AI-агент корпоративных знаний: поиск по документам с источниками.
Сотрудник задаёт вопрос — агент находит ответ в регламентах, договорах, инструкциях и базах знаний, показывает источник и дату документа. Если ответа нет, прав доступа не хватает или документы противоречат друг другу — не выдумывает, а фиксирует gap для администратора базы знаний. Может работать как отдельный поиск по знаниям или как knowledge layer для sales, support, personal assistant, tender и backoffice-агентов.
10+ лет в IT50+ проектовSenior-командаPrivate-firstNDA по умолчанию
Где теряется время и качество в корпоративных знаниях.
Формально база знаний может быть: Confluence, Drive, SharePoint, Notion, папки, PDF, таблицы. Но если сотрудник всё равно спрашивает в чате «где у нас инструкция?», знания не работают как система.
Сотрудники спрашивают то, что уже написано
Инструкции есть, но их сложно найти. Люди пишут в общий чат, отвлекают коллег и получают ответы разного качества.
Документы лежат в разных местах
Confluence, Google Drive, SharePoint, Notion, папки, PDF, таблицы, презентации. Формально база знаний есть, но единой точки входа нет.
Поиск не понимает человеческий язык
Сотрудник спрашивает «как оформить отпуск», а документ называется «Регламент кадрового документооборота». Обычный поиск часто не связывает эти вещи.
Документы устарели или противоречат друг другу
В одной инструкции одно правило, в другой — другое. Агент должен показать оба источника и вынести проблему администратору, а не придумать средний ответ.
Никто не видит gaps в базе знаний
Повторяющиеся вопросы без ответа — лучший сигнал, какие документы надо дописать. Но в обычном поиске эти сигналы теряются.
Что делает
Отвечает с источниками. Находит ответ в документах и показывает конкретный источник: документ, раздел, дату обновления и ссылку.
Понимает вопросы на человеческом языке. Работает с синонимами, сокращениями, опечатками и разговорными формулировками. Не требует знать точное название документа.
Учитывает права доступа. Сотрудник видит только те ответы и источники, к которым у него есть доступ в исходных системах.
Видит противоречия и устаревшие документы. Если документы расходятся, показывает оба источника и помечает вопрос для администратора базы знаний.
Собирает gaps в базе знаний. Вопросы без ответа попадают в очередь: что нужно дописать, обновить или перенести из чатов в документы.
Работает с разными типами документов. Confluence, Notion, Google Drive, SharePoint, Яндекс 360, PDF, DOCX, XLSX, презентации, сканы с OCR, внутренние базы и файловые хранилища.
Помогает поддерживать базу живой. Показывает топ повторяющихся вопросов, неактуальные ответы, документы без владельца и разделы, которые чаще всего вызывают путаницу.
Работает как общий knowledge layer. Может быть отдельным помощником по документам или общим слоем знаний для других агентов: sales, support, personal assistant, tender, backoffice. Один раз наводим порядок в знаниях — дальше на них опираются разные бизнес-процессы.
Где работает / где не работает
Честно о границах: чтобы пилотный проект не упёрся в ограничения, проверьте — это про вашу ситуацию.
Подходит
Компании с большой и разнородной базой знаний: регламенты, инструкции, договоры, FAQ, технические описания
Документы лежат в нескольких системах, сотрудники продолжают спрашивать одно и то же в чатах, а новые люди долго входят в курс дела. Готовы дать агенту доступ к 1–2 источникам и согласовать роли — этого достаточно для пилота.
Не подходит
- ·Базы знаний фактически нет — есть только переписка в чатах. Сначала нужно зафиксировать ключевые регламенты, потом подключать агента
- ·Документы хаотичные, дублируются, не имеют владельцев и постоянно противоречат друг другу — агент покажет проблему, но не исправит её сам. Иногда первый шаг — ревизия базы знаний и структура документов
- ·Нет готовности дать агенту доступ хотя бы к одному источнику документов и обозначить права — нечем подключаться
- ·Нужна автоматизация действий, а не ответ на вопрос (например, «обнови документ в проде») — это уже не knowledge-agent, а отдельная задача
- ·Документы — открытая публичная информация, и обычного поиска по сайту достаточно — knowledge-agent себя не окупит
- ·Хотите, чтобы агент сам редактировал и удалял документы без подтверждения — мы так не делаем
Параметры пилота
Как встраиваем
Четыре этапа: от описания задачи до поддержки
Разбор контура знаний
3–5 дней
Смотрим источники документов, права доступа, типы документов, частые вопросы сотрудников и где сейчас «провалы» в базе знаний. На выходе — документ: что именно агент будет делать на пилоте.
