СЭД начинает обрабатывать смысл документов

Российские компании активно замещают зарубежные решения для электронного документооборота, однако параллельно меняются и приоритеты развития уже работающих платформ. Заказчикам теперь недостаточно просто регистрировать, хранить, направлять по маршрутам и находить документы. Они ожидают, что система сможет анализировать содержание, формулировать выводы и помогать выполнять последующие шаги процессов.

Искусственный интеллект становится ключевым драйвером таких изменений. Еще недавно его применение в СЭД в основном сводилось к распознаванию отсканированных копий, заполнению карточек и составлению коротких описаний. Сегодня ИИ охватывает полный жизненный цикл документа — от момента его поступления в компанию до согласования, выполнения поручений и поиска данных в корпоративных архивах.

При этом эффективность ИИ во многом определяется качеством самой СЭД. Документы, справочники, маршруты, права доступа и история операций формируют контекст, без которого языковая модель может лишь обработать текст, но не способна понять его роль в деятельности организации.

Руководитель департамента разработки информационных систем ITFB Group Михаил Атрахимович подчеркивает, что клиентов теперь волнует не просто наличие искусственного интеллекта, а точность, оперативность, защищенность и цена обработки данных. Это знаменует переход от показа отдельных возможностей к анализу их эффективности в реальных условиях.

Руководитель проектов по развитию ИИ-решений Directum Илья Петухов называет четыре ключевые сферы: интеллектуальную работу с документами, генеративный ИИ, поиск по корпоративным данным и ИИ-агентов, которые могут совершать действия в рамках процессов. Каждое направление требует собственных моделей, данных и метрик оценки.

От распознавания к аналитике

Наиболее развитый сценарий — интеллектуальная обработка документов. Система принимает файл из почты, сканера или другого источника, распознает его тип, извлекает текст и заносит реквизиты в карточку. Затем документ может быть автоматически направлен по нужному маршруту.

Такой подход дает понятный и измеримый результат. Можно сопоставить скорость регистрации до и после внедрения, подсчитать число исправлений и выявить долю документов, обработанных без ручного ввода.

Современные модели работают не только с электронным текстом. Они способны учитывать структуру страницы, таблицы, изображения, подписи и отдельные рукописные элементы. Product Owner СЭД «Тезис» Александр Воробьев отмечает развитие мультимодальных моделей, которые позволяют обрабатывать сканы, рукописные резолюции и заполненные от руки бланки. После распознавания система может заполнить карточку, создать задачу или запустить маршрут обработки.

Следующий этап — анализ содержания. ИИ составляет резюме, сопоставляет версии, выделяет обязательства сторон, ищет расхождения с шаблоном и готовит проекты ответов. Особенно востребованы такие возможности при работе с договорами, обращениями, протоколами совещаний и нормативными документами.

Эксперт по продукту Docsvision AI компании «ДоксВижн» Алексей Рождественский считает перспективными сценарии поддержки принятия решений. ИИ не заменяет участника процесса, а готовит для него информацию: классифицирует документ, извлекает данные, сопоставляет версии и анализирует содержание.

Важно, чтобы результат не оставался просто текстом в окне помощника. Если анализ встроен в бизнес-процесс, система может автоматически запустить его перед согласованием договора, передать выводы ответственному сотруднику и сохранить их вместе с документом.

Михаил Атрахимович относит к перспективным сценариям интеллектуальный нормоконтроль — проверку документов на соответствие внутренним регламентам и внешним требованиям. Для этого система должна не только сформулировать вывод, но и указать, на какое положение или источник он опирается.

Поиск превращается в диалог

Традиционный метод поиска подразумевает, что работнику известно название документа, его реквизиты или местонахождение. Однако в реальной практике рабочие задачи формулируются иначе: какие обязательства перед партнером остались невыполненными, в каких соглашениях заложена возможность автоматической пролонгации, какие бумаги относятся к определенному проекту.

Чтобы дать ответ, простого совпадения по ключевым словам недостаточно. Система обязана уловить суть запроса, отобрать соответствующие документы, выявить нужные части и сформировать целостный результат. В основе этого механизма может лежать поиск с дополненной генерацией: сначала система обращается к внутренним корпоративным базам, после чего языковая модель строит ответ на базе полученных сведений.

