Разработка ИИ-ассистента для производства и логистики: безопасно, интегрировано, в РФ-контуре

ИИ-ассистент для производства: разработка, интеграция с 1С и Bitrix24, соответствие 152-ФЗ

Когда в компании сотни документов, база контрагентов с историей сделок и сложная структура данных в 1С, каждый день теряется время на рутину. Сотрудник ищет в своих заметках, переписывается с коллегами, открывает остатки и взаиморасчёты вручную, переписывает одинаковые поля в таможенных декларациях. ИИ-ассистент этот цикл прерывает. Сотрудник вместо поиска спрашивает словами, и помощник за секунды достаёт информацию из 1С, находит нужный документ в архиве, готовит черновик таможенной декларации или коммерческого предложения. Но это не волшебство, это инструмент со своими границами.

Таможенные декларации, реквизиты контрагентов, персональные данные сотрудников и коммерческие тайны остаются на сервере компании. LLM работает через Yandex AI Studio, хостинг в РФ. Фреймворк self-hosted и не отправляет запросы в OpenAI, Anthropic или другие зарубежные сервисы. Это не просто удобство, это требование 152-ФЗ и внутренней политики большинства производственных компаний.

Статья разбирает, как такой ассистент устроен, какие задачи он реально решает, какие ограничения заложены в его архитектуру, и почему для некоторых компаний это может быть избыточным решением. Мы также покажем практический пример внедрения, чтобы вы поняли масштаб реальной интеграции и где начинаются договорённости с людьми.

Об авторе

Статью подготовила компания S2 Digital, специализирующаяся на интеграции ИИ-систем в production-окружение российского контура с опытом реализации 5+ проектов в логистике, производстве и оптовой торговле. Команда имеет практический опыт с self-hosted агентными фреймворками, RAG-архитектурой, интеграциями 1С и Bitrix24, а также соответствием требованиям 152-ФЗ при работе с персональными данными и коммерческой тайной.

Что такое ИИ-ассистент и когда он нужен в производстве

Определение и область применения

Внутренний ИИ-ассистент, это программный агент, развёрнутый на серверах компании, который интегрируется с 1С и Bitrix24, ищет информацию в документах и выдаёт ответы на естественном языке. Живёт на ваших собственных серверах, разговаривает на русском и понимает вашу специфику. Отвечает на вопросы по вашей библиотеке документов, помогает оформлять типовые документы и ставит задачи в трекер.

Пять главных сценариев

• Поиск информации в большой библиотеке документов (инструкции, регламенты, договоры, акты, архивные письма). Вместо трясения Яндекс Диска и Bitrix24 сотрудник спрашивает словами.
• Срочный запрос данных по контрагенту, заказу, грузу, остаткам, взаиморасчётам из 1С. Ассистент быстро собирает информацию через API и выдаёт на русском.
• Подготовка черновика таможенной декларации, коммерческого предложения или акта на основе имеющейся базы документов и данных. Черновик, не финальная подача.
• Автоматизация рутины: ассистент ставит задачу в Bitrix24, напоминает о просроченных документах, запускает проверки по расписанию.
• Каналы Telegram и веб-интерфейс вместо ещё одного корпоративного портала. Люди работают в привычных местах.

Выглядит как ChatGPT в интранете, но это совсем не то. Облачные LLM отправляют данные за границу (нарушение 152-ФЗ). Нужна особая архитектура, которая держит LLM на РФ-сервере, интегрирует ассистента с 1С и Bitrix24 и обеспечивает надёжную работу с конфиденциальными данными.

Как работает поиск по базе документов (RAG и векторные базы)

Поиск по большой библиотеке документов обычно выглядит просто: ключевые слова, полнотекстовый поиск, список результатов. Но когда документов тысячи, когда ищут не по точному совпадению, а по смыслу, обычный полнотекстовый поиск падает. Здесь нужен семантический поиск, и его решение называется RAG, Retrieval-Augmented Generation.

RAG это подход, когда LLM не отвечает из памяти, а сначала ищет релевантные документы из вашей базы, вытягивает из них контекст и уже потом генерирует ответ на основе найденного. Это решает две проблемы сразу: ассистент отвечает на основе вашей реальной документации, а не выдумывает, и вы контролируете, какие данные в какую модель попадают. Они не уходят в облако OpenAI или Anthropic.

