ИИ-ассистент в логистике это не просто чат-бот. Это агентный фреймворк, который живёт на сервере компании, говорит на языке сотрудников и имеет прямой доступ к 1С, Bitrix24, архиву документов. Когда логист спрашивает «какие у нас были таможенные декларации на контрагента ABC за квартал», ассистент ищет в базе документов, вытягивает релевантные файлы и подсказывает через RAG. Когда нужна сводка по грузам, ассистент обращается к 1С по REST API, обрабатывает ответ и отвечает на естественном языке.
Таможенные декларации, контрагенты и персональные данные не должны улетать в облака за рубеж. Поэтому LLM хостится на Yandex AI Studio (РФ), фреймворк развёрнут на внутреннем сервере компании, и все API-вызовы зафиксированы на РФ-контур. Соответствие требованиям 152-ФЗ закладывается на уровне архитектуры, а не постфактум.
На практике ассистент закрывает пять сценариев. Первый: поиск документов по большой библиотеке. Второй: выгрузка инфы по заказам, остаткам, взаиморасчётам из ERP. Третий: черновик типовых документов (таможенная декларация, коммерческое предложение, акт) на основе базы. Четвёртый: авто-фиксация задач в трекере. Пятый: cron-сценарии и долговременная память. Сотрудник говорит как человек, ассистент понимает и делает.
Что такое ИИ-ассистент для логистической компании: архитектура на примере самохостинга
ИИ-ассистент для логистической компании - это не самостоятельный робот, а программный агент, встроенный в рабочие процессы и подключённый к вашим системам. В отличие от публичного ChatGPT, такой ассистент работает только с данными компании: документами, учётной информацией, трекером задач, нормативной базой. Сотрудник общается словами через привычный канал (Telegram, мессенджер, веб-форма) и получает точный ответ на основе реальной информации компании, а не информации из интернета.
Система строится из трёх компонентов. Первый это агентный фреймворк (open-source решения вроде LangChain, AutoGen, CrewAI), который оркестрирует логику и подключает инструменты к LLM. Второй это языковая модель на Yandex AI Studio, облаке в России, что критично для сохранения персональных данных и таможенной информации внутри страны. Третий это RAG-система над вашей библиотекой документов, которая позволяет ассистенту искать релевантные материалы вместо придумывания ответов. К этому подключаются инструменты (MCP или function-calling) для интеграции с 1С и Bitrix24, чтобы ассистент мог запрашивать реальные данные о грузах, контрагентах, остатках, расчётах в момент разговора.
- Поиск и ответы по большой библиотеке внутренних документов - регламентов, шаблонов деклараций, инструкций, примеров контрактов. RAG находит релевантные фрагменты, ассистент переформулирует их в ответ.
- Запросы на естественном языке к 1С и Bitrix24 - вывести список активных грузов контрагента, остатки по складам, историю взаиморасчётов, текущие задачи сотрудника.
- Помощь в подготовке черновиков документов - таможенной декларации, коммерческого предложения, акта выполнения работ на основе данных из системы и шаблонов базы.
- Авто-фиксация и постановка задач в Bitrix24 - ассистент ставит задачу конкретному сотруднику, привязывает к проекту или контрагенту, вызывает tasks.task.add.
- Долговременная память и крон-сценарии - ассистент помнит контекст разговора, может отправить напоминание по расписанию, автоматизировать повторяющиеся проверки.
Таможенные декларации, список контрагентов, персональные и финансовые данные не должны попадать за рубеж в OpenAI или другие зарубежные сервисы. По этой причине LLM работает в Yandex AI Studio (серверы в России), фреймворк развёрнут на сервере клиента, endpoint зафиксирован в РФ-контуре. Многие агентные фреймворки по умолчанию отправляют запросы в OpenRouter или OpenAI - такую конфигурацию обязательно нужно переделать, иначе риск утечки персональных данных и коммерческой информации.
Самохостинг и РФ-контур это не опция, а требование. Таможенные операции, данные по отправкам и контрагентам подлежат защите в соответствии с российским законодательством. Облачное решение на Yandex AI Studio обеспечивает это требование и даёт прозрачность того, где находятся ваши данные.
