Что вообще за работа
Со стороны кажется, что задача простая: «прочитать чат и заполнить табличку». Разберём, из чего она на самом деле состоит, потому что дальше всё упирается именно в это.
Данные о доставке не приходят в виде данных. Они приходят в виде разговора. Водитель пишет «на Трамвайном был в 7:24, закрыто, вернулся в 9:55». Приёмщик кидает пачку фотографий термометров и накладных. Кто-то в том же чате обсуждает вчерашний инцидент и вставляет число, которое к сегодняшней ночи отношения не имеет.
Из этого потока нужно достать:
- фактическое время прибытия по каждой точке;
- сколько единиц товара приняли;
- температуру по каждому поставщику — с фотографий;
- кто именно виноват в опоздании.
А потом сопоставить с плановым графиком, который лежит в отдельной таблице, и посчитать уровень сервиса по городам и перевозчикам.
Вот это последнее — «кто виноват» — и оказалось самым интересным.
Правила, которые пришлось записать словами
Здесь выяснилась вещь, которую я теперь говорю всем заказчикам на первой встрече. Автоматизировать процесс нельзя, пока правила процесса не записаны. А они почти никогда не записаны — они живут в голове того самого сотрудника, который «и так знает».
Три примера из этого проекта.
Время прибытия — первое, а не второе. В чате по одной точке часто два времени: приехал и уехал после выгрузки. Для оценки опозданий годится только первое. Человек это делал не задумываясь. Программе надо сказать.
Приехал раньше плана и принят — это не нарушение. Логисты и это знали, а вот в первой версии сводки такие рейсы попадали в отклонения и портили статистику.
Закрытый магазин — развилка на две стороны. Если машина приехала раньше окна и магазин ещё закрыт, это опоздание водителя: он приехал не вовремя. Если приехала по плану или позже, а магазин всё равно закрыт — вина магазина, с перевозчика она снимается.
Пока это правило не проговорили вслух, статистика по перевозчикам была искажена: им засчитывались срывы, к которым они отношения не имели. Заметьте, что это не проблема ИИ. Это проблема, которая была в отделе и до него, просто её никто не видел — потому что каждый из трёх людей разруливал спорные случаи по-своему.
Побочный эффект автоматизации, которого не ждут: она заставляет договориться о правилах. Примерно в каждом третьем проекте при описании процесса всплывают шаги, о которых сотрудники думали по-разному. Часть пользы приходит ещё до включения агента.
Где ИИ соврал и что с этим сделали
Теперь неприятная часть, которую в кейсах обычно не пишут.
Модель путала температуру со временем. В чате «21:20» и «8°C» — это просто числа рядом с текстом. Несколько раз в сводку уезжала температура, которой на фотографии не было: модель видела замер 3.8 и писала 10.3. Для сети, где по температурному режиму принимают или не принимают партию, это не мелкая неточность — это ложная тревога или пропущенное нарушение.
Лечится это не уговорами модели. Лечится архитектурой: модель не имеет права называть числа, за которые кто-то отвечает.
Сейчас температуры в сводку подставляются механически — берутся из разобранных фотографий как есть, без участия модели в этом шаге. Языковой модели оставлено только то, что она делает хорошо: понять, о чём речь в сообщении, и написать связный текст. Все числа, по которым принимаются решения, приходят из проверяемого источника.
Это, если хотите, главный вывод всего проекта. Языковая модель — хороший читатель и плохой свидетель. Она отлично понимает, что в куче сообщений речь о приёмке от такого-то поставщика. Но как только она начинает называть цифры по памяти, вы получаете уверенно звучащую выдумку — и отличить её от факта в тексте сводки невозможно.
Второй похожий случай: поставщик привозит дважды за ночь, к двум и к четырём. Наивная склейка данных суммировала это в одну поставку, и цифры разъезжались. Пришлось задать правило: привозки в пределах сорока пяти минут — одна и та же, дальше — разные, не суммируем.
Мелочь. Таких мелочей в проекте были десятки, и именно они, а не подключение нейросети, заняли основное время.
Сколько это стоит в работе
Тут коротко и без цен, потому что интересна не сумма, а структура.
Разбор фотографий — самая дорогая операция. За одну ночную приёмку их приходит примерно тридцать пакетов, и в каждом запросе к модели повторяется один и тот же контекст: инструкция и переписка. Платить за него тридцать раз незачем — контекст кэшируется, повторные запросы читают его примерно за десятую часть цены.
Второе: вечерняя сводка не разбирает фотографии заново. Приёмка уже разобрана утром и лежит в таблице — вечером берётся оттуда.
Смысл в том, что стоимость эксплуатации ИИ-агента определяется не тарифом модели, а тем, сколько лишних раз вы её дёргаете. Два решения выше дали кратную разницу в расходах при том же результате. Если подрядчик на вопрос «сколько будет стоить месяц работы» отвечает только тарифом за токены, он этой части не делал.
