Искусственный интеллект расширяет возможности систем электронного документооборота: распознает документы, извлекает реквизиты, готовит краткое содержание, отвечает на вопросы и запускает отдельные действия. Однако результат зависит не только от языковой модели, но и от качества корпоративных данных, готовности процессов и установленных ограничений. CNewsMarket разбирает, какие ИИ-инструменты применяются в СЭД, с чего начинать внедрение и как оценивать его эффективность.
СЭД начинает работать с содержанием документов
Российские организации продолжают заменять зарубежные системы электронного документооборота, но одновременно меняются задачи развития уже внедренных платформ. Заказчикам недостаточно регистрации, хранения, маршрутизации и поиска документов. Они хотят, чтобы система могла анализировать содержание, готовить выводы и помогать выполнять следующие этапы процесса.
Искусственный интеллект становится одним из основных направлений такого развития. Еще недавно его применение в СЭД обычно ограничивалось распознаванием сканов, заполнением карточек и подготовкой кратких текстов. Теперь ИИ охватывает весь путь документа — от поступления в организацию до согласования, исполнения поручений и поиска информации в корпоративном архиве.
При этом ценность ИИ во многом зависит от самой СЭД. Документы, справочники, маршруты, права доступа и история операций создают контекст, без которого языковая модель может обработать текст, но не понимает его места в работе организации.
Директор направления разработки информационных систем ITFB Group Михаил Атрахимович отмечает, что заказчиков уже интересует не сам факт наличия ИИ, а точность, скорость, безопасность и стоимость обработки информации. Это означает переход от демонстрации отдельных функций к оценке их работы в реальных процессах.
Руководитель проектов развития ИИ-решений Directum Илья Петухов выделяет четыре основных направления: интеллектуальную обработку документов, генеративный ИИ, поиск по корпоративным данным и ИИ-агентов, способных выполнять действия в рамках процесса. Каждое направление требует своих моделей, данных и критериев оценки.
От распознавания к анализу
Наиболее зрелый сценарий — интеллектуальная обработка документов. Система получает файл из электронной почты, сканера или другого источника, определяет его тип, извлекает текст и переносит реквизиты в карточку. После этого документ может быть автоматически передан по нужному маршруту.
Такой сценарий дает понятный и измеримый результат. Можно сравнить скорость регистрации до и после внедрения, посчитать количество исправлений и определить долю документов, обработанных без ручного ввода.
Топ-10 СЭД с искусственным интеллектом. Структура баллов
Подробнее: Обзор «Электронный документооборот (СЭД) с искусственным интеллектом 2026»
Современные модели работают не только с электронным текстом. Они могут учитывать структуру страницы, таблицы, изображения, подписи и отдельные рукописные элементы. Product Owner СЭД «Тезис» Александр Воробьев обращает внимание на развитие мультимодальных моделей, которые позволяют обрабатывать сканы, рукописные резолюции и заполненные от руки формы. После распознавания система может заполнить карточку, создать задачу или запустить маршрут обработки.
Следующий уровень — анализ содержания. ИИ составляет резюме, сравнивает версии, выделяет обязательства сторон, ищет расхождения с шаблоном и готовит проекты ответов. Особенно востребованы такие возможности при работе с договорами, обращениями, протоколами совещаний и нормативными документами.
Эксперт по продукту Docsvision AI компании «ДоксВижн» Алексей Рождественский считает перспективными сценарии поддержки принятия решений. ИИ не заменяет участника процесса, а готовит для него информацию: классифицирует документ, извлекает данные, сравнивает версии и анализирует содержание.
Важно, чтобы результат не оставался отдельным текстом в окне помощника. Если анализ встроен в бизнес-процесс, система может автоматически запустить его перед согласованием договора, передать выводы ответственному сотруднику и сохранить их вместе с документом.
Михаил Атрахимович относит к перспективным сценариям интеллектуальный нормоконтроль — проверку документов на соответствие внутренним регламентам и внешним требованиям. Для этого система должна не только сформулировать вывод, но и показать, на какое положение или источник он опирается.