Важно сразу договориться о том, что система имеет ограничения. LLM иногда галлюцинирует, поэтому на юридических и финансовых документах обязателен контроль человеком перед отправкой (human-in-the-loop). Качество ответов ассистента напрямую зависит от качества, актуальности и структурированности вашей базы документов. RAG требует подготовки корпуса: чистки от ошибок, правильной разметки структуры, регулярного обновления. Внедрение идёт поэтапно, скорость зависит от объёма данных и сложности интеграций. Для простых процессов или малого количества документов ассистент может оказаться избыточным инструментом.
- LLM галлюцинирует, поэтому требуется проверка человеком перед отправкой юридических и финансовых документов.
- Качество ответов зависит от качества и актуальности базы документов.
- RAG требует предварительной подготовки и регулярного обновления корпуса.
- Внедрение идёт поэтапно в зависимости от объёма данных.
- Есть сценарии, где ассистент избыточен. Например, если компания обрабатывает 5-10 грузов в месяц, поиск в документах вручную может быть проще, чем поддержка ассистента. Или если документы хранятся в структурированном CRM и не требуют поиска.
Мы разработали внутреннего ИИ-ассистента для логистической компании. Система позволила сотрудникам искать информацию по большой библиотеке внутренних документов и нормативных материалов одним запросом вместо ручного поиска по архивам. Ассистент выводит данные по контрагентам, грузам и заказам из 1С на естественном языке, помогает подготовить черновик таможенной декларации на основе шаблонов и текущих данных, автоматически ставит задачи в Bitrix24. Всё это развёрнуто на сервере клиента с LLM на Yandex AI Studio, что обеспечило соответствие требованиям безопасности и сохранение конфиденциальности.
Поиск и вывод информации из внутренней базы документов: как работает RAG
RAG (retrieval-augmented generation) это метод, который позволяет языковой модели обращаться к внутренней базе документов компании вместо того, чтобы полагаться только на знания, полученные при обучении. Для логистической компании с хранилищем тысяч документов о процедурах, шаблонах, истории взаимодействия с контрагентами и регуляторных требованиях RAG становится критичным инструментом.
Принцип работает просто. Сотрудник задаёт вопрос ассистенту: "Какие документы нужны для таможенного оформления груза в Казахстан?" Система не просто генерирует текст из памяти модели, а выполняет следующее:
- Преобразует вопрос в численное представление (embedding)
- Ищет семантически похожие документы в локальной базе (обычно 5-10 релевантных)
- Передаёт найденные документы в контекст LLM
- Модель формирует ответ на основе найденного материала
- Возвращает пользователю цитаты с указанием источников
Качество ответов зависит целиком от содержимого базы. Если документы структурированы, актуальны и хорошо организованы, ассистент даст точный ответ. Если база грязная, дублирующаяся или устаревшая, результат будет неправильным.
Для логистики этот механизм решает конкретные задачи: поиск по большому архиву (сотни или тысячи SOP, регламентов, форм), мгновенный доступ к правилам таможни без ручного поиска, ссылки на источники (сотрудник видит, из какого документа пришёл ответ), консистентность (если база актуальна, то информация остаётся надежной).
| Что ищут | Без RAG (до ассистента) | С RAG (ассистент с базой) |
|---|---|---|
| Документы по таможне | Поиск в интернете или в почте (5-15 минут) | Вопрос ассистенту, мгновенный ответ |
| Правила работы с контрагентом | Ручной поиск в общих папках, фрагментарно | Полная история документов по контрагенту |
| Шаблон документа | Вручную в архиве, часто неправильная версия | Ассистент находит точный актуальный шаблон |
Однако RAG это не волшебство. Система зависит от подготовки данных. Требуется очистка базы (удаление дубликатов, устаревших версий), структурирование (добавление метаданных, дат, категорий), регулярное обновление (новые нормы, процедуры), осознание ограничений размера контекста (LLM может видеть только часть документа за раз).