Как работает векторный поиск

Векторные базы данных это основа RAG. Идея простая: каждый документ, или его часть (абзац, раздел), преобразуется в вектор, набор чисел, которые кодируют смысл текста. Похожие по смыслу документы получат похожие векторы.

1. Документ поступает в embedding-модель, нейросеть, которая работает локально или на Yandex AI Studio. Модель преобразует текст в вектор размерностью 384-1024 чисел в зависимости от модели.
2. Вектор хранится в специализированной БД (Weaviate, Milvus, Qdrant и другие). Эта БД оптимизирована для быстрого поиска похожих векторов.
3. Когда пользователь задаёт вопрос, вопрос тоже преобразуется в вектор той же моделью.
4. База находит N ближайших векторов к вектору вопроса, используя косинусное расстояние или аналог.
5. Найденные документы передаются в контексте в LLM вместе с вопросом пользователя.
6. LLM отвечает, опираясь на переданный контекст.

Этот процесс быстрый (миллисекунды) и даёт результаты даже когда точные ключевые слова не совпадают. Например, вопрос какие льготы для ООО на УСН найдёт документы про упрощённую систему налогообложения для общества с ограниченной ответственностью, хотя аббревиатуры разные.

Применение в нашем решении

В нашей архитектуре RAG работает так: вы загружаете в систему свою базу документов, инструкции, шаблоны, типовые ответы, внутренние порядки. Фреймворк, self-hosted на сервере вашей компании, автоматически разбивает документы на куски и создаёт их векторы. Когда сотрудник спрашивает ассистента, система ищет релевантные части из вашей БД, подставляет их в запрос к LLM, и LLM отвечает на основе вашей документации.

Это значит: ассистент говорит только то, что в ваших документах. Персональные данные, таможенные декларации, информация по контрагентам и грузам не уходят в облако и обрабатываются на вашем сервере.

Практический пример: логистика

В одном из наших проектов в логистике RAG использовалась для поиска по большой библиотеке документов: инструкции по оформлению таможенных деклараций, типовые документы, регламенты, шаблоны коммерческих предложений. Сотрудник пишет: как заполнить декларацию для товаров электроники из Китая? Система находит релевантные разделы документации, передаёт их LLM, и тот помогает составить черновик. Всё это без выхода данных в интернет.

Интеграция с 1С: вывод данных по контрагентам и грузам на естественном языке

Как ИИ-ассистент обращается к данным 1С

Классические интеграции с 1С часто требуют сложного ETL конвейера: экспорт данных, трансформация, загрузка в хранилище. Наш подход проще. Ассистент при вопросе не ищет готовый отчёт: он использует набор инструментов (MCP функции), которые обращаются напрямую к REST-API или web-сервисам 1С. Вопрос сотрудника поступает на языковую модель, модель разбирает, какие данные нужны (например, «остатки товара» или «история контрагента»), формирует запрос к 1С, получает ответ и преобразует его в понятный текст. Это похоже на то, как человек листает справочники в 1С, но вместо кликов применяется естественный язык.

Примеры запросов и типовые ответы

Безопасность и соответствие 152-ФЗ

Данные контрагентов, грузов, счётов-фактур содержат коммерческую тайну и персональные данные. Отправлять их в облачный ChatGPT или зарубежное облако нельзя. Поэтому мы используем LLM, развёрнутую в РФ-контуре: Yandex AI Studio. Фреймворк работает на собственном сервере клиента, endpoint зафиксирован, данные не выходят за границы инфраструктуры. Если вы развертываете фреймворк (например, AstrBot, Hermes), проверьте его конфиг. По умолчанию он может ходить в OpenRouter или OpenAI. Это утечка данных. Явно переключите на Yandex AI Studio и проверьте логи, чтобы запросы не уходили в облако.

Помощь в подготовке типовых документов: черновики таможенных деклараций и КП

Компаниям в логистике, торговле, производстве постоянно нужны типовые документы: коммерческие предложения, таможенные декларации, акты выполненных работ. Каждый раз заново собирать реквизиты, искать нужные поля, вспоминать, какую валюту в этот раз указывали - это рутина, которая отнимает часы. ИИ-ассистент может автоматизировать подготовку черновика, опираясь на базу успешно заполненных документов компании и данные, которые уже есть в 1С или системе управления.

