Что такое внутренний ИИ-ассистент: архитектура на примере оптовой торговли
Внутренний ИИ-ассистент это не готовый чат-бот из облака, а архитектура, которая объединяет самостоятельно развернутый агентный фреймворк, модель на российском хостинге, поиск по собственной базе знаний и интеграции с 1С, Bitrix24 и другими системами компании. Сотрудник отдела продаж, логистики или закупок задает вопрос на естественном языке через мессенджер, веб-интерфейс или чат и получает ответ, опирающийся на реальные данные из учетных систем и архива внутренних документов.
| Компонент | Роль | Где работает |
|---|---|---|
| Агентный фреймворк | Оркестрирует взаимодействие: разбирает запрос, вызывает интеграции, структурирует результат | На сервере клиента (self-hosted) |
| Языковая модель | Понимает запросы на русском и английском, готовит ответы и черновики документов | Yandex AI Studio (РФ-контур) |
| RAG и поиск | Находит релевантные фрагменты из документов компании, передает их модели для контекста | На сервере клиента |
| Интеграции | API к 1С (товары, контрагенты, остатки), Bitrix24 (задачи, сделки, комментарии) | На сервере клиента |
Процесс происходит так: сотрудник пишет в чат сообщение вроде "Покажи остаток товара X у контрагента Y" или "Помоги подготовить коммерческое предложение на базе последнего шаблона". Фреймворк берет текст, передает его модели, та определяет намерение запроса и какие интеграции нужны, ассистент вызывает API 1С или RAG, собирает данные и предоставляет ответ. Если это черновик документа, ассистент готовит предварительный вариант, который сотрудник проверяет и отправляет дальше. Если это команда создать задачу, ассистент автоматически вносит ее в Bitrix24.
Таможенные декларации, реквизиты контрагентов, личные данные сотрудников и данные о грузах содержат конфиденциальную информацию, которая по закону 152-ФЗ не должна передаваться в облака OpenAI или Anthropic за границей. В этой архитектуре все компоненты остаются в России: модель работает через Yandex AI Studio (российский хостинг), фреймворк и база документов находятся на сервере клиента, интеграции с 1С тоже закрыты. Endpoint зафиксирован на РФ-контур, и никакие чувствительные данные не уходят за границу.
Важная деталь: многие готовые агент-фреймворки по умолчанию настроены на OpenRouter или облачные API OpenAI. Если просто взять готовый фреймворк и не переписать конфигурацию, данные утекут за рубеж. Поэтому при настройке мы явно переводим все компоненты на локальные и российские эндпоинты, и это проверяется на начальном аудите безопасности.
Качество ответов напрямую зависит от качества базы знаний компании: если документы плохо структурированы или устарели, RAG вернет шум. Внедрение это не одноразовый проект, а постепенный процесс: подготовка корпуса документов, настройка, пилот на одном отделе, расширение. Бывают сценарии, где внутренний ассистент просто избыточен, например если команда маленькая и все решает в личных переговорах.
RAG и поиск по внутренней базе документов: как это работает
RAG это retrieval-augmented generation. Суть простая: перед тем как ответить, система сначала ищет релевантные документы из базы клиента, потом передает их в LLM, который генерирует ответ на основе реальных внутренних данных, а не из обучающих датасетов. В оптовой торговле это означает, что сотрудник может спросить на естественном языке про условия поставки, таможенные процедуры, типовые договоры и получить ответ из реальных документов компании, а не из интернета.
- Индексирование. Документы разбиваются на чанки (обычно 1-5 абзацев), конвертируются в векторные представления и сохраняются в векторной базе. Это делается один раз при подготовке корпуса, потом при добавлении новых документов.
- Запрос. Когда пользователь задает вопрос, агент конвертирует его в вектор, ищет семантически похожие чанки из базы (обычно top-3 или top-5) и передает их вместе с вопросом в LLM.
- Генерация. LLM генерирует ответ на основе найденных документов. Если документа нет в базе, LLM не может его выдумать. Если документ устарел, это сразу будет видно.
- Единый источник истины. Сотрудники получают информацию из СВОИХ документов, не из интернета или обобщённых тренировочных данных.
