Где ИИ полезен
Ранее мы описали ситуации, в которых использование ИИ не даст положительного эффекта, а то и вовсе может привести к неувязкам и рискам — текст здесь.
ИИ оправдывает ожидания, когда его используют в четко определенных процессах, где есть повторяющиеся задачи: обработка документов, классификация заявок, прогнозирование спроса, планирование логистики и тд. Или используются огромные массивы данных, которые людям тяжело и долго обрабатывать вручную. Важное условие — возможность проверить качество: например, при распознавании счета или чека легко можно сверить, точен ли результат.
Хороший корпоративный ИИ — это не общедоступная нейросеть, а решение, которое интегрировано в ИТ-ландшафт, безопасно, прозрачно и заточено под конкретные задачи компании.
Ниже собрали успешные кейсы — международные и российские — они демонстрируют, каким образом корректно и кропотливо настроенный корпоративный ИИ способен снижать нагрузку с сотрудников и увеличивать ценность бизнеса/приносить ему дополнительную выгоду.
Кейс: UPS — использование ИИ в логистике
UPS — американская компания, занимающаяся доставкой. Действует более чем в 200 странах, обеспечиваю доставку посылок наземным, морским и авиатранспортом. В 2024 году UPS доставляли в среднем 22,4 млн посылок в день, что в общей сложности составило 5,7 млрд посылок за год. По показателю доставок, выполненных вовремя (On-time performance), включая пиковые нагрузки на Рождество, компания обошла конкурентов (FedEx и U.S. Postal Service).
UPS использует ИИ как инфраструктурную основу — от логистики до customer service. В частности, внедрила ИИ-систему ORION, так как топливо и время — ключевые для компании факторы себестоимости: оптимизируя их, можно добиться повышения скорости и снижения затрат на логистику.
Динамическая оптимизация маршрутов: ORION
Система ORION (On-Road Integrated Optimization and Navigation) применяет алгоритмы машинного обучения, чтобы строить наиболее эффективные маршруты для водителей. Учитываются трафик, аварии, погодные условия, прежние модели и маршруты доставки. Платформа в режиме реального времени корректирует маршруты, реагируя на меняющиеся условия, чтобы посылки добирались к получателям максимально оперативно.
ORION помогает экономить топливо, сокращать километраж и ускорять доставку. UPS уменьшила «пробег» своих грузовиков на сотни миллионов миль в год, что привело к значительной экономии средств и снизило выбросы углекислого газа.
Кейс: JPMorgan Chase — ИИ для обработки финансовой документации
JPMorgan Chase & Co — финансовая группа, одна из крупнейших в мире как по активам, так и по рыночной капитализации.
Юридический департамент и подразделение комплаенса JPMorgan Chase обрабатывают огромное количество сложных контрактов. Нужно было автоматизировать этот процесс, чтобы минимизировать риски, количество ошибок и ускорить работу.
Автоматизация обработки документов: COiN
JPMorgan Chase внедрил платформу COiN (Contract Intelligence ), использующую обработку естественного языка (NLP), машинное обучение (ML) и оптическое распознавание изображений (OCR) для автоматизации анализа сложных юридических и финансовых контрактов.
Теперь обработка десятков тысяч документов проводится за секунды, позволяя компании экономить 360 тысяч человеко-часов в год. Ошибки, связанные с соблюдением нормативных требований, были сокращены примерно на 80%, повышая точность и соответствие правилам. ИИ помечает высокорисковые случаи для ручной проверки юристами. Общие затраты на юридические операции снизились примерно на 30%.
Россия: локальные примеры
Кейс: крупная ритейл-сеть — интеллектуальная обработка первичных документов
Сотрудники компании вручную вносили информацию из первичных документов поставщиков и партнеров в корпоративную систему учета: счета-фактуры, УПД, товарные, транспортные и товарно-транспортные накладные. Ежемесячный объем документов — около 250 тысяч пакетов.
При этом документы от контрагентов поступают в разных форматах и разного качества. Например, многостраничный документ может быть разбит на несколько файлов (одна страница – один файл). Кроме того, с одним документом могут работать специалисты разных филиалов и различных должностей. Суммарно на обработку документов сотрудники ритейл-сети тратили около 14,5 тысяч часов в месяц.
SL Soft: IDP-система для автоматической обработки документов
Платформа позволяет извлекать из документов до 50 атрибутов. Она автоматически маршрутизирует входящие документы по специалистам — права распределены в соответствии с должностными обязанностями, а руководители подразделений наделены правами администраторов.
ИИ научили определять содержание файлов, делить их на разные документы или объединять по типам документов при необходимости. Он также натренирован определять тип документов, близких по значению. Например, к счету-фактуре также относятся корректировочный СФ и исправленный СФ, к УПД – исправленный УПД, возвратный УПД, УКД. Кроме того, система проверяет количество печатей/подписей в документе и передает ФИО с расшифровкой подписи или штампа.
Теперь время на обработку документов сократилось более чем в два раза — экономия составила 8 тысяч часов. Автоматизированное распознавание «первички» также существенно сократило количество ошибок, возникавших из-за ввода информации в системы вручную.
Кейс: Топливная компания — ИИ в отделе закупок
Крупной российской топливной компании нужно было ускорить процессы в закупочных процедурах. SL Soft разработала для нее решение, объединившее AI с RPA-технологией.
SL Soft: AI интегрирован с программным роботом
Система проводит поиск потенциальных поставщиков и предлагаемых ими цен, Отправляет им запросы на ТКП и обрабатывает поступившие, размещает результаты анализа в корпоративных информационных системах, переносит документы из одной системы в другую, взаимодействует с площадками для закупок. Вначале решение было внедрено в головном московском офисе, а затем тиражировано на дивизионы компании по всей стране.
Резюме
Эффекты от сокращения рутинных операций для крупных компаний и корпораций могут быть очень внушительными и значимо влиять на операционную эффективность.
Успешное внедрение ИИ — это не только про технологию, но и про понимание того, какие задачи нужно решать этими инструментами. И они должны быть «специализированными»: системы разворачиваются в защищенном облаке или на собственных серверах, все данные компании шифруются и никогда не покидают периметр, не используются для обучения чьих-то еще моделей.