Пользователю выдается не перечень файлов, а готовая сводка с указанием источников. Возможность обратиться к первоисточнику позволяет проверить выводы и снижает вероятность использования недостоверной информации.

Александр Воробьев иллюстрирует это на примере запроса, когда сотрудник просит отобразить договоры с конкретным контрагентом за указанный период, отметить проблемные пункты и составить краткую выжимку. Система самостоятельно находит документы и анализирует их содержание.

Тем не менее, качество ответа напрямую зависит от состояния корпоративного архива. Повторы, устаревшие версии, неполные реквизиты и противоречивые материалы снижают точность, независимо от возможностей самой модели.

Кроме того, диалоговый интерфейс не должен игнорировать права доступа. Если сотруднику запрещено просматривать конкретный документ, ИИ не вправе раскрывать его содержание в ответе или использовать закрытые данные при составлении сводки.

ИИ переходит к активным действиям

Следующий шаг развития — переход от помощников к агентным сценариям. Помощник отвечает на вопросы, готовит текст или предлагает варианты решений. Агент же способен находить документы, проверять условия, создавать задачи, выбирать маршруты и уведомлять участников процесса.

Разница здесь принципиальна. Ошибку в черновике сотрудник способен заметить до отправки. Ошибка агента может повлиять на движение документа, назначение исполнителя или сроки выполнения поручения.

Агентные технологии становятся следующим этапом после поиска, анализа документов и извлечения данных. Пользователь формулирует задачу, а система самостоятельно выполняет предусмотренную последовательность действий.

Илья Петухов описывает более сложный сценарий: после загрузки договора агент проверяет его на предмет рисков и юридических ошибок, а при соблюдении установленных условий может отправить документ на подпись. В этом случае ИИ участвует уже не в отдельной операции, а в управлении всем процессом.

Подобная автоматизация возможна только там, где процесс четко прописан. Если решения принимаются по неформальным правилам, исключения не зафиксированы, а ответственность распределена неясно, агент перенесет эту неопределенность в систему.

По этой причине необходимо заранее определить степени автономности. В одном сценарии ИИ лишь формирует предложение. В другом — совершает действие после одобрения пользователя. Полная автоматизация возможна для рутинных операций с четкими критериями и установленным порогом достоверности. Спорные и важные случаи требуется передавать человеку.

Илья Петухов рекомендует применять методику, при которой нейросеть обрабатывает стандартные ситуации с высокой степенью уверенности, а неоднозначные результаты отправляет сотруднику для верификации. Такой подход позволяет наращивать автоматизацию поэтапно, не делегируя системе полное управление процессом единовременно.

Безопасность не сводится лишь к подбору модели

Когда речь заходит об ИИ в СЭД, вопросы защиты часто ограничиваются выбором между облачной и локальной языковой моделью. Это значимый, но далеко не единственный аспект. Требуется установить, какие документы допустимо обрабатывать, какие данные попадают в запрос, где сохраняются результаты и как отслеживаются действия системы.

Для компаний, работающих с персональной информацией, коммерческой тайной и документами с ограниченным доступом, критически важно сохранить существующую систему разграничения прав. ИИ должен воспринимать окружение так же, как пользователь, от чьего имени выполняется обращение.

Александр Воробьев акцентирует важность закрытого контура и локальных моделей. Не менее существенно, чтобы ассистент учитывал ограничения доступа и предоставлял сотруднику только те сведения, которые ему разрешены.

Размещение на собственных мощностях усиливает контроль над данными, однако не решает всех проблем автоматически. Организации все равно придется управлять доступом к модели, вести журнал операций, обновлять программные компоненты и оценивать качество ответов.

Облачная схема способна упростить запуск и обеспечить доступ к более производительным моделям. Для минимизации рисков используются инструменты, скрывающие конфиденциальные данные перед отправкой запроса во внешний сервис.

По мнению Алексея Рождественского, маскировка позволяет заменять секретные сведения до обращения к облачной модели, а после получения результата восстанавливать исходные значения внутри корпоративной среды. Ведение логов запросов дает возможность отслеживать применение ИИ и анализировать спорные инциденты.

