Сегодня мы всё чаще получаем запросы, касающиеся применения искусственного интеллекта в управлении документами и различных корпоративных задачах. На наиболее частые вопросы о возможностях нейросетей и их интеграции в бизнес-процессы отвечает Мария Почепнева, руководитель группы внедрения ИС и ИИ компании ECMGroup.Pro – золотого партнёра Docsvision.
Сегодня возможности применения искусственного интеллекта в корпоративных системах можно условно разделить на два уровня.
Первый – универсальные функции работы с документами. Они могут использоваться практически в любом интерфейсе системы и становятся базовыми инструментами для сотрудников, например:
Многие из этих функций уже используются в промышленном режиме и демонстрируют устойчивые результаты.
Второй уровень – использование нейросетей как части бизнес-процессов. В этом случае ИИ не просто берет на себя отдельную функцию, а выполняет этапы, которые требовали вовлечения сотрудников:
Таким образом, ИИ постепенно переходит от инструмента для работы с документами к роли полноценного участника бизнес-процессов.
В сложных корпоративных процессах технологии искусственного интеллекта уже способны усиливать экспертизу сотрудников, но не заменяют её полностью. Когда речь идёт о юридических или финансовых рисках, корпоративных особенностях или других нюансах, нейросети выступают как интеллектуальный ассистент. Они могут подсказать сотруднику, на что обратить внимание, предложить варианты действий или предупредить о несоответствиях, но окончательное решение принимает человек.
Например, сервис интеллектуальной обработки документов Docsvision AI может провести анализ юридических документов, то есть проанализировать текст договора и сформировать перечень потенциальных рисков для организации, опираясь на выбранный профиль анализа (юридический, финансовый, информационная безопасность либо заданный пользователем). Такой анализ договоров с помощью ИИ помогает сотруднику быстрее оценить документ и принять решение по нему.
Практика показывает, что наибольший эффект дают не отдельные функции, а их встраивание в конкретные рабочие сценарии. В этом случае нейросети становятся частью повседневной работы сотрудников и помогают ускорять выполнение типовых операций.
В качестве таких сценариев можно назвать следующие направления, уже реализуемые в СЭД:
При грамотной архитектуре внедрения ИИ становится не экспериментальной технологией, а естественным развитием возможностей современных систем электронного документооборота.
В сфере госуправления основной эффект от применения нейросетей мы видим в разгрузке операционной деятельности. В госорганизациях обычно большой поток документов, при этом за годы работы накапливаются значительные массивы исторических данных (документы, резолюции). Именно эти данные создают хорошую основу для применения методов машинного обучения (ML) и оптимизации бизнес-процессов.
Базовые процессы (приём входящих писем, заполнение реквизитов, OCR) уже давно автоматизированы и никого не удивляют, современные возможности нейросетей позволяют пойти дальше. Они дают возможность анализировать большие массивы неструктурированных документов и использовать накопленный опыт работы организации. В частности, ИИ может:
Подобные задачи не требуют дорогостоящей инфраструктуры и могут эффективно работать на классических ML-подходах, что особенно важно для on-premise внедрений и проектов с ограниченными ресурсами.
При грамотном встраивании ИИ в процессы цепочка «входящий документ — исходящий ответ» уже сейчас может быть организована так, что сотрудник получает подготовленный проект ответа и за ним остается только финальная проверка и принятие решения.
При этом качество таких решений напрямую зависит от накопленных в организации данных (истории документов, резолюций, маршрутов и фактических решений). Чем больше и качественнее эти данные, тем точнее результат.
Сегодня существует несколько вариантов интеграции LLM с СЭД и другими корпоративными приложениями. В зависимости от требований по информационной безопасности (ИБ) и типов обрабатываемых документов можно выбрать:
На практике выбор модели определяется не столько страной происхождения, сколько возможностью интегрировать LLM в корпоративную ИТ-инфраструктуру и использовать в промышленной эксплуатации.
Безусловно, возможность размещения инфраструктуры в российском контуре и соблюдение требований безопасности остаются важным фактором. Поэтому на рынке востребованы отечественные LLM-сервисы, которые предоставляются через облачные API (такие, как GigaChat или YandexGPT).
При этом многим компаниям, особенно крупным, требуется on-premise внедрение. В таких проектах важно иметь возможность тестировать модели среднего размера и разворачивать их в собственном контуре. По этой причине часто используются модели с открытыми весами (например, Qwen или DeepSeek), которые позволяют выбирать подходящую конфигурацию LLM и адаптировать её под конкретные задачи.
Наш опыт внедрения показывает, что ключевыми факторами становятся требования к инфраструктуре и совокупная стоимость внедрения ИИ. Особенно это заметно в проектах с требованиями к изоляции данных и on-premise размещению.
Стоимость внедрения во многом зависит от архитектуры решения. Если инфраструктура создаётся только под одну конкретную задачу, то проект может оказаться экономически неэффективным. Но если в системе предусмотрена единая AI-платформа, на базе которой можно постепенно подключать различные интеллектуальные функции, то та же инфраструктура начинает использоваться для решения большого числа задач.
Поэтому в корпоративных системах всё чаще применяется подход, при котором базовая AI-инфраструктура используется сразу для нескольких сценариев: анализа документов, интеллектуального поиска, генерации текстов, обработки аудио и других задач (как, например, в модуле Docsvision AI).
Чтобы снизить стоимость on-premise внедрения, можно использовать несколько практических подходов:
В результате ИИ перестает быть дорогим экспериментом и становится частью корпоративной инфраструктуры, которая постепенно расширяет возможности СЭД.