Как посчитать, окупится ли это у вас
Дальше — арифметика на открытых данных, чтобы вы посчитали на своих цифрах, а не поверили мне на слово.
Средняя предлагаемая зарплата логиста по России в 2026 году — около 80 тысяч рублей в месяц (ГородРабот по данным hh.ru); в Москве — около 102 тысяч. Диспетчер-логист — порядка 74 тысяч, оператор-логист — около 57. Это оферы работодателей без премий и переработок, то есть нижняя граница; полная стоимость сотрудника для компании выше на страховые взносы и рабочее место.
Возьмём ровный расчёт. При 80 тысячах в месяц и норме около 164 часов час работы стоит примерно 490 рублей по начислению — а для компании ближе к 630, если добавить страховые взносы. Рабочее место, технику и налоги сверх этого не считаем. Дальше формула простая:
(часов в день на операцию) × (стоимость часа) × (дней в месяце) = верхняя граница экономии.
Двенадцать человеко-часов в день по нижней оценке — это около 5 900 рублей в день и порядка 175 тысяч в месяц при семидневном графике, который у ночных поставок и получается. Со взносами — ближе к 225 тысячам.
Три оговорки, без которых цифра врёт.
Это верхняя граница, а не факт. Часть случаев всё равно уйдёт человеку: спорная поставка, скандал с перевозчиком, нестандартная приёмка. Реально освобождается меньше, и закладывать надо процентов семьдесят, а не сто.
Экономия времени и экономия денег — не одно и то же. Освободившиеся часы превращаются в деньги только если этим часам нашли другое применение или если объём работы рос и без агента пришлось бы нанимать. Если люди просто стали меньше загружены — вы сэкономили нервы, а не фонд оплаты труда, и это тоже результат, но другой.
Считайте вместе со стоимостью эксплуатации. Разработка разовая, а запросы к модели — ежемесячные. Про то, из чего они складываются, — предыдущий раздел; там разница получается кратной в зависимости от того, насколько аккуратно всё сделано.
И главное: не берите эту цифру у подрядчика. Посчитайте сами до разговора с ним. Тогда вы будете обсуждать не «сколько стоит внедрение», а «сколько это экономит и за сколько окупится» — а это совсем другой разговор, в котором вас труднее уговорить на ненужное.
Кому это подходит, а кому нет
Считать выгоду надо не в сложности задачи, а в её частоте: сколько раз в день × сколько минут × сколько человек.
Здесь всё сошлось идеально: операция ежедневная, объёмная, однотипная, с понятным результатом в виде заполненной таблицы. Плюс есть с чем сверяться — плановый график существует, и правильность работы агента проверяема.
Не подойдёт, если:
- операция происходит несколько раз в месяц — экономия не покроет внедрение;
- результат нельзя проверить: если никто не знает, каким должен быть правильный ответ, вы не узнаете, что агент ошибается;
- правила процесса ещё меняются — автоматизировать надо устоявшееся;
- цена ошибки высока, а проверять никто не будет.
И отдельно: размер компании тут ни при чём. Три человека, которые каждый день по два часа делают одну и ту же механическую работу, — это тот же объём, что у большого отдела раз в неделю.
Как проверить подрядчика на такой задаче
Четыре вопроса, которые расставляют всё по местам.
Откуда агент берёт числа? Если ответ «модель извлекает из текста» — уточните, что происходит с числами, по которым принимают решения. Ответ «подставляются из проверяемого источника» означает, что человек уже наступал на выдуманные цифры. Ответ «ну модель хорошо справляется» означает, что ещё не наступал.
Что будет, когда правило окажется спорным? Закрытый магазин, две поставки за ночь, приезд раньше плана. Попросите показать, где эти правила записаны. Если нигде — их придётся выяснять на живых данных, и это займёт больше времени, чем вам назвали.
Как считается стоимость эксплуатации? Не «тариф модели», а сколько запросов в сутки и что сделано, чтобы их было меньше.
Что остаётся у нас после проекта? Доступ, документация, описанные правила — или только работающая чёрная коробка.
Что я забрал себе
Проект получился показательным ровно потому, что нейросеть в нём — не главное. Языковая модель тут читатель: она понимает, что написали живые люди в рабочем чате второпях. Всё остальное — правила, сверка с планом, проверяемые числа, дедупликация, контроль расходов — обычная инженерная работа, которой в кейсах не хвастаются.
Если у вас есть процесс, который повторяется каждый день и съедает часы, — опишите его по шагам и посчитайте в минутах. Дальше станет видно, нужен там ИИ или достаточно убрать пару лишних действий. В моей практике второе встречается чаще, чем принято думать.
Разберу в комментариях любой конкретный случай — особенно интересны те, где такие агенты у вас сломались.
Вступайте в нашу телеграмм-группу Инфостарт