Автоматизация с помощью нейросетей: на каких задачах она работает, а где хватит обычного кода

Автоматизация с помощью нейросетей отличается от обычной тем, что результат вероятностный: модель читает текст, скан или голос и иногда ошибается, поэтому вокруг неё ставят проверки и очередь для человека. Нейросеть оправдана, когда вход неструктурирован, а правила не записать. Ниже шесть типов таких задач, схема «модель размечает, код исполняет», то, что нужно после запуска (качество, дрейф, расход), и границы метода.

Лёгкий пилот на ваших примерах — 150 000–400 000 ₽, 2–8 недельКачество замеряем по полям и классам, а не «в среднем»Данные ограниченного доступа остаются в вашем контуре

Отличие

Автоматизация с помощью нейросетей и обычная автоматизация: три практических отличия

Обычная программа повторяет то, что записал программист. Нейросеть повторяет то, чему научилась, и это меняет всю работу вокруг неё.

Автоматизация с помощью нейросетей строится вокруг модели, которая читает неструктурированный вход: письмо, скан, запись разговора, свободный комментарий. Обычный код сравнивает значения и следует правилам; модель оценивает смысл и отвечает с некоторой уверенностью. Из этого следуют три отличия, которые видны на каждом проекте.

  • Ошибка — норма, а не дефект. Даже хорошая модель ошибается на части случаев. Поэтому проект строят вокруг вопроса «что происходит, когда она ошиблась»: проверка кодом, порог уверенности, очередь человека.
  • Приёмка — замер, а не сценарий. Работу принимают по результатам на выборке ваших данных, по полям или классам, а не по числу пройденных тестовых сценариев.
  • Качество не постоянно. Меняются формы документов, поставщики, названия товаров, термины. У модели, как и у системы вокруг неё, должен быть владелец, который смотрит метрики после запуска.

Картина по участкам компании (продажи, поддержка, закупки, бухгалтерия) собрана на странице автоматизации бизнеса с помощью ИИ. Здесь другой взгляд: от самой нейросети, то есть от видов работы с данными, которые она выполняет. Как нейросети входят в компанию целиком, описано на странице внедрения нейросетей в бизнес.

Типы задач

Автоматизировать работу нейросетью можно на шести типах задач: что на входе, как измеряем, где ломается

Тип определяет способ проверки качества, поэтому сначала выясняют тип, а потом выбирают модель. Распознавание и извлечение для документов разобраны на странице интеллектуальной обработки документов и в статье «OCR или LLM для распознавания документов».

Тип задачи
Вход и выход
Как измеряем качество
Как выглядит сбой
Тип задачиРаспознаваниескан в текст, голос в текст
Вход и выходИзображение или звук на входе, текст с уверенностью на выходе.
Как измеряем качествоДоля верно прочитанных полей и слов на выборке ваших сканов и записей, отдельно по плохим исходникам.
Как выглядит сбойПравдоподобное, но неверное число; пропущенные слова в шумной записи, особенно названия и номера.
Тип задачиКлассификациятип обращения, категория, срочность
Вход и выходТекст на входе, метка из закрытого списка и уверенность на выходе.
Как измеряем качествоПолнота и точность по каждому классу; ошибки по опасным классам считаем отдельно.
Как выглядит сбойРедкий класс уходит в «прочее»; появляется категория, которой нет в списке.
Тип задачиИзвлечениеполя из письма, договора, акта
Вход и выходДокумент или письмо на входе, структура с полями на выходе.
Как измеряем качествоВерность каждого поля и доля документов, ушедших оператору.
Как выглядит сбойВзята не та дата (подписания вместо платежа); выдумано значение, которого в документе нет.
Тип задачиЧерновикответ, письмо, итог встречи
Вход и выходДанные и шаблон на входе, текст на выходе.
Как измеряем качествоДоля черновиков, принятых без правок, и виды правок.
Как выглядит сбойОбещание, которого нет в учёте; уверенный тон при неверном факте.
Тип задачиПоиск по смыслуответ по регламентам и базе знаний
Вход и выходВопрос на входе, фрагменты и ответ со ссылкой на выходе.
Как измеряем качествоДоля вопросов, для которых найден верный источник; поведение на вопросах без ответа.
Как выглядит сбойУстаревшая редакция документа; ответ без источника там, где нужно «не знаю».
Тип задачиСопоставлениенечёткие названия, дубли, похожие записи
Вход и выходДва списка или две записи на входе, пара «совпало, не совпало, неясно» на выходе.
Как измеряем качествоДоля верных пар на эталоне и число ложных объединений.
Как выглядит сбойДва разных контрагента сочтены одним: в учёте объединение трудно откатить, поэтому спорные пары идут человеку.
Выбор

Когда нейросеть нужна, а когда хватит обычного кода

Нейросеть нужна, если

  • вход неструктурирован: письма, сканы, голос, свободный текст;
  • формулировки и форматы разнообразны, и постоянно появляются новые;
  • правила не помещаются на одной странице, но человек уверенно отличает верный результат от неверного;
  • есть архив примеров с известным правильным результатом;
  • ошибка заметна сразу или перехватывается проверкой.