- Актуальность. Если условия поставки изменились, достаточно обновить один документ, и все будущие ответы будут актуальны.
- Без утечек. Документы остаются на сервере компании и не уходят в OpenAI или другие облачные сервисы.
- Какие документы нужны для таможенного оформления в Германию? Система находит все релевантные чек-листы и процедуры.
- Покажи наш типовой договор с дилерами. Система вытягивает шаблон.
- Какая процедура обработки претензии по качеству товара? Система локализирует регламенты и цепочку эскалации.
RAG имеет ограничения. Если документация плохо организована, содержит противоречия или смешивает устаревшие версии, ответы будут вводящими в заблуждение. Поэтому внедрение RAG всегда начинается с подготовки: аудит корпуса, удаление дубликатов, версионирование, добавление метаданных (дата, ответственный отдел, статус актуальности). Качество ответов напрямую зависит от качества и организации вашей базы.
| Параметр | Простой LLM (ChatGPT) | Поиск по ключевым словам | RAG |
|---|---|---|---|
| Точность | Может галлюцинировать | Точен, но медленно и требует правильных слов | Основан на реальных документах |
| Актуальность | Старые тренировочные данные | Всегда актуально | Всегда актуально |
| Безопасность данных | Внешний сервис (OpenAI) | Внутренний сервер | Внутренний сервер |
| Удобство | Естественный язык | Нужны конкретные термины | Естественный язык |
| Синтез ответов | Да, но ненадежно | Нет | Да, над реальными данными |
Структурирование и подготовка базы знаний требуют времени, но это фундамент хорошей системы. Если запустить RAG поспешно на грязной базе, результаты будут плохими. Это основание для хорошей системы, а не мгновенное решение.
Self-hosted агентный фреймворк (open-source, без привязки к ChatGPT) плюс векторная база (Qdrant или Milvus) плюс LLM от Yandex AI Studio. Фреймворк и векторная БД работают на сервере клиента. Данные не пересекают границу. Для соответствия 152-ФЗ это критично. Многие агент-фреймворки по умолчанию ходят через OpenRouter или OpenAI, что создает риск утечки. Нужно явно указать им работать только с внутренними сервисами.
Интеграция с 1С: получение данных о контрагентах, товарах, заказах, остатках
Вместо того чтобы учиться работать с интерфейсом 1С или звонить в бухгалтерию, сотрудник может просто спросить ассистента в чате: какой остаток у товара A2043 на складе Москва? Какие заказы просрочены у контрагента компании XYZ? Система подключается к REST-API 1С через function-calling, выбирает данные из справочников и выдаёт ответ на естественном языке.
Процесс выглядит так. Пользователь пишет запрос, LLM разбирает его содержание и определяет, какие данные нужны (например функции GetProductBalance или ListOrdersByCounterparty), передаёт нужные параметры, получает результат из 1С и переводит его в понятный ответ. Все предыдущие запросы остаются в контексте ассистента, поэтому он может уточнить детали или развить тему без повторного обращения к базе.
Интеграция охватывает основные справочники 1С. Это контрагенты с ИНН, банковскими реквизитами и рейтингом платежеспособности. Товары с артикулами, остатками по складам, ценами закупки и продажи. Заказы и счета со статусами, датами, суммами и позициями. Взаиморасчёты, авансы и сроки платежей. Если 1С связана с CRM, доступна история коммуникаций по каждому клиенту.
Справочники включают:
- Контрагентов: ИНН, статус, рейтинг платежеспособности, назначенные менеджеры
- Остатки товаров: по каждому складу, в единицах и переоценённой стоимости
- Заказы и счета: история, статусы, позиции, ответственные лица
- Взаиморасчёты: долги, авансы, сроки оплаты
- Истории коммуникаций: если 1С связана с CRM
LLM может неправильно истолковать сложный запрос или придумать параметр функции, это называется hallucination. Для критичных операций (согласование платежей, подтверждение отгрузок, оформление таможенных деклараций) нужна проверка человеком. Если в 1С грязные данные (дубли контрагентов, опечатки в артикулах, устаревшие остатки), результаты будут неточными. Интеграция требует предварительной настройки API 1С, тестирования функций, документирования бизнес-логики.