Возьмём коммерческое предложение. Сотрудник пишет в чат ассистента: 'Подготовь КП для компании Acme Inc, товар сталь, вес 10 тонн, цена за единицу 500 рублей, условия доставки DAP Москва'. Ассистент подтягивает из 1С данные контрагента: реквизиты, банк, лицо для подписи. Из накопленной базы документов извлекает исторические цены на подобные товары и типовые условия доставки. На этой основе выдаёт полностью заполненный черновик: номер, дату, сроки действия КП, условия оплаты, все реквизиты. Сотрудник открывает черновик, смотрит - если всё верно, подписывает и отправляет.

С таможенными декларациями процесс строже, потому что ошибка может стоить штрафа. Поэтому ассистент готовит ЧЕРНОВИК, не финальный документ. На базе кода ТН ВЭД, веса, стоимости, данных контрагентов из 1С и примеров успешных деклараций из архива компании ассистент генерирует большую часть формы: коды товаров, описания, таможенные сборы, реквизиты. Специалист по таможне проверяет черновик, вносит правки под специфику конкретной отправки, и только затем подаёт в ГТД. Это значительно экономит время на рутину, но сохраняет контроль и ответственность человека.

• Коммерческие предложения (с расчётом цены, условиями доставки, скидками)
• Таможенные декларации (коды ТН ВЭД, стоимость, реквизиты контрагентов)
• Акты выполненных работ (описание услуг, сроки, суммы)
• Счета-фактуры (если нет прямой интеграции с учётной системой)
• Договоры (на базе типовых шаблонов компании)

Ключевой момент: качество черновика прямо зависит от качества вашей базы знаний. Если за год-два накопилась большая библиотека правильно заполненных деклараций, КП и актов, ассистент научится на них и будет выдавать крепкие черновики. Если база маленькая или неструктурированная, первое время потребуется больше редактирования. Это совершенно нормально и входит в процесс внедрения. Разворачивание идёт поэтапно: сначала собираем и подготавливаем исторические документы, потом обучаем ассистента через RAG-векторизацию, потом постепенно расширяем применение и список типовых документов.

В одном из наших проектов в логистике ассистент помогает специалистам по документообороту подготавливать черновики таможенных деклараций и коммерческих предложений. Вместо ручного сбора данных из 1С, поиска похожей декларации в архиве на сетевом диске и переписывания всех полей сотрудник просто даёт ассистенту одну фразу на естественном языке - и получает готовый к редактированию черновик за секунды. Это позволило команде сосредоточиться на содержательных задачах: проверке корректности, переговорах с таможней, работе с нестандартными случаями и подготовкой претензий к таможне при необходимости.

Интеграция с Bitrix24: автоматизация задач и постановка работ

Как интегрируется ассистент с Bitrix24

Когда сотрудник спрашивает ассистента про статус груза или просит подготовить КП, ассистент достает данные из 1С через RAG-слой, анализирует их и, если выявляет проблему или нужное действие, сам ставит задачу конкретному человеку через Bitrix24 API. Задача приходит с полным контекстом: описание проблемы, приложенные данные из 1С, ссылки на документы. Исполнитель видит её в своем трекере с уведомлением и может сразу начать работу, не переходя в другие системы.

Какие процессы автоматизируются

1. Еженедельный мониторинг платежей. Ассистент проверяет всех контрагентов, выявляет просроченную задолженность и ставит задачу бухгалтеру с точными суммами и сроками.
2. Контроль остатков товара. Если количество упало ниже критического уровня, ассистент создает задачу закупщику с кодом товара, текущим остатком и рекомендуемым объемом заказа.
3. Таможенные декларации. Ассистент генерирует черновик на основе накопленной базы данных, потом ставит задачу специалисту-таможеннику на проверку и финализацию перед подачей.
4. Уведомление о задержках грузов. Если выявляется запаздывание доставки, ассистент сразу создает задачу логистической команде с указанием причин задержки и рекомендациями по ускорению.
5. Подготовка типовых документов. Когда менеджер просит собрать КП или черновик контракта, ассистент подтягивает данные из 1С, потом ставит задачу ответственному лицу на согласование и подписание.