Пилот
2–4 недели
Подключаем 1–2 источника, индексируем pilot-набор документов, настраиваем права доступа и тестируем агента на 30–50 реальных вопросах сотрудников. На выходе пилота: рабочий поиск по подключённым источникам, оценка качества (нашёл / не нашёл / неверный источник), список документов, которых не хватает, список противоречий и устаревших материалов, базовая админ-панель качества и рекомендация — масштабировать, доработать документацию или не продолжать.
Расширение
3–6 недель
Подключаем все основные источники, переиндексацию при изменениях, web/мессенджер/корпоративный портал, админ-панель качества, интеграцию с другими агентами через API/MCP.
Поддержка
ежемесячно
Контроль качества ответов, очередь «не нашёл», ревизия противоречий, добавление новых источников и evals на новых вопросах.
Каналы и стек
Обычно отвечаем быстрее всего в Telegram. Опишите задачу — вернёмся с уточняющими вопросами.
Написать в TelegramA good pilot fit when…
This agent is best launched not 'across the company', but on one clear process — with an owner, data, and a measurable outcome.
- ▪Документов много, но единой точки поиска нет.
- ▪Люди регулярно спрашивают то, что уже написано в регламентах.
- ▪Важно видеть источники, даты и пробелы в базе знаний.
- ▪Нужно заложить слой знаний для других агентов (поддержки, продаж, ассистента).
Кому особенно полезен knowledge-agent.
Knowledge-agent окупается там, где много документов и много людей, которые к ним обращаются. Чаще всего его внедряют под одну из этих ролей — и постепенно расширяют на остальные.
HR и onboarding
Новички быстро находят правила, инструкции, шаблоны заявлений, регламенты отпусков, адаптационные материалы и ответы на повторяющиеся вопросы.
Support и клиентский сервис
Операторы отвечают по FAQ, SLA, договорам, инструкциям и истории обращений — с источниками, а не «по памяти».
Продажи
Менеджеры находят кейсы, КП, прайсы, технические ограничения, сравнения с конкурентами и ответы на возражения.
Юристы и договорной контур
Команда быстрее ищет условия договоров, шаблоны, ограничения, типовые формулировки и связанные документы.
Operations / backoffice
Сотрудники находят регламенты, маршруты согласования, шаблоны документов, правила оформления заявок и статусы процессов.
База знаний как фундамент для других агентов.
RAG-агент можно запускать отдельно, но максимальный эффект появляется, когда он становится общим слоем знаний для продаж, поддержки, тендеров и внутренних ассистентов. Так разные агенты работают не каждый со своей «памятью», а на одной управляемой базе с правами доступа, источниками и аудитом.
Sales + Knowledge
Менеджер или sales-агент быстро находит кейсы, КП, прайсы, технические ограничения, сравнения с конкурентами и ответы на возражения. Follow-up и коммерческие предложения становятся точнее, потому что опираются на актуальную базу знаний.
Support + Knowledge
Оператор или support-агент отвечает клиенту не «из головы», а по инструкциям, FAQ, договорам, SLA, регламентам и истории обращений. Сложные вопросы передаются человеку уже с найденными источниками.
Personal Assistant + Knowledge
Персональный ассистент готовит встречи, отчёты и drafts с доступом к корпоративным документам: договорам, проектам, регламентам, CRM-заметкам и прошлым решениям.
Tender + Knowledge
Тендерный ассистент использует базу знаний компании: типовые КП, сертификаты, лицензии, прошлые заявки, причины отказов, шаблоны документов и ограничения по условиям участия.
Backoffice + Knowledge
Backoffice-агенты берут правила из регламентов: как оформить заявку, какой шаблон использовать, кто согласует, где лежит документ и какой статус поставить в системе.
Что агент проверяет перед ответом.
Хороший RAG-агент не просто находит похожий кусок текста. Перед ответом он проверяет источник, дату, права доступа, противоречия и уверенность.
Источник
Из какого документа взят ответ, есть ли ссылка, раздел и фрагмент, на который можно опереться.