В проекте с одним из наших клиентов в логистике RAG развернули пошагово. Сначала обработали основной корпус: регламенты, шаблоны, справочники. Затем начали добавлять исторические данные о контрагентах. Качество поиска растёт по мере расширения и чистки базы. Ошибок меньше, если база актуальна и структурирована.
На сложных вопросах (оформление деклараций, решения о взаимодействии с новым контрагентом) ассистент выдаёт вариант на основе базы, но проверку и финальное одобрение делает сотрудник. RAG ускоряет поиск и подготовку, но не убирает необходимость в экспертной оценке.
Получение данных из 1С и Bitrix24 на естественном языке: MCP-tools и function-calling
ИИ-ассистент нужен не только для поиска по документам. Логистической компании требуется быстрый ответ на вопрос какие у нас остатки на складе или когда ожидается груз от этого контрагента. Вместо того чтобы копировать данные в RAG-базу, что создаёт лаг и потерю актуальности, можно дать ассистенту инструменты для синхронного запроса к 1С и Bitrix24. Это называется function-calling: LLM понимает, какую функцию вызвать в ответ на вопрос пользователя, вызывает её и получает свежие данные. Открытый стандарт Model Context Protocol (MCP) это протокол для подключения инструментов. При правильной конфигурации (endpoint в РФ-контуре, без облачных маршрутов) MCP позволяет безопасно вызывать функции в 1С и других локальных сервисах.
В 1С логистической компании хранятся товары, остатки, контрагенты, заказы. Вместо того чтобы вручную открывать справочник и искать контрагента, сотрудник просто пишет в чат: покажи контрагента Ромашка ООО с адресом доставки. Ассистент распознаёт запрос, вызывает функцию get_counterparty из 1С с параметрами (имя, фильтр адреса), получает структурированный ответ (ИНН, график платежей, кредитный лимит) и выдаёт человеку. Ошибка или опечатка, 1С вернёт пусто или ошибку, ассистент это поймёт и предложит уточнить.
То же работает для Bitrix24. Нужно поставить задачу на Ивана: проверить документы по грузу 123. Ассистент вызывает task.add, заполняет поля (ответственный, описание, дедлайн на основе контекста) и создаёт запись. Это не автоматизация без контроля, а помощник, который готов к запросу в 90% случаев, и затем человек подтверждает или правит.
| Функция | Параметры | Возвращает |
|---|---|---|
| get_counterparty | name, [inn], [city] | ИНН, адрес, кредитный лимит, график платежей |
| get_order | order_id | статус, сумму, груз, дедлайн, этапы доставки |
| get_stock | article, [warehouse] | остатки по товару и складам |
| get_mutual_settlements | counterparty_id | взаиморасчёты, задолженность, просроченные суммы |
| bitrix24_task_add | responsible_id, title, description, [deadline] | ID задачи, статус создания |
- Какие остатки товара XYZ на центральном складе?
- Когда ожидается груз от Ромашка ООО?
- Какой кредитный лимит у контрагента МИР-2?
- Покажи задолженность по взаиморасчётам на август
- Поставь задачу на Ивана: проверить документы по заказу 12345
- Создай контрольную точку по доставке груза 567
Главное ограничение: function-calling требует точно определённого API. Если в 1С 50 полей справочника, но документировано 10, ассистент будет видеть только 10. Требуется подготовка интеграции: список функций, их сигнатуры, типы параметров и ответов. Это инженерная работа. Задержки при вызове API также могут быть заметны пользователю, если функция работает медленно. LLM может неправильно интерпретировать вопрос и вызвать не ту функцию. Требуется тестирование и фидбек на ранних этапах. Зато главное преимущество: данные остаются в 1С. Никакой выгрузки, никакой синхронизации. Запрос пользователя запускает функцию, ответ получается свежий моментально. Это особенно важно для логистики, где ситуация меняется в течение дня. Со временем, накапливая логи успешных вызовов, ассистент учится, какие вопросы соответствуют каким функциям, и становится точнее.