Безопасность данных и аудит

Ассистент работает с Bitrix24 через явные разрешения и role-based access. Каждый сотрудник может ставить задачи только конкретным людям из своего отдела или авторизованных групп. Вся информация о контрагентах, грузах и задачах остается в РФ-контуре: LLM работает на Yandex AI Studio, агентный фреймворк развернут на сервере клиента, API-вызовы идут только в 1С и Bitrix24 на его инфраструктуре. Каждое действие логируется для аудита: кто запросил, какую задачу создал, когда и с какими параметрами.

В одном из наших проектов в логистике ассистент интегрировался с Bitrix24 для автоматизации постановки задач. Когда менеджер спрашивал про статус груза и выявлялась задержка доставки, ассистент не просто выводил информацию, а сразу создавал задачу логистической команде на ускорение отправки с полным контекстом груза. Это сократило время между обнаружением проблемы и началом её решения и значительно повысило видимость работ в команде.

Безопасность и соответствие 152-ФЗ: почему LLM должен быть в РФ-контуре

Таможенные декларации, данные о контрагентах, номера договоров, реквизиты счетов, персональные данные сотрудников и клиентов: всё это чувствительная информация по закону № 152-ФЗ о защите персональных данных. Отправить такой контент в OpenAI, Anthropic или любой другой сервис вне РФ означает передать его иностранному оператору и нарушить требование обработки персональных данных граждан РФ только внутри Российской Федерации. Это требование особенно строго для государственных контрактов, защищённых данных и таможенных документов. Если вы работаете с бюджетными организациями или финучреждениями, требования становятся жёстче.

LLM для внутреннего ассистента должен крутиться на территории РФ. Yandex AI Studio предоставляет доступ к языковым моделям через API с хостингом в Российской Федерации. Данные обрабатываются в РФ, логи хранятся в РФ, соответствие закону обеспечено. Фреймворк ассистента должен быть self-hosted, установлен на сервере клиента, в его инфраструктуре. Весь контур остаётся замкнутым в РФ.

Вот что проверить при выборе LLM и настройке интеграции:

На практике многие фреймворки управления агентами (LangChain, OpenRouter integration, встроенные примеры) по умолчанию направляют запросы в OpenAI. Если вы используете готовый пример, ваши таможенные декларации могут попасть на серверы в Калифорнии. Нужно явно переконфигурировать эндпойнт API, указать Yandex AI Studio и убедиться, что нет сторонних интеграций, перенаправляющих трафик. Даже с Yandex AI Studio всегда проверяйте, куда реально идут запросы.

Языковые модели делают ошибки. Галлюцинируют, выдумывают реквизиты, описывают контрагентов неправильно. На юридических и финансовых документах всегда должен работать человек. Ассистент готовит черновик таможенной декларации, сотрудник её проверяет, исправляет и подаёт. Это ускорение, не автоматизация. Аналогично для КП: ИИ собирает черновик из примеров и данных 1С, коммерческий директор финализирует и отправляет.

Честные ограничения: галлюцинации, качество данных, когда ассистент избыточен

Почему LLM галлюцинирует и что с этим делать

Языковые модели не знают факты так, как люди. Они предсказывают следующий токен на основе паттернов из обучающих данных, и иногда генерируют текст, который звучит правдоподобно, но фактически неверен. Это галлюцинация. Она происходит потому, что модели нет встроенного факт-чекера и способа различить я видел это в обучении от это правда. Чем специфичнее или экзотичнее ваш вопрос, тем выше риск. Запрос о рыночных ценах или условиях контракта может привести к уверенно высказанной ерунде.

RAG снижает риск галлюцинаций, привязывая ответы к реальным документам. Если ответ есть в вашей базе знаний, модель может его процитировать или перефразировать. Но RAG работает только если поиск по документам действительно находит нужный источник. Если ваш корпус захламлен, разбросан или не хватает ключевых секций, RAG вытягивает мусор, а модель строит галлюцинации поверх него. Для документов с высокой ставкой (таможенные декларации, контракты) человеческая проверка обязательна. Ассистент готовит черновик, человек проверяет, человек одобряет и подаёт.

