Израильский стартап Uvi вышел из скрытого режима и привлёк $7,5 млн посевных инвестиций. Компания утверждает, что контекст для ИИ-агентов способен сократить стоимость их ответов примерно в восемь раз: проблема не столько в рассуждениях модели, сколько в бесконечном поиске по Slack, Jira, GitHub и старым pull request. Для российских команд, уже подключающих LLM к внутренним системам, это знакомая статья расходов: агенту дали доступ ко всему, а он каждый раз начинает расследование с нуля.
По данным The New Stack, раунд Uvi поддержали CT Innovations, Cardumen, Mana VC и 91 Ventures. Основатели предлагают вынести знания компании в отдельный слой, доступный разным моделям и агентам. CEO и сооснователь Gilad Salinger формулирует идею без особой дипломатии: модели компания арендует, а контекстом владеет сама. Если завтра команда меняет провайдера модели, ей не хочется вместе с ним терять историю решений, связей между задачами и принятых ограничений.
Это не про очередную папку с документами и не про банальный поиск по корпоративной базе. Uvi описывает свою систему как сочетание семантического слоя, графа знаний и слоя рассуждений поверх актуальных данных с учётом прав доступа. Сервис должен связывать решение, обсуждение, код и процесс: например, находить не все упоминания исключения в биллинге, а конкретное решение, участников, зависимые системы и последующие изменения. В идеальном сценарии агент получает не гору похожих документов, а минимальный набор данных, достаточный для ответа.
Причина появления такого продукта довольно приземлённая. Решение может родиться в треде Slack, превратиться в задачу Jira, измениться в pull request и закончиться флагом функции. Ни один из этих инструментов по отдельности не хранит полную картину. Человеку, который давно в команде, хватает нескольких минут, чтобы вспомнить, почему миграцию уже отменяли или почему исключение в расчётах нельзя убрать. Агенту без подготовленного контекста приходится последовательно обходить источники, собирать куски и гадать, какие из них важны.
Внутреннее тестирование Uvi охватило более 900 реальных вопросов сотрудников. Компания сравнивала два варианта, используя одну и ту же передовую модель: в первом агент был напрямую подключён к шести корпоративным системам, включая Slack, Jira и GitHub; во втором — получал подготовленный контекст через Uvi. В прямом сценарии, по словам Salinger, на один вопрос уходило от 15 до 35 обращений к системам. В сценарии с Uvi агент получал нужную связку данных за один шаг.
Цифры выглядят привлекательно, но их стоит читать с пометкой «заявление поставщика». Uvi сообщает, что ответ агента при обычной прямой интеграции обходился в $0,75–1,41 и иногда превышал $2. При использовании её платформы тот же ответ стоил $0,10–0,16. На открытых вопросах, где агент застревал в циклах поиска, стартап заявляет экономию до 46 раз. Независимой проверки методики и результатов пока нет, поэтому эти показатели нельзя автоматически переносить на любую инфраструктуру, модель и набор данных.
Не только счёт за токены
Главная ценность здесь может оказаться не в цене одного ответа. Агент, которому не показали историю решений, способен уверенно предложить миграцию, от которой компания отказалась три года назад — по причинам, оставшимся в архивном обсуждении. Для разработчиков это лишние циклы ревью и повторение давно закрытых споров; для продуктовых команд — риск получить убедительное, но вредное обоснование решения. Чем больше агентам поручают работу с кодом, поддержкой или внутренними процессами, тем дороже обходится эта институциональная амнезия.
Уvi заявляет, что её ПО уже работает в production у Lemonade и monday.com, а также у Melio, которая теперь входит в Xero. Среди подключаемых источников названы Slack, кодовые базы, сессии программирования, заметки встреч, Jira и Confluence; дополнительные интеграции находятся в разработке. Формулировка важна: речь не о готовом универсальном агенте, а об инфраструктурном слое, который должен работать с моделями и агентами, выбранными заказчиком.
Для IT-директора это означает, что бюджет на агентные сценарии нельзя оценивать только по цене токенов выбранной LLM. В расчёт попадают количество обходов источников, качество поиска, права доступа, синхронизация данных и стоимость ошибок. Для инженеров вывод ещё проще: прямое подключение агента к десяти системам не делает его автоматически информированнее. Без модели связей оно может лишь сделать его разговорчивым пользователем корпоративного поиска с дорогим тарифом.
При этом подготовка контекста для ИИ-агентов сама по себе не бесплатна и не нейтральна. Нужно решить, какие данные считать актуальными, как учитывать изменения доступа, кто отвечает за ошибочные связи в графе и как не превратить «единый источник знаний» в очередную непрозрачную систему. Особенно чувствительна граница между полезной памятью агента и доступом к данным, которые он видеть не должен. Uvi говорит о работе с разрешёнными данными, но практическая ценность этого обещания будет зависеть от реализации в конкретной компании.
Рынок агентных платформ постепенно упирается не в отсутствие ещё одной модели, а в организационную память. Победит не обязательно тот, кто быстрее подключит LLM к Slack и Jira, а тот, кто сможет доказать, что его контекст для ИИ-агентов остаётся точным, управляемым и переносимым между моделями. Проверить детали подхода и заявленные результаты можно в публикации .