Подготовка черновиков типовых документов: таможенные декларации, коммерческие предложения, акты
ИИ-ассистент помогает сотруднику логистической компании готовить черновики типовых документов, которые нужны каждый день. Это не автоматическая подача в систему контрагента или ПФУ, это первый черновик, который сотрудник проверяет, дорабатывает и подаёт сам. Черновик готовится на основе трёх слоёв: шаблоны документов из внутренней базы, данные о контрагентах и грузах из 1С и Bitrix24, контекст из других похожих уже оформленных документов (RAG).
Например, при запросе 'Подготовь черновик таможенной декларации для ООО Логистика ПРО, груз Z-2501' ассистент извлекает из 1С данные о контрагенте (реквизиты, ИНН, адрес) и груз (код ТН ВЭД, стоимость, вес, кол-во мест). Затем ищет в RAG примеры похожих деклараций из архива компании по ТН ВЭД, типу товара, контрагенту. Подставляет данные в типовый шаблон декларации, соблюдая заполненный ранее стиль и структуру. Отправляет сотруднику черновик с указанием на какие поля обратить внимание и где нужна проверка.
Таможенные декларации это документы с высоким риском галлюцинаций на ТН ВЭД, стоимости, кодах, единицах измерения. Ассистент подготавливает черновик ДЛЯ ОБЯЗАТЕЛЬНОЙ проверки таможенным специалистом перед подачей. Финальная ответственность остаётся за человеком.
| Документ | Источник данных | Откуда берётся шаблон | Проверяет |
|---|---|---|---|
| Таможенная декларация | 1С (груз, контрагент), RAG (архив деклараций) | Архив + типовая форма | Специалист по таможне |
| Коммерческое предложение | Bitrix24 (контакты, условия), RAG (КП по отрасли) | Архив + внутренний стиль | Менеджер по продажам / юрист |
| Акт выполнения услуг | 1С (заказ, факт), Bitrix24 (дата завершения) | Типовая форма | Руководитель проекта |
| Счёт-фактура | 1С (реквизиты, сумма) | Типовая форма | Бухгалтерия |
Сотрудник взаимодействует с ассистентом через привычный интерфейс: пишет естественный запрос, получает черновик, проверяет и подаёт документ. Вот как это выглядит на практике:
- Сотрудник пишет в чат ассистента: Подготовь КП для клиента РОГА, срок действия 30 дней, условия как в КП для ГАЛА от декабря
- Ассистент находит в 1С контакты РОГА, в RAG примеры КП для ГАЛА, подставляет реквизиты, сроки, условия
- Ассистент отправляет черновик с пометками на сложные места: На условие доставки обрати внимание, Скидка заложена 5 процентов
- Сотрудник читает, правит, добавляет специфику текущего предложения, подписывает и отправляет клиенту
- Если черновик получился неточный (галлюцинировалась цена или условие), сотрудник берёт его как отправную точку, но проверяет вручную перед подачей
Функция требует хорошей подготовки базы знаний: если в архиве мало примеров деклараций по нужному ТН ВЭД или примеры зашумлены и неструктурированы, черновик будет слабый. Качество черновика напрямую зависит от качества RAG. Кроме того, на документах с юридическими и финансовыми последствиями (таможенные декларации, акты выполнения, счета) человек всегда проверяет внимательно перед подачей: ассистент помогает ускорить рутину, но не подменяет эксперта.
Системы позволили специалистам по таможне готовить черновики таможенных деклараций и коммерческих предложений за несколько секунд вместо ручного заполнения каждой декларации. Специалист проверяет поля, в которых часто бывают ошибки (ТН ВЭД, стоимость, наименование на английском), и подаёт декларацию. Галлюцинаций с критичными данными было мало благодаря RAG: ассистент учился на реальных примерах из компании, а не на интернет-текстах.