Поиск превращается в диалог
Традиционный поиск предполагает, что сотрудник знает название документа, его реквизиты или место хранения. Однако рабочие вопросы обычно формулируются иначе: какие обязательства перед контрагентом еще не исполнены, в каких договорах предусмотрено автоматическое продление, какие документы относятся к конкретному проекту.
Для ответа недостаточно найти совпадения по словам. Система должна определить смысл запроса, отобрать подходящие документы, найти нужные фрагменты и подготовить связный результат. В основе такого механизма может лежать поиск с дополненной генерацией: сначала система обращается к корпоративным источникам, затем языковая модель формирует ответ на основе найденной информации.
Пользователь получает не список файлов, а готовую сводку со ссылками на документы. Возможность перейти к источнику позволяет проверить вывод и снижает риск использования недостоверного ответа.
Александр Воробьев приводит пример запроса, при котором сотрудник просит показать договоры с определенным контрагентом за выбранный период, выделить проблемные и подготовить краткую сводку. Система сама находит документы и анализирует их содержание.
Однако качество ответа зависит от состояния корпоративного архива. Дубли, устаревшие версии, неполные реквизиты и противоречивые документы снижают точность независимо от возможностей модели.
Кроме того, диалоговый интерфейс не должен отменять права доступа. Если сотруднику запрещено открывать документ, ИИ не может раскрывать его содержание в ответе или использовать закрытые сведения при подготовке сводки.
ИИ начинает выполнять действия
Следующий этап развития — переход от помощников к агентным сценариям. Помощник отвечает на вопрос, готовит текст или предлагает вариант решения. Агент может найти документы, проверить условия, создать задачу, выбрать маршрут и уведомить участников процесса.
Различие принципиально. Ошибку в черновике сотрудник может заметить до отправки. Ошибка агента способна повлиять на движение документа, назначение исполнителя или срок выполнения поручения.
Агентные технологии становятся следующим этапом после поиска, анализа документов и извлечения данных. Пользователь формулирует задачу, а система самостоятельно выполняет предусмотренную последовательность операций.
Илья Петухов приводит более сложный сценарий: после загрузки договора агент проверяет его на риски и юридические ошибки, а при выполнении установленных условий может передать документ на подпись. В этом случае ИИ участвует уже не в отдельной операции, а в управлении процессом.
Такая автоматизация возможна только там, где процесс четко описан. Если решения принимаются по неформальным правилам, исключения не зафиксированы, а ответственность распределена неясно, агент перенесет эту неопределенность в систему.
Поэтому необходимо заранее разделять уровни самостоятельности. В одном случае ИИ только готовит рекомендацию. В другом — выполняет операцию после подтверждения сотрудника. Полная автоматизация допустима для типовых действий с понятными условиями и заданным уровнем уверенности. Сомнительные и значимые случаи должны передаваться человеку.
Илья Петухов также предлагает использовать подход, при котором модель самостоятельно обрабатывает типовые случаи с высокой уверенностью, а спорные результаты направляет сотруднику на проверку. Это позволяет расширять автоматизацию постепенно, не передавая системе полный контроль над процессом сразу.
Безопасность не ограничивается выбором модели
При обсуждении ИИ в СЭД вопросы безопасности нередко сводятся к выбору между внешней и локальной языковой моделью. Это важное, но не единственное решение. Необходимо определить, какие документы можно обрабатывать, какие сведения включаются в запрос, где хранятся ответы и как контролируются действия системы.
Для организаций, работающих с персональными данными, коммерческой тайной и документами ограниченного доступа, принципиально важно сохранить действующую модель разграничения прав. ИИ должен видеть систему так же, как пользователь, от имени которого выполняется запрос.
Александр Воробьев подчеркивает значение закрытого контура и локальных моделей. Не менее важно, чтобы помощник учитывал ограничения доступа и выдавал сотруднику только разрешенную информацию.
Локальное размещение повышает контроль над данными, но не решает автоматически все вопросы. Организации все равно необходимо управлять доступом к модели, вести журнал операций, обновлять программные компоненты и проверять качество ответов.
