01 / 06
Источники
Peter Norvig, Director of Research, Google: «More data beats clever algorithms, but better data beats more data». Lora Aroyo и соавт., Google Research, «Data Excellence for AI: Why Should You Care», ACM Interactions, 2022: «The efficacy of machine learning models depends on both algorithms and data». RAND, «The Root Causes of Failure for AI Projects», 2024: более 80% AI-проектов терпят неудачу, вдвое чаще IT-проектов без AI; данные среди пяти корневых причин. Gartner, «Lack of AI-Ready Data Puts AI Projects at Risk», 2025: 60% AI-проектов и 63% организаций; Data Quality: $12,9 млн в год. Cisco AI Readiness Index 2025: 13% организаций полностью готовы к AI. McKinsey, «Tech debt: Reclaiming tech equity»: технический долг 20–40% стоимости технологического ландшафта. Факты о внедрении: холдинг KazDream, 2026.
Внешние источники на схеме: Kompra и госреестры → Compliance; Decider → СБ; Supervision → PR; Закупки KZ (goszakup.gov.kz, zakup.sk.kz) → CRM; Enbek.kz (электронная биржа труда, трудовые договоры) → HR 360; БВУ и ЭСФ (банковские выписки, электронные счета-фактуры) → Accounting.
01Название продукта
KazDream IT Holding KDHub

AI-native ERP

Операционная система холдинга: данные компании × AI. Пять хабов на одной модели данных, рутину выполняют агенты, всё в контуре заказчика.

Данные компании × AI 5 хабов, одна модель данных MCP: любой AI на данных холдинга
Листайте
02Проблема 1 · Данные

AI эффективен настолько, насколько хороши данные

Модели доступны всем. Разница в данных, которые компания может им дать.

Качество данных важнее их объёма.

Питер Норвиг, директор по исследованиям Google

Эффективность внедрения AI определяется системно структурированными, качественными данными компании.

Вывод для холдинга
63%
организаций не имеют практик управления данными, пригодных для AI. Gartner
80%
AI-проектов не доходят до результата, вдвое чаще обычных IT-проектов. Среди главных причин данные. RAND
Данные компании×AI=AI-native
Каждый параметр от 0 до 1. Коэффициент AI-native это произведение: единица только когда единица везде.
0,80
0,70
0,90
0,60
Коэффициент AI-native
0,30
01
03Проблема 2 · Legacy

Legacy: данные разложены по несвязанным системам

Учёт в одной системе, задачи в другой, договоры в почте, решения в мессенджерах. Каждая передача ручная.

ДолгоСтатусы, отчёты и договоры собирают люди. Решения опаздывают на недели.
ДорогоЛицензии на каждого пользователя в каждой системе, интеграторы, техдолг.
Не связаноОдин договор живёт в пяти системах под разными идентификаторами.
НебезопасноОблака вне контура и юрисдикции. Данные должны быть в Казахстане.
13%
компаний полностью готовы к AI. За три года доля не изменилась. Cisco
60%
AI-проектов остановят до конца 2026 года из-за непригодных для AI данных. Gartner
20–40%
стоимости IT-систем компании уходит на технический долг: поддержку legacy и склейку систем. McKinsey
$12,9M
в год в среднем теряет организация из-за некачественных данных. Gartner
04KazDream IT Holding

Пять хабов вокруг одной модели данных

LLM → MCP → KDHubХабы и приложенияИсточники данных и интеграции
05Кейсы

Данные создаются в работе, а не собираются потом

Кейс 1
Рабочий стол
Личная зоназадачи, цели, подписи
Зона организациипульс, люди, хабы, сервисы
Scope руководителякомпании, поручения, скоркарта
Кейс 2
Внешняя встреча
Teams#extmeeting
Execution Hubразбирает агент
База знанийконтекст компании
Reportлента руководства
Tasksвладелец и срок
Кейс 3
Стратегия → capacity
Стратегияцель компании
Execution Hubцель → веха → эпик
Task trackerзадачи исполнителям
Capacityкто загружен, кого не хватает
Кейс 3.5
HR Hub
Capacity · Performanceиз Execution Hub
Диагностикапрофиль, опросники
AI-аналитикариски, сигналы
Рекомендациирешения по сотруднику
Кейс 4
Commercial Hub
Маркетингкампания → лид
CRMворонка → контракт
KDSign · Legal Hubподписание ЭЦП
CLMисполнение обязательств
06Finance · AI Audit · MCP

Всё сходится в финансах. Поверх этого AI Audit и MCP

Кейс 5 · Все хабы → Finance
Accounting1С · банки · ЭСФ
HR HubФОТ, capacity
Execution Hubпроекты, часы
Commercial Hubсделки, CLM
Finance HubФакт, план, forecast, ресурсное планирование. Каждая цифра проваливается до документа.
AI Audit SOONАудит всех данных холдинга, не только цифр. Непрерывно, через AI.
KDHUB · MCP · LIVE

Кейс 6. Агент через MCP читает все хабы с правами пользователя, анализирует, предлагает решения, ставит цели и задачи. Показывается вживую.

ДешевлеОдна система вместо подписок на каждого.
БезопаснееДанные в контуре, права до строки, журнал.
БыстрееОтчёт, акт, счёт и задача по событию.
СвязаноОдин договор во всех контурах. Коэффициент → 1.
Меньше операционных затратРутина у агентов, админперсонал в разы меньше.
SLA держит системаПравила и агенты, а не проверка задним числом.
AI живёт в холдингеПомогает решать и решает сам, где разрешено.
Проверено на себеПостроено холдингом из 36 компаний.
01 / 06