Вашій команді не варто витрачати
п’ятницю на звіти.

Не завжди, і ми скажемо про це вже на першому дзвінку. Вузькі задачі, що повторюються тисячі разів, як-от вилучення полів із документів, класифікація звернень чи переранжування результатів пошуку, часто краще виконує невелика модель, створена саме під цю задачу: вона працює на недорогому власному сервері, у наших тестах обробляє підготовлений пакет менш ніж за секунду й не потребує плати за токени. Коли макет ніколи не змінюється, ще дешевше обійдуться звичайні правила чи скрипт. Великі мовні моделі лишаються там, де задача потребує міркувань, відкритих запитань чи діалогу. Quickscratch обирає найменший інструмент, який надійно виконує задачу, бо саме він і найдешевший в експлуатації, і його найлегше тримати приватним.

Відповіді будуються лише з ваших власних джерел, і кожна посилається на документ, з якого взята. Перш ніж модель щось напише, знайдені фрагменти перевіряються на релевантність; якщо вони не відповідають на запитання, асистент переформулює пошук з урахуванням розмови, а якщо відповіді в джерелах усе одно немає, каже, що не знає, а не вигадує. Пошук за ключовими словами працює поряд із пошуком за змістом, тож точні коди й назви не розмиваються. Для відповідей, де важить кожне слово, друга модель перевіряє першу, перш ніж користувач побачить результат. А кожен важливий для вас сценарій поведінки стає тестом, що запускається перед кожним релізом.

Де розмістити систему, вирішуєте ви: у хмарному регіоні ЄС, у вашій приватній хмарі чи на ваших власних серверах. Файли, пошуковий індекс і логи лишаються там, де ви їх розмістили. Коли асистент звертається до хмарної моделі, невелика локальна модель спершу знаходить і маскує персональні дані, як-от імена, номери документів і номери рахунків, тож хмарна модель бачить задачу, а не людину; у відповіді ці дані відновлюються на вашому боці. Чутливі задачі можна повністю виконувати на локальних моделях, і тоді взагалі нічого не залишає вашої інфраструктури. Ваші дані навчають лише вашу власну модель, якщо ви її замовите.

Ваші дані навчають лише вашу модель, якщо ви її замовите. Ніколи не нашу і ніколи не модель постачальника.

Здебільшого так. З 2 серпня 2026 року стаття 50 AI Act ЄС вимагає повідомляти людей, що вони взаємодіють з AI-системою, якщо це не очевидно з контексту. Кожен асистент, який ми створюємо, каже про це з першого повідомлення.

Регламент (ЄС) 2024/1689, ст. 50

Заміна — це зміна конфігурації. Спершу ми перевіряємо нову модель на ваших даних і переходимо на неї, лише якщо вона справді краща.

Ядро — наше й лишається нашим. Те, що ви замовили, — бізнес-логіка — належить вам: спосіб, у який ваші дані збираються, обробляються й перетворюються на результат. Загальні будівельні блоки бізнес-логікою не є. Клас, що записує файли на Google Drive, лишається нашим, і ми використовуємо його в інших проєктах; клас, який обробляє саме ваші дані саме вашим способом, належить вам. Модель, навчена спеціально для вас, теж ваша — це розробка на замовлення, і ми тут лише співавтори. За замовчуванням ми розробляємо, хостимо й підтримуємо продукт — саме тому виправлення безпеки й покращення ядра швидко доходять до вас. Якщо ви волієте запускати все самостійно, можна купити ліцензію й використовувати ядро у власних проєктах із зазначенням авторства QuickScratch. Така ліцензія дає змогу й відмовитися від нашої підтримки та працювати далі самостійно — потрібне лише письмове підтвердження.

Вірити на слово не доведеться. Оплата розбита на три етапи, останній — після приймальних тестів, погоджених до початку розробки, тож ви ніколи не платите повну суму за те, що не працює.

MCP (Model Context Protocol) — відкритий стандарт, який дозволяє AI-інструментам на кшталт Claude, ChatGPT чи Cursor напряму читати й оновлювати ваші системи. Quickscratch створює готове MCP-ядро; поки що воно доступне в режимі раннього доступу, а не як завершена послуга. Перший етап охоплює читання й оновлення записів у вашій базі даних, таблицях чи CRM. Наступний крок — підготовка даних для моделі: запити до великої таблиці, її фільтрація й обчислення статистики, щоб AI-інструмент отримував для аналізу стислий релевантний контекст замість сирих рядків. Суть у тому, що ваша команда зможе ставити запитання до власних даних з того AI-інструмента, яким уже користується.

Так, і на те, як ми працюємо, це ніяк не впливає. Від вас — робочий процес, технічну частину ми беремо на себе й пояснюємо кожне рішення простою мовою, щоб ви могли оцінити його самі. Досвід в AI вітається, але не обов’язковий.

Якщо задача повторюється щотижня й забирає в когось години, її зазвичай варто автоматизувати. Якщо це разова історія, ми так і скажемо.