Как ИИ разгружает сотрудников: от ручного ввода к интеллектуальной верификации
Автор: Виктория Бондарева, заместитель генерального директора НПФ «Будущее».
Когда мы говорим об искусственном интеллекте в документообороте, обсуждение часто упирается в один и тот же вопрос: сможет ли машина полностью заменить человека? Наш опыт показывает, что этот вопрос поставлен не совсем верно.
Гораздо важнее другое: как перестроить сам процесс, чтобы технологии работали на тех участках, где они объективно быстрее и точнее человека, а человек — там, где требуется контекст, ответственность или нестандартное решение.
В НПФ «Будущее» мы подошли к этому системно. Мы не искали «точку для ИИ» и не пытались автоматизировать один документ. Мы посмотрели на весь входящий поток, значительная часть которого приходила на бумаге, — и спросили себя: как сделать регистрацию быстрее, качественнее и с меньшим количеством ручных операций?
Почему проблема оказалась не столько технологической, сколько организационной
В 2024 году группа фондов, объединенных вокруг НПФ «Будущее», обработала около 337 тыс. документов. Примерно 195 тыс. из них уже проходили автоматизированную обработку, однако еще около 142 тыс. документов — порядка 42% потока — регистрировались вручную. Значительная часть корреспонденции поступала на бумаге: через Почту России, курьерские и экспресс-службы. На первый взгляд может показаться, что задача здесь очевидная: поставить OCR, научить систему читать документ — и проблема решена.
На практике все было значительно сложнее: регистрация документа представляла собой длинную последовательность операций: вскрыть конверт, отсортировать документы, создать карточку в СЭД, отсканировать документ, определить его вид и тип, заполнить атрибуты, внести данные из конверта, указать канал поступления, присвоить регистрационный номер, нанести его на документ и передать бумагу в архив. Это был процесс из 13 шагов, большая часть которых выполнялась вручную.
При таком подходе сотрудник тратит рабочее время не на анализ содержания обращения и принятие решений, а на перенос информации из одного физического носителя в цифровую систему.
После объединения фондов проблема стала особенно заметной. Нам было необходимо одновременно выдерживать нормативные сроки регистрации документов, поддерживать качество данных и обрабатывать существенно неоднородный входящий поток. Поэтому мы исходили не из вопроса «где можно поставить ИИ?», а из другого: какие именно действия сотрудника не должны выполняться человеком вообще, а где человек по-прежнему необходим? Это, как показал наш опыт, принципиально разные вопросы.
Автоматизировать нужно не документ, а процесс
Одна из ошибок AI-проектов — рассматривать документ как изолированный объект.
Но в реальной корпоративной среде документ живет внутри процесса. Его нужно получить, идентифицировать, зарегистрировать, классифицировать, извлечь из него данные, проверить их, передать в СЭД, а затем использовать для дальнейших действий. Поэтому мы сознательно не стали ограничиваться задачей «распознать текст».
Совместно с ITFB Group мы разработали и внедрили решение на базе EasyDoc, которое встроено непосредственно в процесс регистрации входящей корреспонденции.
Логика работы выстроена как последовательная цепочка: предобработка изображения, OCR/HTR, классификация документа, извлечение атрибутов и передача результата в СЭД по API.
При этом на разных уровнях используются разные технологии: компьютерное зрение и OCR — для получения текста, ML — для классификации, LLM — для работы со сложными и неструктурированными данными, а rule-based механизмы — там, где необходима предсказуемость и формальная проверка отдельных полей. Это важный архитектурный принцип.
ИИ не должен использоваться как универсальный молоток. Там, где достаточно четкого правила, не имеет смысла передавать решение большой языковой модели. Там, где требуется понять смысл неструктурированного текста, наоборот, одних жестких правил уже недостаточно.
По сути, мы построили гибридный интеллектуальный конвейер, в котором разные технологии решают свои задачи.
Самая сложная часть — не распознать текст, а понять, что с ним делать
В нашем случае документы одного формата могли относиться к разным видам, типам и тематикам. Одно и то же по структуре обращение могло требовать разной классификации в зависимости от содержания или отправителя. Поэтому классический подход «нашли знакомый шаблон — заполнили поля» не покрывал весь поток.
В системе реализована работа с десятками типов и тематик документов, включая структурированные формы, запросы государственных органов, нотариальные и судебные документы, письма, обращения физических и юридических лиц. Решение умеет извлекать до 23 атрибутов — например, ФИО, СНИЛС, дату и номер документа, сведения об отправителе, тематику и другие параметры, необходимые для регистрации.
Особенно интересным оказался класс слабоструктурированных и неструктурированных документов. Для них недостаточно просто определить координаты поля на странице. Нужно понять смысл текста: к какой категории относится обращение, кто является участником ситуации, в чем состоит предмет обращения, какие признаки важны для последующей маршрутизации.
