Stripe's Knowledge AI Platform: как Kai стал мозгом компании
Как Stripe за одну неделю создал корпоративного AI-агента Kai, который охватил 83% сотрудников и подключил 1000+ внутренних инструментов.
Когда инженер — это вся команда запуска
Один инженер. Одна неделя. Корпоративный AI-агент, который сегодня используют 83% сотрудников компании каждую неделю.
Это не стартап-питч и не маркетинговый слоган — это реальная история Stripe и их внутренней платформы Kai (Knowledge AI Platform). В июле 2026 года компания раскрыла архитектуру и принципы работы системы, и это, пожалуй, один из самых ценных публичных кейсов корпоративного применения AI-агентов в истории.
Что такое Kai, как он устроен внутри и что из этого может взять себе любая технологическая команда — разбираемся подробно.
Что такое Stripe Knowledge AI Platform (Kai)
Stripe’s Knowledge AI Platform — это универсальная AI-агентная платформа, созданная для широкого спектра задач, не связанных с написанием кода: от быстрых запросов до сложных многодневных проектов.
Kai — это общекорпоративный агент производительности, построенный на стеке LangChain/LangGraph и агентном фреймворке Deep Agents.
Если попытаться объяснить Kai в одной фразе — это coding agent для не-инженеров. Платформа специально создана для работы, которую реально выполняют сотрудники Stripe: синтез данных, мозговые штурмы, подготовка документов, анализ трендов и кросс-функциональное взаимодействие — всё в едином сессионном интерфейсе, подключённом к внутреннему хранилищу данных Stripe, Slack и Google Suite.
Пользователь начинает сессию, общается через чат, и Kai создаёт артефакты — отчёты, дашборды или документы, — которые живут рядом с разговором. По мере продолжения чата артефакты эволюционируют.
Архитектура: четыре слоя, один агент
Главная причина, почему Kai заработал так быстро — продуманная многоуровневая архитектура. Архитектура Kai состоит из четырёх слоёв: фундаментального слоя Deep Agents, Stripe-специфичного агентного слоя, конфигурационного слоя и интерфейса взаимодействия с пользователем.
graph TD
A[Пользователь / чат-интерфейс] --> B[Конфигурационный слой]
B --> C[Stripe-специфичный агентный слой]
C --> D[Deep Agents — базовый фреймворк]
D --> E[LangChain / LangGraph]
C --> F[1000+ навыков от 100+ команд]
C --> G[500+ MCP-инструментов]
G --> H[Slack]
G --> I[Google Suite]
G --> J[Внутреннее хранилище данных]
Слой 1: Deep Agents как фундамент
Фундамент Kai — это Deep Agents, open-source агентный фреймворк от LangChain. Он обеспечивает всё необходимое: цикл вызовов инструментов, компоновку middleware, стриминг и управление состоянием — то, что без готового решения заняло бы месяцы разработки.
Deep Agents использует LangGraph runtime для надёжного выполнения задач, стриминга, подтверждений от человека (human-in-the-loop) и других функций.
Слой 2: Stripe-специфичный агентный слой
В отличие от универсальных AI-ассистентов, Kai предзагружен Stripe-контекстом через инструменты и навыки. Он знает, как работает Stripe, понимает внутренние системы, источники данных и корпоративные нормы. Пользователям не нужно каждый раз объяснять агенту свою должность или специфику компании.
Слой 3: Конфигурационный слой
Поверх базового фреймворка команды могут настраивать собственные пользовательские агенты Kai — специализированные экземпляры с разными наборами навыков, поведением и персонами, не затрагивая базовый фреймворк.
Слой 4: Поверхности взаимодействия
Один пользователь может использовать веб-интерфейс для глубоких разговоров (зафиксированы сессии с 932 сообщениями), другой — Chrome-расширение для встраивания в существующие внутренние инструменты. Это было принципиальным архитектурным решением — сделать инструмент максимально «surface-agnostic».
Система навыков: как Kai не тонет в 1000+ инструментах
Одна из ключевых инженерных проблем: если у агента есть доступ к тысяче инструментов одновременно, контекстное окно LLM переполняется и качество ответов падает.
У Kai более 500 внутренних MCP-инструментов и 1000+ навыков. Загрузить всё это сразу значило бы «утопить» модель. Поэтому по умолчанию ничего не загружается. Модель сама выбирает, какие навыки нужны для конкретного запроса, а эти навыки подтягивают только свои инструменты. Два прохода вместо одного.
Эксперты из разных частей компании вносят свою экспертизу через библиотеку навыков: сегодня их более 1000, от более чем 100 команд.
Федеративный подход к навыкам
Stripe использует федеративную модель: каждая команда владеет и поддерживает свои навыки самостоятельно. Базовый агент Kai загружен набором «фундаментальных навыков», покрывающих широкую навигацию по Stripe. Дополнительные навыки подгружаются в зависимости от профиля пользователя и конфигурации агента.
Например, пользователь из отдела продаж получает один набор навыков, а сотрудник из финансового департамента — другой. Пользовательский профиль позволяет добавлять кастомные навыки поверх функциональных дефолтов.