Автоматизация задач и постановка в трекер: Bitrix24 tasks.task.add и крон-сценарии
Помимо поиска документов и вывода данных, ассистент значительно расширяет свою полезность, автоматизируя постановку задач прямо в Bitrix24. Когда менеджер говорит ассистенту 'поставь проверку груза 12345 Марии на пятницу', система интерпретирует текстовый запрос, извлекает параметры задачи (исполнитель, срок, содержание) и вызывает Bitrix24 API tasks.task.add для регистрации задачи. Это замыкает цепочку от вопроса к действию, исключает ручной ввод и обеспечивает ответственность в реальном времени.
Технический поток прост. Ассистент получает команду через мессенджер или веб-интерфейс, парсит её с помощью LLM, выделяет контекст задачи (кто, что, когда, приоритет), форматирует payload по спецификации Bitrix24 REST и вызывает API от имени сервисного аккаунта. Задача появляется в папке исполнителя с полным описанием, связанными документами (коносамент, пакинг-лист, черновик таможенной декларации, если релевантно) и сроком. Если LLM обнаруживает неясность, он задаёт уточняющие вопросы в том же треде, не угадывая.
| Сценарий автоматизации | Триггер | Параметры задачи | Результат |
|---|---|---|---|
| Ежедневная проверка соответствия | Cron запускается в 08:00 по рабочим дням | Исполнитель: офицер compliance; приоритет: высокий; описание: автогенерируемый чек-лист текущих грузов | Офицер получает стандартизированную задачу со ссылками на данные; может проверить и отметить выполненной в интерфейсе |
| Напоминание об просрочке платежа | Счёт клиента просрочен более 7 дней | Исполнитель: финансовый менеджер; срок: завтра; текст включает номер счёта и сумму из 1С | Финансовая команда получает автоматическое напоминание без ручного написания тикетов; снижает нагрузку на follow-up |
| Готовность таможенной декларации | Склад подтвердил упакованность и измеренность товара | Исполнитель: таможенный брокер; приоритет: срочно; описание: ссылки на черновик декларации, коммерческий счёт, пакинг-лист | Брокер может проверить предзаполненные документы и подать декларацию, вместо пересбора исходных данных |
| Задача ad-hoc из чата | Менеджер: 'Запланируй проверку качества партии 567 с QA, срок четверг' | Исполнитель: lead QA; название: 'Проверка качества партия 567'; описание: контекст из сообщения менеджера | Задача размещена в Bitrix24 мгновенно; никаких цепочек писем и забытых стикеров |
Крон-сценарии поднимают систему на новый уровень, автоматизируя повторяющиеся процессы без запроса человека. Фреймворк может планировать периодические задачи, например генерировать ежедневный список неотправленных грузов или отмечать контракты, близкие к окончанию, и публиковать их в Bitrix24 по расписанию. Такие долгожившие сценарии снижают ручной тейдж и гарантируют, что ни одна повторяющаяся ответственность не будет пропущена.
- LLM интерпретирует просьбу менеджера, выделяет объём задачи, исполнителя и срок.
- Система валидирует параметры: проверяет исполнителя в справочнике Bitrix24, согласует дату с производственным календарём, исключает невозможные сроки.
- API-вызов форматирует payload: название задачи, описание, срок, исполнитель, приоритет, связанные объекты (номер груза, номер счёта, ссылки на документы).
- Bitrix24 создаёт задачу; исполнитель получает уведомление и видит детали и вложенный контекст.
- Ассистент подтверждает создание в чате: 'Задача поставлена [имя], срок [дата]. Прикреплены [документы]' для прозрачности и аудита.
Автоматизация задач не обходит человеческое суждение. LLM может неправильно интерпретировать намерение или назначить конфликтующие сроки. В одном из наших проектов в логистике ассистент иногда маршрутизировал задачи в неправильный отдел, потому что контекст ('срочно' может означать таможню или доставку в зависимости от типа груза) был неоднозначен. Решение: добавить этап подтверждения для высокорисковых задач (таможенные декларации, крупные претензии) перед постановкой, или залогировать задачу для async-проверки. Всегда предполагай, что LLM галлюцинирует детали задачи - требуй human-проверку перед отправкой.