Дата
Когда документ обновлялся, не устарел ли он, есть ли более свежая версия.
Права доступа
Может ли этот сотрудник видеть документ и получать ответ на такой вопрос.
Противоречия
Есть ли другие документы с другим правилом или несовместимой формулировкой.
Уверенность
Достаточно ли найденных фрагментов, чтобы ответить без догадки.
Следующее действие
Ответить, попросить уточнение, показать несколько источников или отправить вопрос администратору базы знаний.
На практике — не в общих словах.
Сотрудник задаёт вопрос в Telegram. Через короткое время получает короткий ответ со ссылкой на документ — без обхода коллег и без поиска руками по нескольким системам.
До агента
Сотрудники ищут инструкции через коллег, чаты и ручной поиск по нескольким системам. Ответы зависят от того, кто сегодня онлайн и помнит нужный документ.
После
Формат ответа настраивается: короткий ответ в Telegram/Slack, подробный ответ в web-интерфейсе, карточка для администратора, если ответа нет или документы конфликтуют.
Стек подбираем под ваш рабочий контур.
RAG-агент должен работать не «поверх папки с PDF», а внутри реальной системы знаний компании: документы, права доступа, версии, поиск, мессенджеры, админ-панель и контур безопасности. Стек выбираем под источники, объём документов, требования к приватности и качество поиска.
Источники знаний
- Confluence
- Notion
- Google Drive
- SharePoint
- Яндекс 360
- корпоративный диск
- PDF / DOCX / XLSX / PPTX
- сканы с OCR
- внутренние базы
Подключаем документы там, где они уже живут. Не заставляем переносить всю базу знаний в новый инструмент ради пилота.
Интерфейсы
- Telegram
- Slack
- Microsoft Teams
- VK Teams
- Пачка
- web-интерфейс
- корпоративный портал
Сотрудники задают вопросы в привычном канале, а не учатся пользоваться ещё одной «базой знаний».
Search / RAG
- embeddings
- rerankers
- hybrid search
- Qdrant
- pgvector
- Weaviate
- Elasticsearch / OpenSearch
- chunking
- metadata filters
Подбираем схему поиска под документы: короткие инструкции, длинные регламенты, таблицы, договоры, презентации и сканы требуют разной стратегии.
AI / Agent stack
- OpenAI / GPT
- Anthropic / Claude
- GigaChat
- YandexGPT
- локальные модели
- LlamaIndex
- LangChain
- LangGraph
- MCP
- n8n
- REST API
- webhooks
Не привязаны к одной модели или платформе. Для быстрого пилота можем собрать лёгкий RAG-контур, для production — систему с ролями, аудитом, переиндексацией, evals и админ-панелью качества.
Интеграция с другими агентами
- Sales Agent
- Support Agent
- Personal Assistant
- Tender Agent
- Backoffice Agent
- MCP
- REST API
- webhooks
Knowledge-agent может отдавать ответы, источники и контекст другим агентам через API/MCP. Так продажи, поддержка, тендеры и backoffice работают на одной управляемой базе знаний.
Deployment
- cloud
- выделенный сервер
- self-hosted
- on-prem
- Yandex Cloud
- Selectel
- VK Cloud
- SberCloud
- Docker
- monitoring
- backups
Для чувствительных документов можно развернуть систему в приватном контуре или внутри инфраструктуры клиента.
Что меняется после внедрения.
Главный эффект knowledge-agent — не «быстрее ищем PDF», а изменение того, как компания работает со знаниями. Документация перестаёт быть архивом и становится рабочей памятью бизнеса.
Меньше повторных вопросов
Сотрудники не отвлекают коллег тем, что уже описано в документах.
Быстрее onboarding
Новички сами находят инструкции, правила и контекст без постоянного «а где у нас...».
Лучше качество поддержки и продаж
Sales и support используют актуальные ответы, кейсы, FAQ, условия и регламенты из одной базы знаний.
Видны пробелы в документации
Вопросы «не нашёл» превращаются в список задач для владельца базы знаний.
Знания становятся инфраструктурой
Один слой знаний питает людей, ассистентов и других AI-агентов через API/MCP.
Как мы контролируем качество ответов.
RAG — это не «закинуть PDF в ChatGPT». Качество появляется из связки: правильная нарезка документов, метаданные, права доступа, reranker, evals, журнал качества и понятный процесс обновления базы знаний.