Нейросеть не нужна, если

  • решение записывается как «если — то» на одной странице;
  • вход одинаков: поля, коды, файлы известного формата;
  • нужна точная арифметика: суммы, налоги и ставки считает код;
  • операция выполняется несколько раз в год;
  • итог нужно объяснить аудитору по формуле: решает правило, а модель в лучшем случае размечает вход.
Схема

Как устроена автоматизация нейросетью на практике: модель размечает, код исполняет

Модель отвечает за понимание входа, код — за действие. Права и проверки находятся в коде.

Автоматизация нейросетью почти никогда не означает «отдать процесс модели». Рабочая схема разделяет две работы: понимание неструктурированного входа выполняет модель, а проверку и исполнение — детерминированный код. Выбор между скриптом, роботом, агентом и таким гибридом разобран в статье «RPA, скрипт или ИИ-агент», а здесь схема показана на одном входе.

Условный пример без реального клиента: заявка на ремонт голосовым сообщением

  1. Распознавание. Голосовое сообщение мастера превращается в текст на ваших серверах. Названия станков и номера участков — типичное место ошибок распознавания, поэтому результат идёт в проверку по справочнику оборудования.
  2. Извлечение. Из текста берутся поля: оборудование, участок, что случилось, срочность. Модель возвращает их в заданной структуре, а не свободным текстом.
  3. Проверка кодом. Станок ищется в справочнике, участок сверяется со списком, срочность должна быть из перечня. Не нашлось — заявка не создаётся, а уходит диспетчеру с указанием, что не сошлось.
  4. Исполнение кодом. Заявка создаётся в системе заявок через API. Повторная отправка того же сообщения не заводит вторую.
  5. Ответ. Автору уходит номер заявки; при низкой уверенности в ответе перечислено, что распознано, и есть просьба поправить.

Что это даёт. Права есть у кода, а не у модели, поэтому текст сообщения не заставит систему сделать лишнее. Ошибку модели ловит проверка, а не отчёт в конце месяца. Модель можно заменить без переписывания исполнения: эталонный набор покажет, что изменилось. Если гибрида недостаточно, потому что шаги цепочки зависят друг от друга и заранее не расписаны, нужен агент с таблицей прав и подтверждений: смотрите страницу ИИ-агента для бизнеса.

После запуска

Автоматизация с помощью нейросетей после запуска: качество, дрейф и расход

Метрики подбирают под тип задачи; общий подход описан в статье «Как оценить качество LLM-системы». Здесь то, что смотрят регулярно: у каждой строки есть владелец.

Что смотрим
Как замеряем
Что считаем сигналом
Что делаем
Что смотримКачество на живом потокееженедельная выборка
Как замеряемСлучайные результаты из журнала размечает ваш специалист, мы сверяем их с ответом системы.
Что считаем сигналомВерность по любому полю или классу упала ниже записанного порога.
Что делаемРазбор ошибок, правка правил и справочников; при необходимости доработка или замена модели.
Что смотримДрейф входановые формы, поставщики, термины
Как замеряемДоля случаев с низкой уверенностью и новые значения в полях сравниваются с прошлым месяцем.
Что считаем сигналомОчередь оператора растёт без роста объёма; появился новый формат документа.
Что делаемПополнение эталонной выборки, правка схемы, повторный замер.
Что смотримСмена моделиобновление или замена
Как замеряемПеред включением новой версии прогоняют эталонный набор и сравнивают с текущей по тем же полям.
Что считаем сигналомЛюбое ухудшение по критичному полю или классу.
Что делаемОткат на прежнюю версию; новую включают по согласованию.
Что смотримРасходнагрузка и время ответа
Как замеряемЧисло запросов в день, загрузка сервера, время ответа в часы пик.
Что считаем сигналомОчередь растёт к концу дня; ответ медленнее допустимого.
Что делаемПересмотр размера модели, пакетная ночная обработка, сокращение входа.
Что смотримДействия и правачто система сделала
Как замеряемЖурнал: вход, ответ модели, проверка, исполнение, кто подтвердил.
Что считаем сигналомДействие вне разрешённого набора; рост отмен после подтверждения.
Что делаемРазбор случая, ужесточение проверки, при необходимости отключение записи.
Границы

Границы метода: четыре ограничения, которые нужно знать до проекта

Ответ вероятностен

На одном входе результат может отличаться, а текстовое объяснение модели — подсказка, а не доказательство. Если итог придётся защищать перед аудитором, решает правило в коде.

