Как мы в производственной компании применили ИИ для обработки входящей почты

Когда секретари не справляются

В прошлом году в нашем семейном бизнесе, производственной группе компаний «Эпотос» — одном из крупнейших российских производителей систем пожаротушения, мы столкнулись с очень типичной для зрелого бизнеса проблемой: лавина входящих писем от клиентов и партнеров, среди которых — рекламации, жалобы, уточнения, запросы документов и многое другое.

Обработка этих обращений легла на плечи секретариата. Два сотрудника отвечали за регистрацию писем в системе документооборота, распределение информации между отделами и заполнение таблиц в CRM. Это все помимо работы с организацией совещаний и приемом гостей в офисе. Работа была не только рутинной и выматывающей, но и подверженной ошибкам — внимание рассеивается, а нюансов много. В какой-то момент встал вопрос о найме третьего секретаря. В условиях не самого бурного роста экономики не хочется увеличивать ФОТ. Мы приняли решение внедрить ИИ вместо найма помощника или секретаря.

Цель — автоматизировать, но не усложнить. Главной задачей было не просто «внедрить технологию», а разгрузить людей от рутинной работы, не ломая привычные процессы. ИИ должен был стать помощником, а не новым источником стресса. Хотя без него никуда. Нужно настроиться на то, что идеально сразу не получится. Как и с новым сотрудником: он сначала будет делать ошибки, слать информацию не туда и заполнять ее криво. Но потом работать будет отлично.

Шаг 1: доступ к почте

Первый этап — безопасное подключение ИИ к корпоративной почте (у нас это «Яндекс.Почта»). С помощью специальных ключей доступа система получает возможность читать текст письма и вложения. Мы не использовали никаких внешних API для ИИ — вся логика работает внутри нашей ИT-инфраструктуры. Мы развернули модель T-lite для этих задач. Для ее работы пришлось купить ощутимое по стоимости «железо». Для нас критично содержать все в собственном контуре, поскольку много работы идет с ноу-хау и технологиями. Мы хотим, чтобы это сохранялось только у нас. Мы изначально понимали, что ИИ-модель будет использоваться дальше и для других нужд. Поэтому затраты были оправданы. Если же для вас это не столь критично, рекомендую использовать облачные LLM.

Шаг 2: понять, что это за письмо

ИИ анализирует письмо и «задает себе вопрос»: это рекламация или нет? Если да — то к какому виду она относится: штраф от клиента, проблема с продукцией, логистика?

Здесь основная проблема — донести до ИИ что к чему. Написать правильный промт и учесть все нюансы сразу невозможно. У нас ушло около месяца на отладку правильной работы: чтобы правильно понимал категорию письма, различал, про какую это компанию, а потом еще и учитывал наши внутренние нюансы — за какое направление продаж и кто отвечает. Это путь проб и ошибок. В итоге с каждым новым письмом, которое попало не туда, ты понимаешь: упс, это я не предусмотрел.

В итоге ИИ автоматически извлекает и структурирует данные из текста и вложений — мы распределяем информацию более чем по 30 полям, например:

• серийный номер изделия;
• дата поставки;
• дата инцидента;
• подразделение, ответственное за продукт;
• срочность и приоритет;
• описание проблемы в тезисной форме;
• и даже кому направить внутреннюю задачу.

Для этого мы связали ИИ с нашими внутренними справочниками в Bitrix24, которая выступает как CRM и база нормативной информации. Это обеспечивает высокую точность извлечения данных: ИИ не «догадывается», а соотносит с конкретными сущностями в системе. Но не все поля и данные возможно учесть.

Шаг 3: регистрация и постановка задач

После распознавания письма и извлечения данных ИИ отправляет информацию в «1С Документооборот» — именно туда у нас стекаются все официальные входящие. Интеграция реализована через REST API. Каждое письмо автоматически регистрируется как входящее, и оттуда уже рассылаются задачи ответственным сотрудникам. Регистрация письма — отдельная боль. Если бы мы не работали с этим, а просто перенаправляли информацию и записывали данные в нужные колонки — сэкономили бы неделю точно.

Важно, что у каждой рекламации может быть свой круг участников: технический директор, юрист, менеджер по качеству. Система знает, кому именно отправить. Опять же, здесь надо было объяснять нюансы в промте. Иначе мы бы написали автоматизацию почты по ключевым словам.

Не только рекламации

Вскоре после успеха с рекламациями мы решили масштабировать систему. Сегодня она классифицирует и другие типы писем:

• коммерческие предложения;
• приглашения на мероприятия;
• спам, который преодолел фильтры самой почты.

Результаты — автоматическая сортировка, сведение ручной обработки к минимуму, стабильное качество работы без усталости. Файлы — тоже под контролем. Для нас критически важно сохранять документы, приложенные к письмам. Поэтому ИИ не просто «читал» вложения, но и прикреплял их к конкретному кейсу в общей папке документооборота — чтобы в будущем специалисты могли быстро найти нужный файл, не копаясь в переписке.

Что дало внедрение

• Освободили секретариат от рутинной ручной работы.
• Исключили человеческие ошибки при регистрации обращений.
  
• Повысили скорость реакции на претензии.
• Выстроили единый цифровой поток от письма до задачи в системе.
• Сохранили существующие бизнес-процессы, просто автоматизировав их.

***

ИИ не волшебная таблетка. Нельзя в него кинуть задачу и ждать, что он ее выполнит идеально. Лучше всего, по нашему опыту, он работает, когда есть понятный рутинный процесс, который явно «болит» — со стороны исполнителя, качества или количества результата. Он отлично решает конкретные, локальные задачи, если подходить к ним системно. Тогда этот процесс описывается в логике работы ИИ и он будет абсолютно исполнительным. Главное — не внедрять технологию ради галочки, а отталкиваться от реальной боли бизнеса. Также важно ко всем проектам автоматизации с ИИ относиться как к приходу стажера по специальности из профильного вуза. Теории в голове много, а на практике совершает ошибки. Но быстро учится.