Ответы только с источниками
Если источник не найден — агент не выдумывает ответ, а говорит «не нашёл» и отправляет вопрос в очередь.
Confidence threshold
При низкой уверенности агент просит уточнить вопрос, показывает несколько вариантов или отправляет кейс администратору.
Evals на реальных вопросах
Тестируем не на абстрактных промптах, а на вопросах сотрудников: нашёл / не нашёл / неверный источник / устаревший ответ.
Очередь «не нашёл»
Все пробелы попадают в админ-панель: какие документы нужно дописать, обновить или структурировать.
Версионирование индекса
Понимаем, какие документы попали в индекс, когда обновлялись и почему ответ изменился.
Мониторинг полезности
Смотрим, какие вопросы повторяются, где сотрудники ставят «не помогло» и какие разделы базы знаний требуют ревизии.
Как агент устроен внутри.
Retrieval
Ищет релевантные фрагменты через embeddings, hybrid search, metadata filters и reranker. Подбираем chunking-стратегию под тип документа.
LLM / Reasoning
Понимает вопрос, сопоставляет найденные источники, формирует ответ и объясняет, откуда он взят. OpenAI / Claude для качества; GigaChat / YandexGPT / локальные модели — для приватного контура.
Knowledge Index
Индекс документов, чанки, метаданные, версии, права доступа и связи между документами. Переиндексация при изменениях.
Tools & Agent API
Confluence, Notion, Drive, SharePoint, корпоративный диск, мессенджеры, web-интерфейс, админ-панель, API/MCP для других агентов.
Control
Права доступа, confidence threshold, audit logs, очередь «не нашёл», evals, защита от prompt injection. Документы проходят через input-санитайзер — агент отвечает на вопросы, но не может удалить документ, изменить права доступа или совершить транзакции.
Deployment
Cloud, выделенный сервер, self-hosted, on-prem, Yandex Cloud, Selectel, VK Cloud, SberCloud. Для чувствительных документов — локальная модель и приватный контур.
RAG — это не «закинуть PDF в ChatGPT». Качество появляется из связки: правильная нарезка документов, метаданные, права доступа, reranker, evals, журнал качества и понятный процесс обновления базы знаний.
Как это может работать в компании с большой базой знаний.
Контекст
Компания с разнородной документацией: Confluence для процессов, Google Drive для договоров, корпоративный диск для регламентов, Notion для команд. Новые сотрудники долго входят в курс дела, старые продолжают спрашивать одно и то же в чатах.
Проблема
Сотрудники ищут инструкции через коллег, чаты и ручной поиск по нескольким системам. Ответы зависят от того, кто сегодня онлайн и помнит нужный документ. Документы устаревают, противоречат друг другу, и никто не видит этого централизованно.
Что внедрили
- ·Brief: аудит источников, прав доступа, типов документов и pilot-набора 30–50 реальных вопросов сотрудников.
- ·Pilot: подключение 1–2 источников, индексация, права доступа, ответы со ссылками и очередь «не нашёл».
- ·Расширение: остальные источники, переиндексация, web/мессенджер/портал интерфейсы, админ-панель качества.
- ·Интеграция с другими агентами: sales, support, personal assistant и tender работают через API/MCP на той же базе знаний.
Сроки
Brief 3–5 дней. Pilot 2–4 недели. Расширение 3–6 недель. Поддержка — постоянная.
Метрики до / после
Выводы
Меньше повторных вопросов в чатах, база знаний начинает использоваться ежедневно, видны темы, по которым не хватает документов, новые сотрудники быстрее находят правила. Support, sales и внутренние ассистенты могут использовать тот же слой знаний.
Чем отличается от других подходов.
| Обычный поиск | ChatGPT поверх документов | Knowledge Agent | |
|---|---|---|---|
| Что возвращает | Список файлов и страниц | Ответ на вопрос — но без проверки контекста | Короткий ответ + источник, раздел, дата |
| Понимание вопроса | По ключевым словам | Свободные формулировки | Синонимы, опечатки, разговорные формулировки + reranker |
| Права доступа | Зависит от исходной системы | Обычно игнорируются | Уважает права исходных систем, фильтрует источники |
| Противоречия | Не видит | Может выбрать одну версию | Показывает оба источника и помечает конфликт для админа |
| Gaps в базе знаний | Не отслеживаются | Не отслеживаются | Очередь «не нашёл» — что дописать или обновить |
| Интеграция с другими агентами | Нет | Нет — живёт отдельным инструментом | API/MCP для sales, support, personal assistant, tender и backoffice |
Где живут данные и кто их видит.