Облачная схема может упростить запуск и предоставить доступ к более мощным моделям. Для снижения рисков применяются механизмы, которые скрывают чувствительные сведения перед передачей запроса внешнему сервису.
По словам Алексея Рождественского, маскирование позволяет заменить конфиденциальные данные до обращения к облачной модели, а после получения ответа восстановить исходные значения внутри корпоративной системы. Журналирование запросов дает возможность контролировать использование ИИ и разбирать спорные ситуации.
В смешанной архитектуре разные задачи могут направляться разным моделям. Конфиденциальные документы обрабатываются локально, а для нейтральных сценариев используется внешний сервис. Поэтому поддержка нескольких моделей и выбор между ними в зависимости от задачи становятся самостоятельными требованиями к СЭД.
Начинать следует с процесса
Внедрение ИИ легко начать с обсуждения моделей, вычислительных ресурсов и интерфейса помощника. Однако первый практический вопрос должен звучать иначе: какой процесс требуется изменить и как будет измеряться результат.
Для пилота подходит процесс с большим количеством однотипных документов, заметной долей ручной работы и понятными исходными показателями. Это может быть регистрация входящих писем, обработка счетов, извлечение реквизитов, подготовка краткого содержания или поиск расхождений с шаблоном.
Все эксперты сходятся в том, что внедрение следует вести от простого к сложному. Простота в данном случае определяется не эффектностью функции, а возможностью ограничить задачу, проверить качество и измерить результат.
Алексей Рождественский предлагает начинать с базовых сценариев — резюме документа или ответов на вопросы по его содержанию. После проверки моделей на корпоративных материалах можно переходить к более сложным процессам.
Александр Воробьев также рекомендует выбрать один процесс и один-два сценария, а затем запустить пилот на ограниченной группе пользователей. Это позволяет собрать обратную связь и понять, помогает ли технология в ежедневной работе.
Михаил Атрахимович описывает последовательность как «аудит — пилот — тиражирование». На этапе аудита выделяются трудоемкие процессы и оценивается качество данных. Пилот должен охватывать законченный участок работы, а его сроки и показатели определяются заранее. После доработки сценарий можно распространять на другие подразделения и виды документов.
Проверка не должна строиться только на заранее отобранных примерах. Пилот должен учитывать реальные форматы, ошибки, исключения и рабочую нагрузку. Иначе после перехода к промышленной эксплуатации качество окажется ниже ожидаемого.
Как измерить результат
Показатели эффективности необходимо определить до начала пилота. Они зависят от выбранного процесса и задачи, которую решает ИИ. При обработке документов можно оценивать точность извлечения реквизитов, скорость работы и объем ручных операций, которые остаются у сотрудников.
Михаил Атрахимович предлагает учитывать точность, скорость, безопасность и стоимость обработки информации. Метрики пилота, по его мнению, следует устанавливать заранее, чтобы после его завершения можно было оценить результат и принять решение о дальнейшем тиражировании.
Контроль необходим и после перехода к промышленной эксплуатации. По мере накопления документов и подключения новых источников качество работы модели может меняться, поэтому требуется отслеживать точность и при необходимости проводить дополнительную настройку или обучение.
СЭД задает границы применения ИИ
Развитие ИИ не уменьшает значение системы электронного документооборота. Чем больше задач передается моделям, тем важнее становятся порядок в документах, единые справочники, описанные маршруты, права доступа и история действий.
СЭД предоставляет искусственному интеллекту контекст. Она определяет, что является договором, какая версия считается действующей, кто отвечает за согласование и какие действия разрешены конкретному сотруднику. ИИ помогает анализировать содержание и выполнять отдельные этапы процесса.
Главный вопрос для заказчика смещается от наличия ИИ к границам его применения. Нужно определить, какие задачи можно автоматизировать, где требуется подтверждение сотрудника, какие документы разрешено передавать модели и как будет проверяться результат.
По мере развития агентных технологий эти решения становятся важнее выбора отдельной функции. СЭД превращается в среду управляемого применения ИИ — с корпоративными данными, правами доступа, правилами, журналом операций и измеримыми показателями.
Поделиться
