Кейсы

О клиенте Внутренний документооборот компании в сфере дистрибуции (счета, акты, накладные, договоры). Процесс ручной проверки занимал часы, а ошибки возникали даже на этапе первичной верификации данных. Команда документационного контроля перегружена, SLA по обработке нарушаются. Задача Создать ИИ-агента, который: автоматически классифицирует входящие документы; проверяет наличие обязательных реквизитов (ИНН, номер, дата, подпись, печать); сверяет данные с внутренними справочниками (контрагенты, суммы, статьи бюджета); возвращает документ на доработку или отправляет в 1С/архив/финконтроль в зависимости от статуса. Процесс создания 1. Разобрали текущий процесс обработки документовМы начали с интервью с бухгалтерией и отделом документооборота. Выяснили, как сейчас обрабатываются документы, где возникают затыки, что чаще всего вызывает ошибки. 2. Собрали и размечали архив документов клиентаКлиент передал нам архив с более чем 5000 реальными документами: акты, счета, договоры, накладные. Мы систематизировали их и проставили метки — показали модели, где именно в документе находятся важные поля: дата, сумма, ИНН, номер, подпись и другие реквизиты. Это позволило обучить модель распознавать структуру документов, даже если они приходят в разном формате, с печатями, сканами или нестандартной версткой. 3. Обучили систему распознавать документ «с первого взгляда»ИИ-агент научился сам понимать, с чем он имеет дело: это акт, договор или счёт? Он распознаёт даже сканы с печатями и подписями, фотографии документов с телефона, PDF-файлы с повёрнутыми страницами. Даже если файл пришёл без темы или с названием «scan_0123.pdf», ИИ-агент всё равно разберётся. 4. Настроили проверку ключевых реквизитовПосле распознавания ИИ-агент проверяет: есть ли ИНН? номер? дата? печать? подпись? Он сверяет полученные данные с внутренними справочниками компании. Например, если в счёте указан неизвестный поставщик — документ сразу уходит в очередь «на ручную проверку». 5. Настроили маршруты действийЕсли всё в порядке — документ автоматически попадает туда, куда нужно:– в 1С,– в корпоративное хранилище,– или в папку «Ожидает согласования». Если чего-то не хватает — ИИ-агент пишет комментарий и отправляет его сотруднику на доработку, без звонков, переписок и «посмотри, пожалуйста, на это руками». Результат Сотрудники смогли передать ИИ-агенту все рутинные этапы: определение типа документа, извлечение ключевых данных и базовую проверку реквизитов. Это позволило команде переключиться на более важные задачи — согласование, работа с исключениями, контроль нестандартных кейсов. Обработка документов стала быстрее: система сама сортирует файлы, указывает на ошибки и передаёт нужным отделам.

О клиенте NDA-проект для компании из Центрального региона РФ, занимается дистрибуцией товаров для корпоративного сектора: поставки в офисы, кафе, небольшие торговые сети. Задача Создать ИИ-агента, который: автоматически определяет тип заявки (вопрос, рекламация, запрос счета и т.д.); извлекает ключевые данные (номер заказа, сумму, клиента); сверяет с внутренними базами и направляет в нужный отдел; оставляет комментарий, если данных не хватает. Процесс создания 1. Изучили типовые сценарии обработки заявокПровели интервью с менеджерами, просмотрели реальные обращения. Зафиксировали шаблоны: какие данные важны, куда и в каких случаях направляется заявка. 2. Собрали корпус исторических данныхВзяли экспорт из CRM и почты: >10 000 обращений. Разметили по типу заявки, ключевым полям, назначаемым отделам. Это легло в основу датасета. 3. Обучили модель на реальных обращенияхМодель научилась определять тематику заявки и извлекать нужные сущности (клиент, заказ, дата, суть проблемы). Даже при отсутствии темы письма или вложений. 4. Настроили маршрутизацию и проверкиЕсли заявка неполная — система отмечает, что не хватает, и ставит её в очередь на уточнение. Если всё в порядке — автоматически направляет по маршруту: техподдержка, финконтроль, продажи и т.д. 5. Подключили в боевые процессы и обучили сотрудниковАгент стал работать как первая линия фильтрации. Сотрудники видят его действия и могут вмешаться при необходимости. Плюс провели короткое обучение, чтобы не было страха и сопротивления. Результат ИИ-агент стал полноценным помощником на первом этапе обработки входящих заявок. Он берёт на себя сортировку, извлечение данных и первичную проверку, снижая нагрузку на сотрудников и ускоряя процесс. Освободилось ~30% времени у менеджеров первой линии. Решение легко масштабируется: можно добавлять новые типы заявок, правила маршрутизации и источники данных без переписывания логики.

О клиенте NDA проект для IT-компании с офисами в Восточной Европе и распределённой командой более чем из 400 сотрудников. Активно нанимает специалистов как в разработку, так и в поддержку и маркетинг. Основной фокус — быстрое масштабирование команды без потери качества подбора. На момент старта проекта в компании одновременно было открыто до 30 вакансий. Задача HR-отдел продуктовой IT-компании сталкивался с типовой, но болезненной проблемой: в среднем от 80 до 120 откликов на одну вакансию, до 30 минут на первичный разбор одного резюме, задержки с фидбеком, из-за чего терялись ценные кандидаты. Основной задачей было снизить нагрузку на рекрутеров и ускорить процесс первичного отбора, не снижая качества найма. При этом важно было сохранить «человеческое» взаимодействие, поскольку компания нанимает не только технарей, но и креативные, клиентские роли. Процесс создания 1. Исследование и маппинг процессовМы провели интервью с HR-командой, выделили типовые коммуникационные паттерны и слабые места в воронке (долгий первый контакт, хаотичная сегментация кандидатов, перегруз на этапе «письмо-резюме-интервью»). 2. Формулировка логики и сценариевБыли прописаны блоки: обработка отклика; проверка ключевых критериев (стек, релевантный опыт, язык); диалог: приветствие, ответы на частые вопросы, приглашение на интервью; передача «живому» рекрутеру, если кандидат нестандартный. 3. Создание ИИ-агентаМы разработали текстового агента с NLP-движком, обученным на диалогах рекрутеров компании, который работает через Telegram. Он автоматически: сегментирует кандидатов по заданным критериям; отвечает на типовые вопросы; отправляет приглашения на интервью; собирает обратную связь после собеседований. 4. Тестирование и запускНа первом этапе ассистент обрабатывал только отклики на 2 роли — Junior QA и Middle Frontend. После 3 недель пилота охват расширили до всех массовых вакансий. Постепенно ему доверили этап после интервью — сбор обратной связи. Результат ИИ-агент снизил нагрузку на HR-команду на 60% и помог сохранить до 25% ценных кандидатов Он взял на себя все повторяющиеся задачи: проверку откликов, ответы на стандартные вопросы и приглашения на интервью. Благодаря этому рекрутеры перестали тратить время на первичную сортировку и стали работать с кандидатами на более поздних этапах — там, где действительно важна оценка мотивации и потенциала. Процесс отклика и коммуникации стал для кандидатов прозрачнее: они быстро получали обратную связь и понимали, на каком этапе находятся. Это сократило количество «потерянных» откликов и снизило напряжение в коммуникации.