Безопасность и аудит встроены в систему. Каждая задача, созданная ассистентом, отследима: система логирует, какая инструкция её вызвала, какие параметры отправлены, удалась ли API-вызов. Сам Bitrix24 хранит историю версий, логи изменений и комментарии к задачам, так что любые правки и уточнения записаны. Это критично для регулируемых отраслей типа логистики, где таможенные декларации и финансовые операции должны быть аудируемы.
Безопасность и 152-ФЗ: почему self-hosted и РФ-контур критичны для логистики
Логистическая компания обрабатывает персональные данные клиентов, реквизиты контрагентов, сведения о перевозках и таможенную документацию. По 152-ФЗ вся эта информация обязана обрабатываться с соблюдением строгих требований конфиденциальности и безопасности. Если ваш ИИ-ассистент использует облачную LLM типа OpenAI или Claude, вся информация отправляется на серверы за рубежом. Это автоматически нарушает требования закона и создаёт риск штрафов, инцидентов с безопасностью и потери доверия клиентов.
Облачные LLM-сервисы обучаются на пользовательских запросах, хранят логи обработки, и нет полной гарантии, что таможенные декларации, банковские реквизиты или контактные данные клиентов не попадут в обучающий набор или логи конкурентов. Даже если поставщик обещает конфиденциальность, данные физически находятся за пределами юрисдикции Российской Федерации.
Правильный подход это использовать self-hosted агентный фреймворк (open-source, установленный на собственном сервере компании) в сочетании с LLM, размещённой в Российской Федерации. Yandex AI Studio обеспечивает доступ к мощным языковым моделям с гарантией хостинга на РФ-контуре. Данные клиента остаются внутри компании, а все вычисления выполняются на собственных ресурсах.
Многие open-source агентные фреймворки (например, LangChain, AutoGen) по умолчанию настроены на отправку запросов в OpenAI, OpenRouter или другие облачные сервисы. Если не переконфигурировать явно endpoint на локальный или Yandex AI Studio, данные клиента будут утекать за рубеж автоматически. Проверьте конфиг перед запуском в production.
| Аспект | Облачная LLM (OpenAI, Claude) | Self-hosted + Yandex AI Studio |
|---|---|---|
| Хостинг данных | Серверы США/ЕС | Серверы РФ |
| Соответствие 152-ФЗ | Нарушение (данные за рубежом) | Соответствие (данные в РФ) |
| Риск утечки персданных | Высокий (облачное хранилище) | Минимальный (собственный сервер) |
| Контроль над логами | Нет | Полный |
| Скорость ответа | Интернет (50-200ms) | Локальная сеть (5-50ms) |
Архитектура безопасного ИИ-ассистента выглядит так. На сервере клиента работает open-source фреймворк (например, LangChain, AutoGen, CrewAI), который общается с LLM на Yandex AI Studio через зашифрованное HTTPS-соединение. RAG-индекс с документами клиента хранится локально, в базе компании, не в облаке. Когда сотрудник задаёт вопрос через интерфейс (Telegram-бот, веб-приложение или мессенджер), фреймворк извлекает релевантные фрагменты из локального индекса, отправляет запрос в Yandex AI Studio, получает ответ и возвращает результат, не сохраняя промежуточные логи на облачных сервисах.
- Выбрать open-source агентный фреймворк, поддерживающий произвольные LLM-endpoint
- Установить фреймворк на выделенный сервер компании (на-premises или в собственном дата-центре)
- Создать API-ключ для доступа к Yandex AI Studio и переконфигурировать фреймворк явно на этот endpoint
- Загрузить RAG-индекс с документами компании на локальный хостинг (не в облако)
- Провести аудит безопасности: проверить логи, конфиги, сетевые соединения на предмет утечек данных
- Интегрировать инструменты (API 1С, Bitrix24 API) через локальные MCP-прокси или function-calling
- Протестировать на реальных данных компании в тестовом окружении
Реализация такой архитектуры позволила логистической компании работать с большой библиотекой нормативных актов, образцов деклараций и шаблонов договоров. Сотрудники получили возможность быстро искать прецеденты в своей документации и получать черновики деклараций на основе шаблонов компании, не опасаясь, что конфиденциальная информация уходит за рубеж. Все запросы остаются внутри компании, лог-файлы хранятся локально, юр-проверка остается в руках специалиста.