Качество базы знаний определяет потолок возможностей

Ассистент может ответить хорошо только если ваши документы чистые, актуальные и хорошо организованы. Свалка PDF-ок, устаревшие инструкции или конфликтующие версии в разных папках дадут непоследовательные и неверные ответы. Создание боевой базы знаний требует времени: нужно аудировать существующие документы, удалить дубли, разметить метаданные (дата, автор, категория), разбить большие файлы на чанки по 512-1024 токена, настроить обновление при изменении процессов. RAG это поисковик по вашим документам, а не магия. Мусор на входе, мусор на выходе.

Инвестируйте в качество корпуса заранее. Это окупается многократно.

Когда ассистент избыточен

• Простая логика по правилам: если ваш workflow это если тип клиента равен оптом то применить скидку X, то движок с правилами дешевле и предсказуемей чем ИИ-ассистент.
• Редкие исключения в запросах: если сотрудники спрашивают сложные вещи раз в месяц, они могут использовать обычный поиск или позвонить эксперту. Чатбот не нужен.
• Маленькая стабильная база: если у вас 10 ключевых документов которые никогда не меняются, положите их в вики. Ассистент добавит сложности без пользы.
• Частые структурированные запросы: если 80% вопросов это select from customers where region equals X, напишите прямой запрос к БД или API. Пусть ассистент разбирается с оставшимися 20% edge case-ов.
• Ненадёжные источники данных: если в вашей 1С или Bitrix плохое качество данных и никто не верит числам, ассистент только усугубит недоверие своей уверенной речью о плохих данных.

ИИ-ассистент не решение для плохих данных или плохих процессов. Это усилитель для чистых, ухоженных систем. Развёртывание ассистента поверх хаоса выдаст только уверенную ерунду в масштабе. Стройте фундамент сначала.

Внедрение поэтапно, измеряйте реальное использование

Успешные развёртывания начинают узко и расширяют. Начните с одной команды или сценария использования с острой, хорошо определённой потребностью и чистыми данными. Пусть они используют ассистент месяц. Собирайте обратную связь. Фиксьте ошибки поиска. Переобучайте на вопросы пользователей. Расширяйте как только докажете что люди им пользуются и что это сбережёт им время. Избегайте big-bang развёртываний когда вы запускаете для всей компании и надеетесь что разберутся. Разберутся не.

Архитектура решения: self-hosted фреймворк + Yandex AI Studio + документы клиента

Основа решения состоит из четырёх слоёв: open-source агентный фреймворк, развёрнутый в РФ-контуре; LLM на Yandex AI Studio; RAG-движок для поиска по документам клиента; инструменты интеграции с 1С и Bitrix24. Ассистент живет как сервис на сервере компании, взаимодействует с сотрудниками через мессенджер или веб-интерфейс и никогда не отправляет чувствительные данные третьим лицам.

Слои архитектуры

• Агентный фреймворк (LangChain, LlamaIndex, ReAct-фреймворк или аналог) запущен самостоятельно, сотрудник взаимодействует через Telegram, WebUI или корпоративный мессенджер.
• LLM Yandex AI Studio обрабатывает промпты и генерирует ответы, весь трафик остаётся внутри РФ.
• RAG-индекс хранит внутренние документы клиента (договоры, регламенты, инструкции, примеры таможенных деклараций, ценовые предложения); поиск осуществляется на основе эмбеддингов.
• Мосты к 1С и Bitrix24 (MCP, REST API, webhooks) дают ассистенту доступ к данным о контрагентах, грузах, заказах, остатках, задачам и позволяют создавать чернопвики документов и ставить задачи.

Как данные циркулируют в системе

Типовой сценарий

Сотрудник пишет в чат: "Какие условия оплаты договора с контрагентом XYZ?" Ассистент получает вопрос, ищет в RAG-индексе договоры с XYZ, параллельно запрашивает 1С API на предмет реквизитов контрагента, отправляет контекст в Yandex LLM, получает ответ (например: "Оплата в течение 30 дней, НДС 18%, предоплата 30%") и выдаёт его сотруднику. При этом имя контрагента, детали договора, внутренние данные не покидают сервер компании.