Все запросы логируются, система не отправляет информацию в облако OpenAI или другие зарубежные сервисы. LLM работает на Yandex AI Studio (хостинг РФ), фреймворк развёрнут на сервере компании, логи не покидают локальную сеть.
Подготовка типовых документов: черновики деклараций, коммерческих предложений, актов
Подготовка коммерческих предложений, актов выполнения работ и таможенных деклараций это часть рутины, которая занимает время. В каждом документе надо правильно указать данные контрагента, реквизиты товаров, суммы и сроки. Ошибка в декларации может привести к задержке на таможне, опечатка в КП повредит профессиональному образу.
Ассистент помогает сократить ручной ввод и минимизировать ошибки. Он работает с двумя источниками информации: шаблонами и закономерностями, накопленными в базе внутренних документов компании, и актуальными данными о контрагентах, товарах и заказах из 1С. По запросу (например, «Подготовь черновик КП для ООО Логистика Плюс на поставку партии»), ассистент выполняет несколько шагов подряд.
- Находит в 1С реквизиты компании, условия поставки и историю ранее оформленных заказов
- Выбирает из внутренней библиотеки похожие примеры КП с правильной структурой и стилем
- Собирает черновик на основе данных и шаблонов
- Подставляет актуальные суммы, сроки, условия платежа из текущего каталога товаров
Технически это работает через RAG. Ассистент ищет в базе похожие примеры КП, актов и деклараций, извлекает из них структуру и логику оформления, затем применяет эту логику к новым данным. Если в 1С изменилась цена или остаток, документ получит актуальные цифры. Весь процесс от запроса до готового черновика занимает 20-40 секунд в зависимости от объёма документа.
| Тип документа | Источник данных | Что ассистент подготавливает | Что проверяет человек |
|---|---|---|---|
| Таможенная декларация | 1С (товары, коды ТН ВЭД, вес, стоимость) плюс шаблоны | Черновик с заполненными реквизитами отправителя, получателя, кодами товаров | Коды ТН ВЭД, полнота описания товаров, соответствие счётов-фактур |
| Коммерческое предложение | 1С (контрагент, каталог, цены) плюс шаблоны КП | Структурированный черновик с реквизитами, таблицей товаров, условиями, сроком действия | Точность цен, актуальность условий, фирменный стиль |
| Акт выполнения работ | 1С (заказ, этапы, даты) плюс шаблоны | Черновик с данными обеих сторон, описанием выполненного объёма, полями для подписей | Соответствие фактически выполненным объёмам, стоимость, согласованность с договором |
LLM может ошибиться, численные значения в черновиках требуют проверки человека перед отправкой документов в таможню или контрагенту. Это не система автоматической подачи, а ассистент для подготовки. Таможенные декларации и реквизиты контрагентов относятся к ПДн РФ и не должны уходить на серверы OpenAI или Anthropic за границу. Поэтому фреймворк работает self-hosted на сервере клиента, а LLM подключена через Yandex AI Studio.
Ассистент это не замена бухгалтеру или таможеннику, а соавтор черновика. Документ всегда идёт на проверку человека перед отправкой. Если внутренняя база документов компании хорошо структурирована и регулярно обновляется, качество черновиков будет высоким. Если нет, ассистент может дать ошибку. Это требует разумного подхода к подготовке и поддержке корпуса знаний, но отдача того стоит, когда объём рутинной работы выражается в сотнях документов в месяц.
Автоматизация задач в Bitrix24: постановка задач и фиксация в трекере
Постановка задач в трекере это рутинная операция: сотрудник готовит текст задачи, выбирает исполнителя, приоритет, дедлайн, прилепляет документы. Ассистент может взять эту нагрузку на себя через интеграцию с API Bitrix24.