LLM галлюцинирует. На юридических и финансовых документах человек обязательно проверяет и утверждает результат перед отправкой (human-in-the-loop). Качество ответов зависит от структуры и актуальности базы знаний компании. RAG требует подготовки корпуса документов: чистка, разметка, структурирование. Внедрение поэтапное: сначала простой поиск по документам, потом вывод по 1С, потом генерация черновиков. Есть сценарии, где ассистент просто избыточен.
Честные ограничения: галлюцинации LLM, human-in-the-loop, требования к подготовке RAG
LLM галлюцинирует. Это свойство работы нейросетей, а не дефект. Модель может сгенерировать убедительный, но полностью выдуманный ответ. Для логистики, где каждый документ имеет юридическое следствие, это опасно. Таможенная декларация с неправильным кодом ТНВЭД, контрагент с придуманным телефоном, сумма сбора из воздуха, всё это реальные риски. Поэтому человека нельзя убирать из цепочки решений, особенно на финансовых и юридических документах.
На практике галлюцинации проявляются в трёх сценариях. Первый: когда RAG выдаёт неполные или противоречивые данные, и модель пытается заполнить пробелы логичным вымыслом. Второе: синтез числовых значений (суммы налогов, коды товаров), когда лучше вернуть точный результат из источника, чем угадать. Третье: работа с неактуальными данными, если база документов не обновляется синхронно с процессами в компании.
- Выдача контактов контрагентов, которых нет в 1С
- Подстановка неправильных единиц измерения или валют
- Синтез сумм пошлин вместо выборки из фактических тарифов
- Придумывание причин задержки заказа, если история в базе неполна
Внутренний ассистент работает в режиме подсказки, а не судьи. Сотрудник спрашивает, видит ответ, проверяет против систем источников (1С, портала, внутренней вики), и уже после этого использует результат. Это не замедление. Это перенос экспертизы на человека, а рутины на ассистента. Сотрудник остаётся ответственным за факты, ассистент экономит время на поиск и первичную структурирование информации.
Human-in-the-loop критичен для юридических и финансовых документов: таможенные декларации, счета-фактуры, акты выполнения. Но даже при поиске по документам (RAG) рекомендуется проверка на первых этапах внедрения: ассистент может неправильно найти, неправильно интерпретировать результат или выбрать устаревший документ. Сотрудник видит релевантные фрагменты, которые вернул RAG-поиск, и может сразу заметить ошибку или несоответствие.
Во внедрении системы сотрудники таможни и закупок получили веб-интерфейс ассистента. Каждый запрос о контрагентах, грузах, статусе заказа выводил структурированный ответ на основе RAG и текущих данных из 1С. Но это был черновик. Сотрудник видел информацию, проверял её, кликал подтверждаю или обновить, и только потом результат попадал в официальный документ или в письмо клиенту. Прямой отправки ответа ассистента клиентам не было. Это снизило количество ошибок в деклараций и ускорило цикл проверки контрактов.
Ассистент умён ровно настолько, насколько хороша его база знаний. Если документы устаревшие, противоречивые или плохо размечены, ответы будут неточны. RAG это не магия. Это векторный поиск релевантных фрагментов, и качество выхода зависит от качества входа.
- Чистка корпуса: удаление устаревших версий, унификация терминологии
- Разметка метаданных: дата, автор, категория (таможня, контрагенты, процессы, доступ)
- Структурирование: разбиение инструкций на логические блоки с заголовками
- Настройка эмбеддинга: выбор модели векторизации, размер chunks, проверка качества поиска
- Регулярная актуализация: цикл обновления при изменении процессов или регламентов
Внедрение поэтапное. Начинают с RAG по базе документов (самый низкий риск), затем добавляют интеграцию с 1С и Bitrix24, потом автоматизацию задач. На каждом этапе клиент видит, где ассистент помогает реально, а где его ответы требуют проверки или вообще не нужны. Это реалистичный подход, а не маркетинговое обещание.