Честные ограничения

LLM иногда галлюцинирует или комбинирует факты неправильно. На документах, требующих юридической или финансовой корректности (подготовка декларации, расчёт НДС, оформление КП на крупную сумму), ассистент предоставляет чёрнивик, а человек проверяет и подаёт. Качество ответов напрямую зависит от качества вашей базы знаний: если документы неструктурированные или устарелые, поиск выдаст шум. Внедрение требует подготовки корпуса (чистка, разметка, загрузка в индекс), синхронизации с 1С и Bitrix24, обучения команды, поэтапного расширения сценариев. Для простых задач (справка по должностной инструкции) ассистент эффективен; для высокоспециализированных решений (расчёт сложной логистической схемы) может быть избыточен.

Пример из практики

В одном из наших проектов в логистике внутренний ассистент помогает сотрудникам через большую библиотеку отчётов и регламентов, поиск документов, выводит информацию о контрагентах и характеристиках грузов естественным языком, генерирует чёрнивики таможенных деклараций на основе шаблонов и накопленных данных, автоматически ставит задачи в трекер. Ассистент снизил время на рутинный поиск информации и подготовку первого варианта документов; вместе с тем экономия времени сотрудника направляется на проверку и экспертизу, а не замену человека.

Кейс из практики: логистика и документооборот

Исходная ситуация и первые шаги

Наш клиент в сфере логистики столкнулся с типичной проблемой: компания накопила большую библиотеку внутренних документов, инструкций и справочников, но быстро найти нужную информацию было почти невозможно. Архив содержал сотни документов: инструкции по оформлению таможенных деклараций, типовые коммерческие предложения, регламенты обработки грузов, письма с комментариями от таможни, примеры заполненных деклараций за несколько лет. Сотрудники уходили на поиски вручную, листали папки в облаке, звонили коллегам за справкой. Одновременно много времени уходило на рутину, которую теоретически можно было автоматизировать: подготовка черновиков таможенных деклараций, выбивание данных о контрагентах и грузах из 1С простыми запросами, ручная постановка задач в трекер Bitrix24.

Первый пилотный сценарий был выбран сознательно: поиск по документам. Это узкая, хорошо определённая задача, не требующая сложной интеграции, но решающая острую потребность. Мы начали с подготовки корпуса.

Подготовка корпуса знаний: 2-4 недели работы

Это была самая трудозатратная часть проекта. В архиве компании было порядка 2-3 тысяч документов различных форматов: PDF-сканы писем и приказов, Word-документы с инструкциями, таблицы Excel с ценовыми данными, примеры заполненных деклараций. Мы провели аудит:

• Выявили дубли и устаревшие версии. В архиве лежало несколько версий одних и тех же инструкций, датированных разными годами. Оставили только актуальные.
• Удалили нечитаемые сканы. Некоторые PDF были настолько плохого качества, что OCR не мог их обработать. Рекомендовали переотсканировать или заменить на цифровые копии.
• Разметили метаданные. Добавили теги (категория документа, дата актуализации, автор, область применения) для улучшения поиска.
• Структурировали большие файлы. Разбили объёмные инструкции (20-50 страниц) на логические части по разделам.
• Загрузили в RAG-индекс. Выбрали размер чанка 512-768 токенов, что позволяет сохранить полезный контекст но не перегружать модель.

После этого база знаний была готова к использованию. Время на подготовку: 2.5 недели с участием 1-2 сотрудников компании, хорошо знакомых с процессами.

Интеграция с 1С и функции поиска: 1-2 недели

После того как RAG начал работать, мы добавили интеграцию с 1С через REST-API. Фреймворк получил набор функций для запроса данных:

• Реквизиты и история контрагента по названию или коду.
• Остатки товара по коду, на любом складе или всем вместе.
• История заказов для конкретного контрагента за период.
• Взаиморасчёты, задолженность, переплаты.
• Информацию по грузу: вес, объём, статус отправки, дату доставки.

Сложностей было две. Первая: API 1С требовал явной аутентификации, и нужно было безопасно хранить учётные данные. Вторая: модель иногда неправильно интерпретировала запросы пользователя, например просила остатки по названию товара вместо кода. Потребовалось отключение и переписание нескольких промптов для более точного разбора намерений.

