Главным ведущим мастер‑класса выступил Марат Мухарьямов, директор продуктового направления группы IT-компаний Lad, вместе с командой экспертов. Основный акцент был сделан на практической ценности игры: она дала участникам повод порассуждать, где в собственном бизнесе уже сейчас применимы команды агентов и взаимодействие Agent‑to‑Agent (A2A).

Перед стартом игры Марат Мухарьямов рассказал, что мастер‑класс одновременно является тестом новой версии продукта (Ladcraft как развитие предыдущего поколения платформы GPTZATOR) и демонстрацией того, какие проблемы в корпоративном внедрении GenAI приходится решать в первую очередь.

Команда Lad по опыту клиентских проектов 2025-го года выделила три «узких горлышка», из‑за которых рынок часто разочаровывается в ИИ‑инициативах:

1. Длительное внедрение. Чат‑боты и ассистенты не доводят задачу до результата автономно, а настройка нередко растягивается на месяцы, тогда как бизнес ожидает эффект «за недели».
2. Сложность пайплайнов. Сборка сценариев в виде пайплайнов вручную оказывается очень трудоемким процессом для многих клиентов. На практике серьезные сценарии делаются силами команды внедрения, что ограничивает масштабирование.
3. Информационная безопасность и стоимость «железа». Использование больших языковых моделей в закрытом контуре дорого, а работа с конфиденциальными данными в облаке вызывает риски и ограничения.

При этом внедрение должно быть ориентировано на ROI (Return on Investment, коэффициент рентабельности инвестиций), который можно посчитать в деньгах и осознанно защищать перед бизнесом.

Новая версия платформы строится вокруг концепции автономных агентов — систем, способных самостоятельно выполнять цепочки действий от постановки задачи до готового результата. Если традиционные чат-боты требуют постоянного «ручного сопровождения», то агент Ladcraft получает цель, принимает решения в рамках заданных правил и возвращает результат без промежуточных итераций. Это меняет саму логику работы: бизнес-заказчик формулирует задачу, а не управляет процессом пошагово.

Ключевое отличие состоит в переходе от одиночных ассистентов к модели командной работы агентов. Платформа позволяет объединять специализированных агентов в команды, где каждый выполняет свою роль: один анализирует данные, второй проверяет соответствие регламенту, третий формирует отчет. Они взаимодействуют друг с другом напрямую через технологию Agent-to-Agent (A2A), договариваясь об условиях и распределяя работу без участия человека. Такой подход отражает реальную структуру компании, где задачи решаются коллективно, а не последовательно.

Архитектура учитывает проблему сохранения контекста: агенты записывают важные факты в долгосрочную память и перечитывают их при новых обращениях, не «забывая» историю взаимодействия. При этом LLM не обучается на данных клиента, используется механика сохранения и восстановления контекста без изменения модели.

Эта эволюция соответствует общей тенденции рынка. По данным Gartner, к 2028 году 33% корпоративных приложений будут использовать агентские архитектуры. Ведущие технологические компании — Google, OpenAI, Microsoft — уже развивают агентные фреймворки, а рынок движется от пассивных систем к адаптивным, способным к самостоятельному действию и принятию решений. Ladcraft работает в этом же направлении: агенты берут на себя операционную рутину, а люди сосредотачиваются на стратегии.

По замыслу игры каждый участник оказывался в роли руководителя: вы становитесь CEO ИТ‑интегратора на 80 минут, а ваш «операционный контур» — это ИИ‑агент. У команд был стартовый капитал и набор ресурсов, а задача заключалась в том, чтобы вывести компанию в лидеры рынка, победив в конкурентной борьбе.

Основная идея заключалась во взаимодействии: человек задает стратегию — агент исполняет тактику. В результате участники видят то, что обычно скрыто за демо‑слайдами: как агент принимает решения в условиях ограничений и почему для результата важны не только алгоритмы, но и грамотно заданные правила.

В игре ресурсы намеренно сделаны узнаваемыми для ИТ‑аудитории. На стороне компании GPU‑мощности и команда специалистов (от junior‑разработчиков до senior‑консультантов) с зафиксированной моделью регулярно списываемой зарплатной нагрузки, а также стартовый капитал для инвестиций. Именно это заставляло команды мыслить по‑взрослому: нанять «звезд» легко, сложнее — выдерживать экономику, когда затраты начинают системно влиять на итог. 