Middleware, обеспечивающий стабильность
Ключевыми для production-готовности системы являются два core middleware-компонента: middleware файловой системы, который строит виртуальную файловую систему на S3 по модели «sync-in/sync-out»; и sandbox middleware, поддерживающий анализ данных и обработку файлов любого формата.
Агент находится вне sandbox и вызывает его как обычный инструмент, поэтому код, написанный моделью, никогда не может достичь агента, который его написал. Это критически важно для безопасности в enterprise-среде.
Результаты: от 296 до 5000 пользователей за 4 недели
Цифры говорят сами за себя.
Kai вырос с 296 до более чем 5000 пользователей за четыре недели и сейчас достигает 83% еженедельного активного использования в рамках 60 000+ сессий. Наибольшие показатели усвоения демонстрируют маркетинг (95%) и GTM-команды (87%).
«Coding tools изменили возможности для инженеров. Мы взяли ту же модель и спросили: что могло бы дать такой же буст продажам, финансам и операциям?» — команда AI Platform, Stripe
| Метрика | Значение |
|---|---|
| Время создания первой версии | 1 неделя (1 инженер) |
| Рост пользовательской базы | 296 → 5000+ за 4 недели |
| Еженедельный охват сотрудников | 83% |
| Количество сессий | 60 000+ |
| Навыков в библиотеке | 1000+ от 100+ команд |
| Внутренних MCP-инструментов | 500+ |
| Усвоение в маркетинге | 95% |
| Усвоение в GTM-командах | 87% |
Первую версию Kai разработал Анупам Упадхьяй — всего за одну неделю, благодаря возможностям Deep Agents «из коробки».
Технологический стек: что использовали
Для тех, кто хочет повторить похожую систему, стек Kai достаточно прозрачен:
| Компонент | Технология |
|---|---|
| Агентный фреймворк | Deep Agents (LangChain) |
| Runtime оркестрации | LangGraph |
| Инструментальный протокол | MCP (Model Context Protocol) |
| Хранилище файлов | AWS S3 (через виртуальную FS) |
| Интеграции | Slack, Google Suite, внутренний DWH |
| Интерфейсы | Веб-приложение + Chrome-расширение |
# Упрощённый пример создания агента с Deep Agents
from deepagents import create_deep_agent
from langchain_anthropic import ChatAnthropic
agent = create_deep_agent(
model=ChatAnthropic(model="claude-opus-4-5"),
skills=["data_analysis", "document_drafting", "slack_search"],
filesystem_backend="s3", # sync-in/sync-out model
interrupt_on={"send_message": True}, # human-in-the-loop
)
# Агент сам выбирает нужные инструменты из навыков
result = agent.invoke({
"input": "Подготовь сводку по продажам Q3 из DWH"
})
Deep Agents интегрируется с LangGraph interrupts, позволяя ставить задачи на паузу для подтверждения чувствительных вызовов инструментов. Это поведение включается с помощью параметра interrupt_on при создании агента.
Чему учит кейс Stripe: выводы
История Kai — это не просто корпоративный кейс об автоматизации. Это манифест нового подхода к созданию AI-инструментов для предприятий.
1. Начинайте с реальных пользователей, а не с технологий. Stripe создал Kai вдохновившись результатами Minions, специально таргетируя не-инженеров. Это принципиально: платформа не искала технологию, а искала пользователей, которым нужна помощь.
2. Federated ownership масштабируется. Модель, при которой каждая команда владеет своими навыками, означает, что платформа растёт вместе с организацией без центрального узкого места. 100+ команд вносят вклад — и все выигрывают.
3. Контекст важнее универсальности. Kai предзагружен Stripe-контекстом и знает, как работает компания. Пользователям не нужно заново объяснять агенту свою должность. Это и есть секрет высокого adoption — агент работает «из коробки» в контексте конкретной организации.
4. Динамическая загрузка инструментов — must-have. При 500+ инструментах загружать всё в контекст сразу невозможно. Двухпроходная система выбора навыков → загрузки инструментов — это элегантное решение, которое стоит перенять.
5. Скорость развёртывания — конкурентное преимущество. Stripe создал Kai за одну неделю используя LangChain, LangGraph и Deep Agents. Это переопределяет ожидания от сроков внедрения корпоративных AI-инструментов.
Заключение
Stripe’s Knowledge AI Platform (Kai) — это доказательство того, что корпоративный AI-агент enterprise-уровня можно создать быстро, если правильно выбрать фундамент, сфокусироваться на пользователях и доверить ownership командам на местах.
Kai — это универсальная AI-агентная платформа, созданная для разнообразной работы со знаниями: от быстрых запросов до сложных многодневных проектов. Подключая сотрудников к более чем 1000 внутренних инструментов и навыков, она обеспечивает безопасную производительность в масштабе всей организации.
Для AI-сообщества этот кейс важен не меньше, чем GPT-4 в своё время: он показывает, что барьер входа в enterprise AI стремительно снижается. И следующий Kai может быть создан вашей командой — возможно, тоже за одну неделю.