- Сотрудник описывает задачу словами: «создай задачу Ивану на согласование КП от ООО Рога и Копыта, срок до конца недели, важно»
- Ассистент парсит текст на естественном языке: извлекает исполнителя, тему, приоритет, дедлайн
- Через MCP или функциональные вызовы отправляет запрос в API Bitrix24 (tasks.task.add)
- Задача появляется в трекере с правильным исполнителем, описанием, датой
Интеграция Bitrix24 в контексте агента это не только webhook: это поиск нужного сотрудника по имени или роли (ассистент зашколен на справочник компании), маппинг приоритета и статуса, привязка к проекту или группе.
- Меньше клика: нет нужды вручную заполнять форму задачи
- Консистентность: все задачи созданы по единому формату
- Скорость: запросы создаются за секунды, не нужно помнить точный формат трекера
- Аудит: каждая задача логируется, видно, кто когда запросил создание
LLM может неверно распознать исполнителя, если в компании несколько Иванов или имя указано неточно. Поэтому ассистент должен либо запросить уточнение (есть Иван Петров и Иван Сидоров, кого имеешь в виду?), либо создать задачу с предполагаемым исполнителем, но потребовать подтверждение от менеджера перед фиксацией.
Второе: дедлайны часто указываются относительно (до конца недели, на неделю, завтра к обеду). Здесь нужна повышенная аккуратность, ассистент должен преобразовать в конкретную дату и вывести текст проверки: дедлайн 2026-08-01, верно?
Третье: если задача требует вложение нескольких документов (счет, КП, спецификация), ассистент должен понимать, какие файлы хранятся в 1С или в файловом хранилище компании. Это снова вопрос качества документооборота и интеграции хранилищ.
Ассистент не создаст задачу, если информация размытая или заведомо неточная. Не сможет привязать задачу к проекту, если в запросе не указано, какой проект. Не автоматизирует переприоритизацию или переназначение, это делается через явные команды или требует скрипт-логики, которая иногда дороже ручного клика.
Внедрение поэтапное: сначала создание новых задач, потом добавляем обновление статусов и комментарии, затем рассчитываем, стоит ли автоматизировать переназначение.
Безопасность и 152-ФЗ: РФ-контур, self-hosted развертывание, Yandex AI Studio
Таможенные декларации, данные контрагентов и личная информация граждан РФ это ПДн, подпадающие под 152-ФЗ. Отправлять их в облако OpenAI или Anthropic за границу рискованно: есть юридические риски, требования локализации данных, и репутационные последствия. Внутренний ИИ-ассистент должен держать чувствительные данные на территории РФ, внутри периметра клиента.
Типичная проблема: популярные агентные фреймворки (LangChain, LlamaIndex и т.п.) по умолчанию настроены работать с OpenAI API или OpenRouter. Если разработчик не перенастроит конфиг явно, приватные документы клиента, запросы сотрудников и ответы LLM потекут во внешние сервисы. Это утечка данных де-факто, даже если не нарушается закон буквально.
Мы строим ассистента на трёх опорах. Первое: LLM из Yandex AI Studio вместо зарубежных провайдеров. Yandex физически хостит модели в России, поддерживает русский язык и домены (юридические документы, РФ-специфика). Второе: агентный фреймворк запускается self-hosted на сервере клиента. Это open-source решение вроде AstrBot, но в своём периметре, под контролем IT-отдела. Третье: все endpoint-ы зафиксированы на внутренних IP и РФ-сервисы, трафик не утекает наружу без явного одобрения.
| Компонент | Где работает | Кто управляет | Риск утечки |
|---|---|---|---|
| LLM | Yandex AI Studio (РФ) | Yandex (РФ) | Минимален |
| Фреймворк плюс RAG | Сервер клиента (on-premise) | IT-отдел клиента | Нет |
| Интеграции (1С, Bitrix24) | Клиент или РФ-облако | Клиент | Нет |
| Мониторинг и логи | На усмотрение | Клиент | Контролируется |
Бюджет развертывания скромнее облачного Anthropic, потому что нет ежемесячного счета за API-вызовы в миллионах токенов. Yandex AI Studio работает по модели с доступным прайсом для российских компаний.
Self-hosted означает, что клиент владеет полным контролем, но также несёт ответственность за безопасность инфраструктуры, обновления, резервные копии и мониторинг. Это не облако, где провайдер управляет. Но в контексте 152-ФЗ и защиты ПДн компаний это именно то преимущество, которое себя оправдывает.