Где живут документы и индексы
Документы остаются в исходных системах: Confluence, Drive, SharePoint, Яндекс 360 или корпоративное хранилище. Индекс и эмбеддинги размещаем в приватном контуре или инфраструктуре клиента.
Права доступа
Агент уважает права исходных систем. Сотрудник получает только те ответы и источники, которые ему разрешены.
Аудит вопросов и ответов
Логируем вопросы, найденные источники, уверенность, действия агента и случаи «не нашёл». Это нужно для контроля качества и развития базы знаний.
Конфиденциальные документы
Для документов с ПД, коммерческой тайной или NDA выбираем отдельный контур: self-hosted, локальная модель или согласованный российский провайдер. Для чувствительных данных доступен self-hosted-контур, где документы, вопросы и индексы не покидают инфраструктуру клиента.
Prompt injection
Документы и вопросы проходят через input-санитайзер. Агент отвечает на вопросы, но не может удалить документ, изменить права доступа или совершить транзакции.
SLA и доступность
На пилоте фокусируемся на качестве поиска, источниках и правах доступа. SLA, скорость ответа и доступность production-контура фиксируются отдельно после выбора архитектуры, модели и инфраструктуры.
Прозрачно, без сюрпризов.
Pilot
2–4 недели
от 350 тыс ₽
- ·Аудит источников и прав доступа
- ·Подключение 1–2 источников документов
- ·Индексация pilot-набора
- ·Ответы с источниками
- ·Тестирование на 30–50 реальных вопросах
- ·Базовые метрики качества: нашёл / не нашёл / неверный источник
Production
3–6 недель
1.0–2.0 млн ₽
- ·Все основные источники документации
- ·Права доступа по ролям
- ·Переиндексация при изменении документов
- ·Web / Telegram / Slack / VK Teams интерфейс
- ·Админ-панель качества
- ·Интеграция с другими агентами через API/MCP
- ·Evals и журнал качества
Support
ежемесячно
от 40 тыс ₽/мес
- ·Поддержка источников и индекса
- ·Контроль качества ответов
- ·Отчёт «вопросы без ответа»
- ·Добавление новых источников
- ·Регулярная ревизия gaps и конфликтов в базе знаний
Финальная вилка зависит от количества источников, объёма документов, требований к приватности, прав доступа и необходимости интеграции с другими агентами. Стоимость LLM (использование модели) считается отдельно по факту.
Частые вопросы про этого агента
- Это просто поиск по документам или AI-агент?
- Не просто поиск. Обычный поиск возвращает список файлов. RAG-агент понимает вопрос, ищет релевантные фрагменты, проверяет права доступа, смотрит дату и источник, формирует короткий ответ и показывает, на какие документы он опирается. Если ответа нет — не выдумывает, а фиксирует gap в базе знаний.
- Можно ли использовать этого агента вместе с sales или support-агентом?
- Да, и часто именно так knowledge-agent даёт максимальный эффект. Он становится общим слоем знаний: sales-агент использует его для КП, кейсов, прайсов и ответов на возражения; support-агент — для ответов клиентам по FAQ, инструкциям, SLA и договорам; personal assistant — для подготовки встреч и отчётов; tender-agent — для типовых документов, сертификатов и прошлых заявок. Так разные агенты работают не каждый со своей «памятью», а на одной управляемой базе знаний с правами доступа, источниками и аудитом.
- Что если документы противоречат друг другу?
- Агент показывает оба источника, даты обновления и помечает вопрос как конфликт в базе знаний. Он не должен самостоятельно выбирать «правду», если правила в документах расходятся.
- Можно ли подключить российские сервисы?
- Да. Подключаем Яндекс 360, корпоративные диски, VK Teams, Пачку, Битрикс24, внутренние порталы, on-prem хранилища и российские модели вроде GigaChat / YandexGPT. Конкретный стек зависит от источников, прав доступа и требований безопасности.
- Как агент защищает от галлюцинаций?