Контекст и объём

Длинный документ модель читает частями, и связи между разделами теряются, если их не проверять. Для больших документов добавляют нарезку и сверку итогов.

Язык и термины

Качество на русском языке и в терминах вашей отрасли проверяется на ваших текстах, а не принимается по описанию разработчика модели.

Где работает модель

Для данных ограниченного доступа модель работает на ваших серверах: облачные сервисы для них чаще не подходят по требованиям заказчика. Лицензия модели должна допускать коммерческое использование, перечень записываем в документацию.

Что делаем

Из чего состоит работа и сколько она стоит

Цены общие для всех наших работ (тарифы). Для этой темы ключевая работа обследования — пробный замер на небольшой части ваших примеров до выбора схемы.

Обследование: одна-две задачи

Тип каждой задачи, выборка примеров, пробный замер, выбор схемы (код, модель или гибрид) и вилка бюджета. Вычитается из первого этапа.

200 000 ₽ · 2–3 недели

Обследование: несколько систем

Задачи идут через 1С, почту, сканы и CRM: схема обменов и источник данных по каждому полю.

350 000 ₽ · 3–4 недели

Лёгкий пилот: один тип задач

Классификация писем, извлечение полей из одного вида документов или ответы по базе знаний на вашей выборке, режим подсказки.

150 000–400 000 ₽ · 2–8 недель

Тяжёлый пилот: схема с записью в учёт

Модель, проверки кодом, очередь оператора и запись в 1С или CRM, замер на живом потоке.

400 000–1 200 000 ₽ · 2–3 месяца

Вывод в эксплуатацию

Мониторинг качества и дрейфа, журнал, права, обучение, передача исходников и эталонного набора.

от 1 500 000 ₽ этапами по 300 000–700 000 ₽ · от 3 месяцев

Сопровождение

Еженедельная выборка, пополнение эталона, проверка при смене модели; часы не сгорают в пределах квартала.

20 000 / 60 000 / 120 000 ₽ в месяц
Процесс

Как идёт работа

2–3 недели — Обследование: тип и выборка

Определяем тип каждой задачи, собираем с вашими специалистами примеры с правильным результатом и делаем пробный замер.

Перед разработкой — Эталон и пороги

Записываем метрику, порог приёмки и то, что идёт человеку при низкой уверенности. Часть выборки закрываем от настройки.

2–8 недель — Пилот в режиме подсказки

Модель и проверки работают рядом с сотрудниками, ничего не записывая. Разбираем расхождения с их решениями.

Дальше — Подтверждение и запись

Включаем запись в учёт с подтверждением человека, затем самостоятельные действия только там, где ошибка заметна и обратима.

От 3 месяцев — Эксплуатация этапами

Каждый этап имеет приёмку, цену и право остановиться; мониторинг качества включается с первого дня.

После запуска — Сопровождение

Еженедельная выборка, пополнение эталона и проверка при смене версии модели.

Инструменты

На чём собираем

Модели и обработка
  • Открытые модели на ваших серверах; внешний программный интерфейс только для данных, которые это допускают
  • Распознавание документов и речи на ваших серверах
  • Python, схемы входа и выхода, проверки до записи в учёт
  • Поиск по смыслу: PostgreSQL с pgvector или Qdrant
Исполнение и контроль
  • API и обмен с 1С и CRM, очередь задач
  • PostgreSQL для журнала решений и ключей повтора
  • Эталонные наборы и скрипты оценки в вашем репозитории
  • Мониторинг качества, расхода и времени ответа
Контроль

Что остаётся у вас и чего мы не делаем

Остаётся у вас

  • Эталонная выборка и скрипты замера: качество можно проверить без нас.
  • Схема входа и выхода модели, пороги и таблица, что идёт человеку.
  • Журнал: вход, ответ модели, проверка, исполнение, подтверждение.
  • Исходники в вашем репозитории с первого коммита; веса и лицензии перечислены в документации.
  • Остановиться можно после любой ступени, сделанное передаётся по акту.