Кейс логистической компании: поиск документов, выполнение запросов, оформление деклараций
Логистическая компания столкнулась с растущей нагрузкой на офис. Сотрудники часто искали один и тот же информацию: условия доставки в конкретные страны, требования таможни, паттерны оформления накладных и деклараций. Документы хранились в десятках файлов, в письмах, в заметках. Одновременно постоянно возникали запросы по данным заказов, остатков, контрагентов из 1С и Bitrix24. Люди повторяли одни и те же поиски в документах и вызовы API вместо фокуса на стратегическое развитие.
Мы построили внутреннего ИИ-ассистента на основе открытого агентного фреймворка, развёрнутого на сервере клиента. Ядро: LLM Yandex AI Studio, потому что данные логистической компании (таможенные декларации, контрагенты, персональные данные) не должны уходить за рубеж по закону 152-ФЗ и требованиям критической информационной инфраструктуры. Ассистент подключается к трём источникам: RAG-база документов (внутренние шаблоны, справочники, правила), 1С (MCP-инструмент для запросов по остаткам, заказам, взаиморасчётам), Bitrix24 (для постановки задач и логирования операций).
| Сценарий | Что происходит | Интеграции |
|---|---|---|
| Какие документы нужны для доставки в Казахстан? | Ассистент ищет в RAG-базе шаблоны договоров, таможенные справки, требования и выводит список с ссылками на исходные файлы | RAG |
| Статус заказа #12345, остаток по SKU-789 | Запрос в 1С через MCP-инструмент, ассистент возвращает данные в удобном виде | 1С, MCP |
| Помоги оформить КП для ООО Рога и Копыта, контакт Иван | Ассистент извлекает из RAG шаблон КП, данные контрагента из Bitrix24, генерирует черновик (человек проверяет и отправляет) | RAG, Bitrix24 |
| Напомни мне завтра в 10:00 про звонок с таможней | Фиксирует задачу в Bitrix24, назначает на пользователя, крон-сценарий срабатывает в нужное время | Bitrix24, крон |
| Отправь в Telegram заказы, готовые к отправке | Каждое утро ассистент выбирает данные из 1С, отправляет сводку в Telegram | 1С, Telegram, крон |
Сотрудник спрашивает ассистента как в обычном чате: через Telegram (привычно, везде есть), через веб-интерфейс (в офисе) или через мессенджер компании. Ассистент отвечает в том же канале. Для документов, требующих юридической или финансовой проверки (таможенные декларации, акты, счёта), встроена проверка человека: ассистент генерирует черновик, сотрудник его редактирует и лично утверждает перед отправкой клиенту или в органы.
Логистика работает с персональными данными (ФИО контрагентов, контактные лица), коммерческой информацией (прайсы, условия доставки) и таможенными данными. Выбор Yandex AI Studio не случаен: LLM физически находится на серверах РФ, соответствует требованиям закона 152-ФЗ (защита персональных данных) и рекомендациям органов по критической информационной инфраструктуре. Фреймворк развёрнут на собственном сервере клиента, endpoint зафиксирован внутри РФ-контура. Многие опенсорсные фреймворки по умолчанию отправляют данные в OpenRouter или OpenAI, но мы явно перенастроили маршруты, чтобы исключить утечки персональных данных.
Результат: информация получается быстрее и из одного интерфейса вместо переключения между системами. Рутина снизилась. Модель требует подготовки базы знаний и регулярной настройки, но это встраивается в текущие процессы компании. LLM иногда галлюцинирует, особенно в цифрах и условиях договоров. Поэтому на юридических и финансовых документах финальную проверку и подпись ставит человек. Качество ответов зависит от структуры базы знаний: если документы неорганизованные или содержат противоречия, ассистент может выдать противоречивый ответ. Мы рекомендуем отводить время на подготовку корпуса: чистка дубликатов, разметка по категориям, регулярное обновление. Внедрение поэтапное: сначала пилот на поиске по документам, потом интеграция с 1С, потом автоматизация рутинных постановок задач.