- Ответы строятся только на найденных источниках. Если источника нет или уверенность низкая — агент говорит «не нашёл», просит уточнить вопрос или отправляет его администратору. Дополнительно используем evals на реальных вопросах и журнал качества ответов.
- Что нужно подготовить для пилота?
- 1–2 источника документов, примерные роли доступа, 30–50 реальных вопросов сотрудников и ответственного администратора базы знаний. Этого достаточно, чтобы за 2–4 недели проверить качество поиска и полезность агента.
- Можно ли поставить полностью без выхода в интернет?
- Да. Для чувствительных документов можно развернуть self-hosted-контур: документы, вопросы, индексы и модель остаются внутри вашей инфраструктуры. Конкретная архитектура зависит от требований безопасности и доступной инфраструктуры.
- Что с SLA на ответ агента?
- На пилоте фокусируемся на качестве поиска, источниках и правах доступа. SLA, скорость ответа и доступность production-контура фиксируются отдельно после выбора архитектуры, модели и инфраструктуры.
Other AI agents
Each type is fundamentally different: sales, support, documents, tenders, backoffice, analytics, ops. Each can be launched alone or combined into one contour.
AI-агент поддержки: ответы клиентам, тикеты и эскалации.
Разбирает обращения из Telegram, WhatsApp, сайта, почты и CRM: отвечает по базе знаний, создаёт тикеты, проверяет статусы и передаёт сложные случаи оператору с готовым контекстом. Не скриптовый бот, а агентный контур первой линии поддержки.
Learn more →AI-агент для backoffice и операционных процессов.
Разбирает входящие заявки, письма и документы, извлекает данные, заполняет формы, создаёт задачи, обновляет статусы в CRM/ERP/1С и передаёт исключения ответственным с готовым контекстом. Это не просто n8n-сценарий — агент понимает неструктурированные входящие, выбирает маршрут процесса, работает с несколькими системами и ведёт журнал действий.
Learn more →Персональный AI-ассистент для руководителя и ключевой команды.
Собирает контекст из чатов, почты, календаря, встреч, CRM, задач и документов: готовит сводки, управленческие отчёты, drafts сообщений, досье к встречам и список обязательств. Не «чатик», а рабочий контур вокруг вашего дня.
Learn more →AI-ассистент для отдела продаж: лиды, CRM, звонки и follow-up.
Sales AI-ассистент работает внутри вашей CRM и коммуникаций: помогает менеджерам быстрее разбирать входящие, не терять контекст после звонков и видеть, какие сделки требуют внимания прямо сейчас.
Learn more →AI-аналитик для рынка, конкурентов и репутации.
Следит за конкурентами, рынком и публичным полем вокруг вашей компании: новости, упоминания, отзывы, соцсети, профильные медиа, цены, продукты и сигналы риска. Важное падает в Telegram, а еженедельный отчёт показывает, что изменилось и где нужна реакция руководителя. Не «50 ссылок в таблице», а короткие выводы: что произошло, почему это важно и что можно сделать дальше.
Learn more →Тендерный AI-ассистент для поиска, отбора и разбора закупок.
Мониторит ЕИС и коммерческие площадки, читает ТЗ, договоры и приложения, выделяет риски, считает bid/no-bid и готовит утреннюю сводку в Telegram или почту. Команда тратит время не на ручной просмотр сотен закупок, а на подготовку заявок с нормальной перспективой.
Learn more →Прозрачность разработки без микроменеджмента.
AI-агент связывает задачи, чаты, PR, документацию и релизы в проектную память. CEO, CTO и product owner видят реальное состояние разработки: что готово, где риски, какие решения приняты и что зависит от отдельных людей. Не заменяет инженера — даёт собственнику и руководителю управленческую видимость без ежедневного ручного контроля.
Learn more →Plug us in as an AI-native engineering team under your client.
You bring client context and industry. DevNeuroX handles discovery, architecture, pilot, integrations, delivery, and support.
What happens after you submit
A transparent process — no “I'll send a proposal and disappear” and no pressure on the decision.
- 01
2 hours
We'll reply on your chosen channel with clarifying questions about the task.
- 02
2–3 business days
A free 1-hour video review session, with no commitment.
- 03
5 business days
A concrete proposal: what we build, the timeline, and the price.
- 04
Go / no-go decision
Yours either way, no pressure. If we're not the right fit — we'll point you to colleagues who are.