Мы этого не делаем

  • Не называем точность до замера на вашей выборке и не приводим цифры из чужих проектов.
  • Не отдаём нейросети решения о деньгах и юридически значимые действия.
  • Не отправляем данные ограниченного доступа во внешние сервисы.
  • Не внедряем чужие ИИ-платформы и не продаём лицензии: собираем решение под ваш процесс.
  • Не дежурим круглосуточно, лицензии ФСТЭК у нас нет, работы дешевле 150 000 ₽ не берём.
Рядом

Поиск, речь и процессы: на какие страницы идти по типу задачи

Поиск по смыслу по вашим регламентам и договорам описан на странице RAG-системы на заказ. Речь, распознавание записей и голосовой ввод — на странице голосового ИИ-ассистента. Где модель встаёт в рабочий процесс и кто подтверждает её результат, разобрано на странице интеграции ИИ в бизнес-процессы. Порог уверенности, по которому спорное уходит человеку, объясняет статья «Порог уверенности модели».

Материалы

Материалы по теме

Статья

OCR или LLM для распознавания документов

Три подхода, измерение точности по полям и проверки против выдуманных данных.

  • Подходы
  • Метрики
  • Проверки
Читать →
Статья

RPA, скрипт или ИИ-агент: что выбрать для автоматизации

Шесть критериев, матрица ситуаций и стоимость владения.

  • Критерии
  • Матрица
  • Гибрид
Читать →
Статья

Как оценить качество LLM-системы

Эталонная выборка, метрики по типам задач и замер после запуска.

  • Выборка
  • Метрики
  • После запуска
Читать →
Заявка

Покажите примеры входа, и мы скажем, нужна ли здесь нейросеть

Сорок минут созвона: что приходит на вход, что должно получиться на выходе, сколько это занимает руками. По итогам скажем, хватит ли обычного кода, и с какой ступени начинать.

или оставьте заявку

Спасибо, заявка отправлена. Ответим в течение рабочего дня.

Не удалось отправить. Напишите в Telegram или MAX, или позвоните.

Вопросы

Частые вопросы: автоматизация с помощью нейросетей

Как работает автоматизация с помощью нейросетей на практике?

Модель читает неструктурированный вход (письмо, скан, голос) и возвращает данные в заданной структуре. Код проверяет их по справочникам и правилам и исполняет действие, а сомнительные случаи уходят человеку. Права и действия остаются у кода, а не у модели.

Можно ли автоматизировать работу нейросетью без выхода в интернет?

Да. Для данных ограниченного доступа модель работает на ваших серверах: облачные сервисы для них чаще не подходят по требованиям заказчика. Размер серверов под выбранную модель определяется на обследовании по замеру на вашей выборке.

Чем автоматизация нейросетью отличается от RPA?

Робот повторяет записанные действия и ломается при смене входа. Нейросеть справляется с разнообразным входом, но её результат вероятностный. Поэтому их соединяют: модель размечает, код исполняет. Выбор зависит от входа, доли исключений и цены ошибки.

Как проверить качество нейросети до запуска?

На выборке ваших примеров с известным правильным ответом: по полям для извлечения, по классам для классификации, по доле верных источников для поиска. Часть выборки не показывают ни модели, ни исполнителю, а пороги приёмки записывают до замера.

Что такое дрейф и почему он важен?

Со временем меняются формы документов, поставщики, названия и термины, и модель хуже справляется с новым. Признаки: растёт доля случаев с низкой уверенностью и очередь оператора. Поэтому после запуска качество замеряют на свежей выборке, а эталон пополняют.

Сколько стоит автоматизировать работу нейросетью?

Сначала обследование: 200 000 ₽ за одну-две задачи, 350 000 ₽ при нескольких системах; в него входит пробный замер на ваших примерах. Пилот одного типа задач — 150 000–400 000 ₽, схема с записью в учёт — 400 000–1 200 000 ₽. Дальше вывод в эксплуатацию от 1 500 000 ₽ этапами и сопровождение от 20 000 ₽ в месяц. Цену называем после обследования.

Можно ли доверить нейросети решения о деньгах?

Нет. Нейросеть готовит данные и основания, а подпись, платёж, скидку и отказ подтверждает человек с правом подписи. Арифметику и налоги считает код.

Какие нейросети вы используете?

Открытые модели, которые можно развернуть у вас. Конкретную подбираем по замеру на вашей выборке, а не по рейтингу. Внешний программный интерфейс допустим для данных, которые это позволяют.

Вы работаете только в Ростове-на-Дону?

Мы в Ростове-на-Дону, работаем с заказчиками по всей России: удалённо и в вашем контуре. Доступ к системам и обследование согласуем на старте с вашей службой безопасности.