Логистика: заявку обрабатывает агент, а не диспетчер

Типовая ситуация в транспортной компании: 300–800 заявок в сутки приходят по почте, в мессенджерах и через ЭДО, а диспетчер вручную переносит их в 1С:ТМС. В одном из проектов мы собрали ИИ-агента, который читает письмо или PDF, извлекает маршрут, вес, тип кузова, дату и требования клиента, сверяет контрагента по справочнику и создаёт черновик заявки.

Ключевая деталь — не генерация, а проверка: агент помечает поля, в которых уверенность ниже порога, и диспетчер подтверждает только их. Время обработки одной заявки сократилось с 8–12 до 2–3 минут, а доля заявок, требующих полного ручного ввода, упала примерно до 15%.

Модель работает в приватном контуре: данные о клиентах и ставках не уходят во внешние API. Для извлечения полей использовалась компактная LLM плюс правила на типовые шаблоны писем — это дешевле и стабильнее, чем полагаться только на модель.

Склад: OCR и контроль документов на приёмке

На складе узкое место — не отбор, а первичные документы. ТТН, УПД и накладные поставщиков приходят в сканах и фото, кладовщик вводит их в 1С:WMS руками. Мы подключили OCR-конвейер с предобработкой изображений и постпроверкой: система распознаёт табличную часть, сопоставляет номенклатуру с карточками 1С и подсвечивает расхождения по количеству.

Точность на чистых сканах — выше 95%, на фото с телефона — 85–90%, поэтому расхождения не блокируют приёмку, а попадают в отдельную очередь на подтверждение. Это принципиально: попытка сделать 100% автоматически обычно приводит к отказу склада от системы через месяц.

Второй блок — видеоконтроль зон. Камеры фиксируют паллеты вне мест хранения и простои техники, события уходят в дашборд, а не в поток алертов. Экономия здесь не в «искусственном интеллекте», а в сокращении пересортицы и повторных приёмок.

Маршруты: прогноз вместо чистой оптимизации

Классический солвер даёт математически короткий маршрут, который ломается о реальность: пробки, окна доставки, ограничения по въезду, время на разгрузку. Рабочая схема — гибрид: ML-модель прогнозирует время в пути по историческим трекам, а оптимизатор строит маршрут с учётом этих прогнозов и жёстких окон.

В проекте для дистрибьютора это дало сокращение пробега на 7–9% и заметное снижение опозданий в окна доставки. Важнее другое: логист получил инструмент «что если» — пересчитать маршруты при отмене рейса или добавлении срочной точки за минуты, а не за час в Excel.

Данные для модели берутся из уже имеющихся источников: GPS-трекеры, 1С:ТМС, телематика. Отдельная задача — чистка треков и единая справочная база адресов, без неё любой прогноз остаётся игрушкой.

Что общего у трёх проектов

Все три кейса начинались не с выбора модели, а с замера процесса: сколько операций, сколько времени на каждую, где возникают ошибки. Автоматизация ставилась на участок с высокой повторяемостью и понятной метрикой.

Второе — человек остаётся в контуре. Агент готовит, сотрудник подтверждает; пороги уверенности настраиваются под реальные данные, а не задаются раз и навсегда.

Третье — интеграция важнее модели. Без записи в 1С, WMS или CRM результат не доходит до бизнес-эффекта, поэтому значительная часть срока уходит на разъёмы, справочники и права доступа.

Как подойти к такому проекту

Шаг первый — аудит одного процесса и расчёт экономики в человеко-часах и рублях. Шаг второй — пилот на 4–6 недель на ограниченном объёме реальных данных, в приватном контуре, с фиксацией метрик до и после. Шаг третий — масштабирование на другие площадки и типы документов, уже с отработанной инфраструктурой.

Практика показывает: пилот на две недели с демонстрационными данными почти всегда даёт красивый отчёт и нулевой результат в проде. Работает только прогон на настоящих заявках, сканах и треках.

Как мы можем помочь

Мы в АПС внедряем приватные LLM, RAG-системы, ИИ-агентов и OCR с интеграцией в 1С, WMS и CRM: от аудита процесса и пилота до промышленной эксплуатации на ваших серверах. Обсудить проект