · RAG, agents, local LLMs · Docker, Kubernetes
  • ЯзыкиLanguagesRU · EN C1 · PL B2
  • ПодробнееMorekhamitski.com — инженерное резюме— engineering CV

07  Вопросы, которые задают первымиQuestions asked first

Прямые ответы

Straight answers

Скажу это на разборе и либо сужу скоуп до того, что реально доведу до конца, либо соберу под задачу знакомых инженеров, оставаясь ответственным за результат. Чего не делаю — не беру проект «на вырост» и не подставляю вместо себя юниоров.

I say so on the review call and either narrow the scope to what I can genuinely finish, or bring in engineers I have worked with while staying accountable for the result. What I do not do is take a project “to grow into” and quietly substitute juniors for myself.

Либо я на месячном сопровождении, либо решение строится максимально скучным и самодостаточным: меньше подвижных частей, понятные логи, runbook простым языком. Второй вариант дешевле и честнее, если у вас нет ИТ-отдела.

Either I stay on a monthly retainer, or the solution is built to be as boring and self-contained as possible: fewer moving parts, readable logs, a plain-language runbook. The second is cheaper and more honest if you have no IT department.

Наоборот, это мой основной сценарий. Модели разворачиваются на вашем железе или в приватном облаке; наружу не уходит ничего. Честное ограничение: локальные модели слабее топовых облачных, поэтому на аудите проверяем, хватает ли их — для поиска по документам и типовой автоматизации почти всегда хватает.

On the contrary, that is my main scenario. Models run on your hardware or private cloud and nothing leaves. The honest trade-off: local models are weaker than the top cloud ones, so the audit checks whether they are good enough — for document search and routine automation they almost always are.

Первый разбор — бесплатно. Цена считается индивидуально под задачу и фиксируется в документе до старта. Пилот оплачивается по вехам, а не по часам. Если после аудита вывод «внедрять пока рано» — у вас остаётся документ, и больше вы ничего не платите.

The first call is free. Pricing is individual to the task and fixed in writing before we start. The pilot is billed by milestone, not by the hour. If the audit concludes “too early for this”, you keep the document and pay nothing further.

Объёмом и составом. Я не закрою годовую программу трансформации для холдинга — зато нет менеджерской прослойки, и рекомендации пишет тот же человек, который потом пишет код и дежурит, когда оно сломается.

In size and staffing. I will not run a year-long transformation programme for a holding company — but there is no management layer, and the person writing the recommendations writes the code and is on call when it breaks.

08  КонтактContact

Опишите задачув двух абзацах.

Describe itin two paragraphs.

Отвечу, стоит ли вообще за неё браться. Полезнее всего: что за процесс, сколько людей в нём занято, где лежат данные и что для вас было бы «получилось». Первый разбор — 30 минут, бесплатно, без презентаций.

I will tell you whether it is worth doing at all. Most useful: which process, how many people are involved, where the data lives, and what “it worked” would mean for you. The first call is 30 minutes, free, no slides.

Записаться
на 30 минBook
30 min

Формы нет сознательно: письмо, где вы своими словами описали задачу, экономит нам обоим одну итерацию.

There is no form on purpose: an email in your own words saves us both one round-trip.