Банк, где всё пишут на Kotlin, Java и Spring Boot, внедрил AI‑ассистента исключительно на JVM‑инструментах. Команда пробурилась через три библиотеки (Spring AI, Koog, LangChain4j) и в итоге остановилась на Spring AI – он «как родной», вписался без усилий. Никаких новых вакансий для питонистов: поддержка осталась в зоне ответственности привычных Java‑разработчиков.
Технически решение делит документы на чанки, сохраняет эмбеддинги в PostgreSQL с pgVector и вытаскивает релевантный контекст обычным SQL‑запросом. Отказ от отдельной векторной БД (Milvus, Qdrant) объясняется желанием не тратить деньги и время на лишнюю инфраструктуру – лицензия на PostgreSQL уже есть, настройка заняла пару дней.
Оценка миграции: потенциальные лицензии только при необходимости премиум‑функций, небольшие расходы на расширенное хранилище и обучение Java‑команды работе со Spring AI. По сравнению с типичными затратами на Python‑экосистему – найм питониста, отдельные библиотеки, векторная БД – экономия достигает 40 % бюджета проекта.
ROI уже измерен: время поиска информации в разрозненных источниках (Excel, письма, заметки) упало до 30 % от прежнего уровня, то есть экономия 70 %. Производительность сотрудников выросла на 15–20 %, ускорив согласование расходов и сократив количество ошибок.
Что это значит для CEO банка с доминирующим JVM‑стеком? RAG‑решения позволяют снизить проектные затраты примерно на 40 % и сократить сроки бюджетного процесса до трети от прежних. Запусти пилот в одном бизнес‑юните, проверь нагрузку PostgreSQL и подготовь план обучения Java‑команды.