Проблемы при внедрении и как их решили

Галлюцинации LLM. На ранних этапах модель иногда выдумывала данные, которых нет в документах и не запрашивала из 1С. Например, на вопрос о скидке для контрагента она могла ответить, что скидка 15%, хотя это не было нигде написано. Решение: мы добавили явное требование в промпт цитировать источник и указывать, из какого документа или API был получен ответ. Если источника нет, модель должна сказать не знаю.

Качество чанков. При размере чанка 2048+ токенов векторный поиск возвращал слишком широкие отрывки, и модель теряла контекст. При размере 256 токенов нарушался контекст больших таблиц. Оптимум оказался 512-1024 токена в зависимости от типа документа.

Обновление базы знаний. Когда клиент менял регламенты или добавлял новые документы, нужно было перестроить индекс. Это не было автоматическим. Мы настроили полу-автоматический процесс: раз в неделю система проверяет сетевую папку на новые файлы, их добавляет в индекс.

Непонимание ограничений. Сотрудники первое время думали, что ассистент может писать финальные варианты документов и подавать их напрямую. Потребовалось обучение и документирование того, что ассистент готовит черновики, которые человек проверяет и редактирует.

Результаты и адаптация команды

После пилота (4-6 недель использования одной группой из 5 человек) результаты были очевидны. Сотрудники сообщили, что экономят время на поиск информации и подготовку документов. Вместо открытия интерфейса 1С и кликания по справочникам, они спрашивали ассистента в Telegram. Для подготовки черновика таможенной декларации вместо ручного сбора данных из разных мест, ассистент собирал компиляцию быстро, а человек проверял и вносил уточнения.

Адаптация команды прошла быстро, потому что интерфейс был знаком (Telegram), а улучшения были осязаемыми. На первую неделю большинство целевой группы использовали ассистент ежедневно. На третью неделю начали просить расширить функционал на другие сценарии.

Расширение: автоматизация задач в Bitrix24

После успеха с поиском и выбиранием данных мы интегрировали Bitrix24. Ассистент получил способность ставить задачи конкретному сотруднику на основе выявленных проблем. Например: если выявляется просроченная задолженность контрагента свыше 30 дней, ассистент ставит задачу бухгалтеру со ссылкой на контрагента и суммой. Если статус груза превышает прогноз по доставке более чем на 2 дня, ассистент ставит задачу логисту на ускорение.

Это потребовало настройки разрешений и ролевых правил: ассистент не может ставить критические задачи (платёж, подпись контракта), но может создавать информационные и рутинные задачи. Логирование всех действий ассистента позволяет отследить, какие задачи были созданы и кем инициированы.

Масштабирование и выкатка

Через месяц пилотной группе добавилась вторая команда (логисты). Потом третья (менеджеры по закупкам). Никаких дополнительных проблем не было, потому что база была подготовлена, интеграции отлажены, и обучение было коротким (30 минут на группу).

На текущий момент ассистент активно используется в компании для трёх основных сценариев: поиск по документам, выборка данных из 1С и подготовка черновиков деклараций. Команда активно использовала ассистент уже на первую неделю. После успеха с поиском начали просить расширить функционал. Постепенно ассистент внедрили для других команд.

Честные выводы и ограничения

LLM по-прежнему ошибается. Случаи галлюцинаций редкие, но они бывают. Все юридически значимые документы (таможенные декларации, контракты, претензии) проходят человеческую проверку перед отправкой. Это норма.

Качество ответов зависит от качества исходных данных. Если контрагент внесён в справочник 1С неправильно (опечатка в названии, пропущены реквизиты), ассистент отдаст такие же неправильные данные. Это не проблема ассистента, а проблема источника.

Ассистент не заменяет специалистов, он их усиливает. Логист больше не тратит время на поиск информации о грузах и контрагентах, а сосредоточивается на принятии решений. Бухгалтер не ищет данные по расчётам, а проверяет выводы ассистента и готовит претензии.

Внедрение требует тщательной подготовки. Нельзя просто развернуть фреймворк и ждать чуда. Нужно инвестировать время в подготовку корпуса, интеграции, обучение и, главное, постоянно слушать обратную связь от пользователей и улучшать систему.