Автоматизация рутинных процессов с помощью больших языковых моделей может давать измеримый экономический эффект уже на горизонте полугода. Опыт ИТ-компании «Синтека», создающей софт для строительного сектора, наглядно показал: перевод части бизнес-логики и разработки на LLM позволил сократить команду ручной обработки входящей документации с 80 до 35 специалистов, несмотря на растущие объемы данных.
Обработка счетов: 65% потока без участия оператора
Ключевым направлением автоматизации стал разбор входящей финансовой документации от поставщиков. Ранее каждую позицию сверяли вручную, сопоставляя ее с исходными заявками на закупку. Теперь алгоритм действует в несколько шагов:
- система распознает входящий документ и оценивает полноту данных;
- нейросеть сопоставляет строки счета с номенклатурой из заявки, проверяя количество и единицы измерения;
- при высокой уверенности модели документ проводится автоматически (на это уходит от 5 до 30 секунд);
- сомнительные позиции отправляются человеку.
На текущий момент без участия людей проходит около 65% документов, а доля ошибок держится в районе 1%. Главной технической сложностью остаются комплексные заказы: когда одна позиция в заявке (например, дверной блок) в счете дробится на фурнитуру, полотно и погонаж. Такие сценарии пока сознательно оставляют на ручном контроле.
Ускорение разработки: недельные MVP и минутное код-ревью
Применение LLM напрямую повлияло и на инженерные процессы компании:
- Сервис аккредитации за 7 дней. Полноценный модуль с авторизацией, профилями контрагентов и ролевой моделью, требовавший нескольких месяцев ручной разработки, собрали за две недели работы в режиме полдня с активным использованием ИИ.
- Предварительное ревью за минуту. Инструмент
review.aiинтегрирован с GitLab. При отправке задачи на проверку сервис считывает diff и выдает разработчику список потенциальных проблем до подключения живого тимлида. - Умная поддержка автотестов. Команда перевела инфраструктуру тестирования на Playwright и внедрила ассистентов для разбора падений. Если селектор элемента ломается после обновления интерфейса, модель анализирует разметку и предлагает валидный локатор для исправления.
- SQL-помощник для техподдержки. Передача схем и связей базы данных в LLM позволила инженерам второй линии оперативнее локализовать сбои и формировать точечные запросы.
Сложности RAG и переход к изолированным агентам
Первые попытки поручить нейросетям генерацию планов тестирования провалились: базовые модели не понимали специфических терминов и названий внутренних продуктов. Попытка загрузить всю доступную информацию (Wiki, трекеры, регрессионные чеклисты) в общую базу RAG вызвала конфликт контекстов и падение качества ответов.
Простое наращивание базы знаний не работает: если источники содержат противоречия или разную степень актуальности, модель начинает деградировать. Потребовалась тонкая настройка приоритизации источников.
В итоге наработки эволюционировали в чат-виджет на базе мультиагентной архитектуры. Запрос пользователя принимает LLM-оркестратор, который делегирует подзадачи узкоспециализированным агентам: один взаимодействует с бэкендом в рамках прав пользователя, второй манипулирует интерфейсом, третий извлекает данные из документации.
Монетизация и подбор заявок
ИИ-механики затронули и взаимодействие с внешними пользователями платформы «Закупай». Разработанный сервис умеет сопоставлять прайс-листы поставщиков с исторической номенклатурой открытых заказов. В ходе пилотного запуска система автоматически сформировала 19 коммерческих предложений на поставку стройматериалов, одно из которых завершилось реальной оплатой.
Главный практический вывод полугодовых тестов: генеративные модели не заменяют специалистов полностью, но становятся эффективным рычагом продуктивности, если изолировать их роли, структурировать контекст и сохранять финальный контроль за человеком.