В гибридной архитектуре различные задачи могут перенаправляться к разным моделям. Конфиденциальные документы обрабатываются локально, а для нейтральных сценариев применяется внешний сервис. Таким образом, поддержка множества моделей и их выбор в зависимости от задачи становятся самостоятельными требованиями к СЭД.

Начинать нужно с бизнес-процесса

Внедрение ИИ легко начать с обсуждения моделей, вычислительных ресурсов и интерфейса помощника. Однако первый практический вопрос должен звучать иначе: какой процесс требуется усовершенствовать и как будет оцениваться результат.

Для пилотного проекта лучше всего подходит процесс, включающий множество однотипных документов, значительную долю ручного труда и четко определенные исходные метрики. Примером могут служить регистрация входящей корреспонденции, обработка счетов, выделение реквизитов, составление кратких аннотаций или выявление отклонений от установленного шаблона.

Все специалисты единодушны во мнении, что внедрение должно продвигаться от простого к сложному. Под простотой здесь подразумевается не внешняя привлекательность функции, а возможность четко ограничить задачу, проверить качество выполнения и измерить полученный результат.

Алексей Рождественский советует стартовать с базовых сценариев — например, с создания резюме документа или поиска ответов на вопросы по его тексту. После того как модели будут протестированы на корпоративных материалах, можно переходить к более сложным задачам.

Александр Воробьев также рекомендует сосредоточиться на одном процессе и одном-двух сценариях, после чего запустить пилот на небольшой группе пользователей. Такой подход позволяет получить обратную связь и оценить, насколько технология полезна в повседневной деятельности.

Михаил Атрахимович описывает последовательность действий как «аудит — пилот — тиражирование». На этапе аудита выявляются ресурсоемкие процессы и оценивается качество имеющихся данных. Пилот должен охватывать целостный участок работы, а его сроки и критерии успеха устанавливаются заранее. После доработки сценарий можно масштабировать на другие отделы и типы документов.

Проверку не стоит строить исключительно на заранее подобранных примерах. В пилоте необходимо учитывать реальные форматы, возможные ошибки, исключительные ситуации и фактическую рабочую нагрузку. В противном случае после перехода к промышленной эксплуатации качество работы может оказаться ниже ожидаемого.

Как измерить результат

Показатели эффективности нужно определить еще до запуска пилота. Они зависят от выбранного процесса и конкретной задачи, которую решает искусственный интеллект. При обработке документов можно оценивать точность извлечения реквизитов, скорость выполнения операций и объем ручного труда, который остается на долю сотрудников.

Михаил Атрахимович предлагает учитывать точность, скорость, безопасность и стоимость обработки информации. По его мнению, метрики для пилота следует задавать заранее, чтобы по его завершении можно было объективно оценить результат и принять решение о дальнейшем тиражировании.

Контроль необходим и после перехода к промышленной эксплуатации. По мере накопления документов и подключения новых источников качество работы модели может изменяться, поэтому требуется постоянно отслеживать точность и, при необходимости, проводить дополнительную настройку или обучение.

СЭД задает границы применения ИИ

Развитие искусственного интеллекта не снижает значимости системы электронного документооборота. Чем больше задач передается моделям, тем более важными становятся порядок в документах, единые справочники, прописанные маршруты, права доступа и история всех действий.

Система электронного документооборота обеспечивает искусственный интеллект необходимым контекстом. Она устанавливает, что именно считается договором, какая версия признаётся актуальной, кто несёт ответственность за согласование и какие действия доступны тому или иному сотруднику. ИИ, в свою очередь, помогает разбирать содержание документов и выполнять определённые этапы рабочих процессов.

Для заказчика главный акцент теперь смещается с вопроса о наличии ИИ на вопрос о пределах его использования. Необходимо чётко определить, какие процессы можно автоматизировать, в каких случаях потребуется одобрение сотрудника, какие документы допустимо передавать модели и как будет контролироваться итоговый результат.

С развитием агентных технологий такие решения становятся более значимыми, чем выбор какой-то одной функции. Электронный документооборот превращается в среду для контролируемого применения ИИ — с корпоративными данными, разграничением прав доступа, установленными правилами, полным журналом действий и измеримыми показателями эффективности.