Именно здесь применение LLM дало качественно иной результат по сравнению с традиционными классификаторами. При этом модели не стали самостоятельным «черным ящиком»: их работа была встроена в контролируемый промышленный контур, с правилами, логированием, мониторингом и возможностью дообучения.
Главный вызов проекта был на входе
Еще один важный вывод, который я бы рекомендовала учитывать компаниям, начинающим AI-трансформацию: искусственный интеллект не исправляет плохую организацию процесса автоматически. Очень быстро выяснилось, что принцип «хаос на входе порождает хаос на выходе» работает и здесь.
До запуска интеллектуального модуля нам пришлось серьезно работать с самим входящим потоком документов, его структурой и качеством. Более 10 тыс. документов потребовалось подготовить для обучения и настройки моделей. Это один из самых недооцененных этапов таких проектов.
Обычно бизнес считает основными ресурсами серверы, лицензии и разработчиков. На практике критически важным ресурсом становится качественный массив данных для обучения и валидации.
Если компания не может ответить на вопросы «какие документы мы обрабатываем?», «как мы определяем правильную классификацию?», «какие атрибуты обязательны?», «какой результат считаем корректным?», внедрение ИИ очень быстро превращается в эксперимент без понятного производственного результата. Поэтому зрелость процесса до внедрения ИИ часто оказывается важнее зрелости самой модели.
Инфраструктура и безопасность нельзя оставлять «на потом»
Есть и второй недооцененный аспект — инфраструктура.
Для нас принципиально важным требованием была обработка персональных данных в защищенном контуре. Архитектура решения была спроектирована с учетом этого требования, а интеграция с СЭД реализована через API с синхронизацией справочников.
На практике это означало не только выбор подходящей модели, но и необходимость учитывать вычислительные ресурсы, отказоустойчивость, мониторинг и дальнейшее масштабирование. В рамках проекта потребовалось, в частности, дополнительно решить задачу серверных ресурсов для развертывания LLM. Это хороший пример того, почему корпоративный ИИ нельзя рассматривать исключительно как программный компонент.
Когда модель становится частью промышленного процесса, она превращается в элемент корпоративной ИТ-архитектуры со всеми соответствующими требованиями к безопасности, производительности, сопровождению и устойчивости.
Что изменилось в цифрах
Мы изначально ставили перед проектом вполне конкретные бизнес-цели, поэтому оценивали его не по самому факту появления ИИ, а по операционным показателям.
В результате ручные операции в процессе регистрации сократились на 62%, среднее время регистрации входящей корреспонденции — на 20%, а количество ошибок, пропусков и опечаток — на 80%. Фонд оплаты труда, связанный с процессом регистрации, удалось оптимизировать на 30%. Прямой экономический эффект составил около 6,2 млн рублей в год.
Для меня показатель качества здесь даже важнее показателя экономии. Когда компания автоматизирует рутинную операцию, она естественным образом ожидает роста производительности. Но если при этом увеличивается количество ошибок, часть экономического эффекта мгновенно теряется на последующей обработке исключений.
В нашем случае произошло обратное: одновременно сократились трудозатраты и выросло качество данных. Это и есть тот результат, который я считаю настоящим признаком успешной автоматизации.
ИИ меняет не только процессы, но и структуру занятости
Сегодня много говорится о том, что искусственный интеллект изменит рынок труда. На уровне отдельной компании вопрос стоит конкретнее: какие функции действительно должны оставаться за человеком, а какие уже можно передать системе?
В нашем случае речь идет прежде всего об операционной работе — о повторяющихся действиях, связанных с регистрацией документов, переносом данных и первичной обработкой входящего потока. Именно такие задачи в наибольшей степени подходят для автоматизации, поскольку требуют значительных трудозатрат, но не всегда требуют высокой квалификации или самостоятельного принятия решений.
Поэтому внедрение ИИ неизбежно влияет не только на производительность процесса, но и на численность сотрудников, занятых в нем. Если система берет на себя значительную часть операций, компании требуется меньше людей для выполнения прежнего объема работы. Это один из ее ожидаемых результатов.
Наш проект в НПФ «Будущее» показал, что ИИ может одновременно сокращать операционную нагрузку, повышать качество данных и снижать потребность в ручном труде. Для бизнеса это означает не только ускорение процессов и экономию ресурсов, но и возможность перераспределить сотрудников на более сложные функции — либо оптимизировать штат там, где прежний объем ручной работы больше не требуется.
В этом я вижу главное практическое значение корпоративного искусственного интеллекта: он меняет саму структуру процесса и требования к человеческому участию. Чем больше операций система выполняет самостоятельно, тем меньше в компании остается задач, связанных с механическим вводом и обработкой данных, и тем выше становится ценность тех сотрудников, которые способны контролировать исключения, развивать процессы и принимать решения.