Победа рассчитывалась формулой:

Итоговый капитал = Деньги + GPU × 0,8 − Долги

Таким образом участники сталкивались с управленческой дилеммой, близкой к реальным проектам: когда и в каком объеме инвестировать в мощности, как избегать долговой нагрузки и почему «купить все и сразу» может ухудшить положение в рейтинге.

Динамика игры строилась по раундам, а внутри раунда были выделены фазы:

1. Стратегия (человек) — команда видит ресурсы и задает агенту рамку поведения, в том числе готовность к коллаборациям.
2. Закупка ресурсов (агент) — агент покупает GPU на рынке (цены меняются) и нанимает специалистов, учитывая дальнейшую нагрузку.
3. Торги и переговоры (A2A, агент) — на рынке появляются контракты, агенты торгуются за цену и условия, возможны договоренности между командами.
4. Итоги (арбитр) — фиксируется выполнение контрактов, начисление денег, списание зарплат и место в рейтинге.

Отдельная обучающая часть механики — режим согласований. Команда могла выбрать либо доверить агенту самостоятельные решения в рамках заданной стратегии, либо требовать подтверждать каждое действие человеком.

Как объяснял Марат Мухарьямов, второй вариант повышает контроль, но может «съесть» скорость: на раунд отводится ограниченное время, и пока человек раздумывает, команда рискует пропустить сделки. Это наглядно демонстрирует один из главных компромиссов внедрения агентных систем в бизнесе: скорость vs контроль, и то, как этот баланс меняется по мере роста доверия к системе.

У команд была возможность выбрать разные модели бизнес-стратегии — агрессивную, консервативную, коллаборативную или спекулятивную. Это превращало игру в управленческий тренажер: победа зависела не от скорости кликов, а от того, насколько качественно сформулированы правила и как команда управляет рисками.

Типичные ошибки новичков, описанные в правилах, напоминают классические анти‑паттерны проектного управления: попытки заключать контракты без подготовленных ресурсов, фокус на дорогих «сеньоров», игнорирование конкурентов и импульсивная смена стратегии в разгар раунда. В отличие от них, опытные управленцы, принимавшие участие в мастер‑классе, действовали в соответствии с ключевыми принципами реального бизнеса: наращивали ресурсную базу перед выходом на крупные сделки, внимательно отслеживали регулярные издержки, использовали переговоры для структурирования комплексных контрактов и последовательно придерживались избранной стратегии.

Ключевой инсайт мастер‑класса — демонстрация Agent‑to‑Agent (A2A) взаимодействия. Организаторы предлагали понятное сравнение: если API‑интеграция — это «телефон по скрипту», то A2A — это «два профессионала, которые договариваются о лучшем решении». В таком подходе агентам не требуется «жестко прошитая» интеграция на каждый сценарий, они могут согласовывать условия, выбирать варианты и действовать автономно в заданных правилах.

Эта логика иллюстрировалась прикладными примерами. Один из них — «умные закупки»: агент видит дефицит, запрашивает нескольких поставщиков, сравнивает условия, согласовывает с «финансовым» агентом и размещает заказ. При необходимости «человек в контуре» остается на финальном шаге как точка контроля до совершения действия.

Отдельный смысловой блок и один из мотивов обновления платформы заключался в ориентации на измеримый результат. В ходе игры подчеркивалось: эффект от внедрения ИИ важно фиксировать не «ощущениями», а метриками.

Рекомендованный подход выглядит так:

• на первом шаге измеряются физические/операционные метрики (ускорение, снижение ручных действий, изменения в процессе);
• затем эти метрики переводятся в ценность и деньги;
• результат сверяется с ожиданиями — подтвержден ли ROI.

По оценкам команды Lad, типовая дорожная карта кейса: порядка 3 недель до MVP и еще 3–4 недели на тестирование и замеры «было/стало».

Игра стала наглядной демонстрацией агентной модели в действии и убедительным доказательством того, что путь от разрозненных экспериментов с генеративным ИИ к ощутимому бизнес-результату лежит через переосмысление самой архитектуры автоматизации. Участники увидели своими глазами: технологии меняются быстро, но конкурентное преимущество дает не столько выбор инструмента, сколько готовность перестроить процессы вокруг новых возможностей. Игровой формат позволил максимально наглядно продемонстрировать механику A2A-взаимодействия. Этот опыт эксперты Lad планируют продолжить на партнерских и клиентских мероприятиях, знакомя бизнес с возможностями платформы Ladcraft.