Кейс: логистический клиент, от документов к автоматизации (анонимный)
Один из наших клиентов работает в логистике и каждый день имеет дело со сотнями документов: контракты с контрагентами, спецификации грузов, таможенные декларации, коммерческие предложения, акты выполненных работ. Раньше поиск нужного документа в архиве занимал часы, перепечатка типовых бланков делалась вручную, а задачи фиксировались в разных системах без синхронизации.
Задача звучала просто: дать команде инструмент, который будет поиском по документам как полноценный сотрудник, отвечать на вопросы о клиентах и грузах прямо в Telegram или веб-интерфейсе, помогать оформить черновик таможенной декларации и автоматически создавать задачи в Bitrix24 на конкретного исполнителя.
Мы внедрили self-hosted ИИ-ассистента на основе открытого агентного фреймворка с LLM от Yandex AI Studio. Подключили к нему:
- RAG-слой для поиска по собственной библиотеке документов
- Интеграцию с 1С для получения данных о контрагентах, грузах, заказах, остатках
- Инструменты для подготовки черновиков документов (таможенные декларации, КП, акты)
- Автоматическую постановку задач в Bitrix24 через API
- Интерфейсы через Telegram и веб-портал
- Поддержку запросов на русском, английском и ещё нескольких языках благодаря LLM
Технический стек был продиктован требованиями безопасности. Таможенные декларации и данные о контрагентах это конфиденциальная информация, которой не место в облаках типа OpenAI или Anthropic за границей. Мы явно настроили ассистента только на Yandex AI Studio и развернули фреймворк на сервере клиента в России. Это полностью исключило риск утечки персональных данных.
Сотрудник теперь спрашивает в чате: какие есть документы по клиенту Икс, или помоги мне оформить КП по последним ценам контрагенту Y, или назначь проверку остатков товара Z на понедельник. Ассистент находит информацию, тянет данные и выкладывает черновик или создаёт задачу.
Результат того стоил. Рутинный поиск перестал съедать часы, черновики документов готовятся в разы быстрее, а простые вопросы получают ответ в мессенджере без переключения контекста.
Честные ограничения: когда ассистент помогает, а когда требуется человек
Ассистент это хороший помощник в поиске информации и подготовке черновиков. Основное правило простое: где конечный результат требует юридической подписи или финансовой ответственности, человек проверяет и принимает решение.
| Сценарий | Помогает ассистент | Требуется проверка |
|---|---|---|
| Поиск по документам | Да, полностью | Нет, если RAG настроена |
| Справка по контрагенту из 1С | Да | Человек проверяет критичные детали вроде реквизитов для платежа |
| Черновик коммерческого предложения | Да | Да, сотрудник редактирует и отправляет |
| Таможенная декларация | Черновик помогает | Да, обязательно человек заполняет и подписывает |
| Постановка задачи в трекер | Да | Опционально, зависит от важности |
| Расчёт по взаиморасчётам | Да, формирует справку | Да, если сумма критична |
LLM может галлюцинировать и уверенно выдать неправильный ответ, смешав реальные и вымышленные детали. На юридических и финансовых документах сотрудник всегда проверяет ответ и несёт ответственность.
Качество ассистента сильно зависит от подготовки и актуальности корпуса документов. Если документы плохо организованы, содержат противоречия или смешивают устаревшие версии, RAG вернет шум. Потратьте время на структурирование, дедубликацию и версионирование документов с самого начала. Если запустить систему поспешно на грязной базе, результаты будут плохими.
Внедрение это поэтапный процесс, а не взрыв. На первом этапе обычно включают только поиск по документам, потом добавляют справки из 1С, потом черновики, потом авто-задачи. Каждый этап должен быть откалиброван и отлажен перед расширением функциональности.
Важно честно оценить, нужно ли это вообще. Если ваш корпус знаний это 10-20 документов, которые люди и так хорошо помнят, ассистент не принесёт пользы. Если информация меняется каждый день и база постоянно устаревает, система потеряет доверие. Если все операции крайне типичны и легко формализуются, может быть достаточно обычной автоматизации без LLM.