Кейс · Производство · Операции

AI-агенты для производственного документооборота — кейс

AI-конвейер согласования производственных документов сократил время цикла с 5 дней до 4 часов на металлургическом предприятии. Разбор архитектуры.

Коротко

Металлургический холдинг с 4 производственными площадками тратил 3–7 дней на согласование производственных заказов между цехами, снабжением, финансами и юристами. ProAI2B построил агентный сценарий на базе Document AI + координатор нескольких агентов: время цикла снизился до 2 часов, стоимость цикла −92%.

Параметры

Параметры проекта

ОТРАСЛЬ

Производство · Операции

КЛИЕНТ

Металлургический холдинг (NDA)

РЕГИОН

Россия, 4 площадки

СРОКИ

30 дней до пилота, 4 месяца до промышленного запуска

КОМАНДА

5 инженеров ProAI2B + IT-команда клиента

Проблема

~280 производственных заказов в неделю по 4 площадкам
Каждый заказ согласуется 5 ролями: технолог → снабжение → финансы → юрист → производство
Документы в разных форматах: PDF, скан, бумага, 1С:Документооборот, email
Среднее время цикла — 5 дней, P95 — 11 дней
20% заказов застревают из-за неполных данных или неправильных полей
Каждая остановка производства из-за документов = ~720 000 ₽ убытков в час

Решение

Что мы построили

Document AI: распознавание PDF/скан/бумаги через VLM (Qwen2.5-VL, локально)
Извлечение данных: 40+ полей с валидацией по справочникам 1С
Multi-agent агенты по ролям: технолог, снабжение, финансы, юрист
Каждый агент проверяет свою часть, формирует комментарий, передаёт дальше
Человек в контуре: финальное согласование только людьми, AI готовит сводку + рекомендацию
Авто-эскалация при обнаружении аномалий (цена, контрагент, объём)
Полная интеграция с 1С:ERP и 1С:Документооборот

Архитектура

Архитектура решения

Capture

Загрузка через веб-интерфейс, почту, прямо из 1С. OCR через PaddleOCR + Qwen2.5-VL.

Extraction

Структурное извлечение: контрагент, номенклатура, количество, цена, сроки, маршрут.

Validation

Cross-check с 1С: справочники, остатки, лимиты, ABC-сегмент клиента.

Проверка несколькими агентами

координатор LangGraph → 4 рабочих агента (по ролям) → сводка результатов.

Интерфейс согласования

Веб-интерфейс со сравнением бок о бок: документ + AI-комментарий + поля для исправления.

Синхронизация с ERP

Создание производственного заказа в 1С:ERP, обмен по OData.

Мониторинг

Полный журнал аудита: кто/что/когда, время этапа, метрики регрессий.

Стек

Технологии

VLM: Qwen2.5-VL 72B (локально)
LLM: Qwen2.5-72B-Instruct (локально), GPT-4o (облачный резервный вариант)
Оркестрация: LangGraph
OCR: PaddleOCR
Storage: MinIO (S3-совместимое), Postgres
Search: Qdrant (векторная база)
ERP: 1С:ERP, 1С:Документооборот (OData/COM)
Фронтенд: Next.js
Развёртывание: локальный Kubernetes (закрытый контур)

KPI

Результаты

−86%среднее время цикла (5 дн → 2 ч)

−92%стоимость цикла (включая трудозатраты)

94%точность извлечения данных (печатные)

82%точность извлечения данных (рукописные)

−68%доля переделок

100%локализация данных (локально)

Хронология

Как разворачивали

Неделя 1–2

Локальная инфраструктура

Развёртывание GPU-инфраструктуры. Установка Qwen2.5-VL + Qwen2.5-72B.

Неделя 3

OCR и извлечение данных

Конвейер OCR и извлечение данных. Проверка качества на 500 размеченных документах.

Неделя 4

Интеграция с 1С

Двусторонний обмен с 1С:ERP и 1С:Документооборот.

Неделя 5–6

Разработка агентов

4 специализированных агента + координатор. Промпт-инжиниринг под отраслевые знания.

Неделя 7–8

Интерфейс согласования

Веб-интерфейс для финального согласования и журнала аудита.

Неделя 9–10

Пилот

Запуск на 1 площадке. Параллельный старый процесс для сравнения.

Неделя 11–14

Тиражирование

Тиражирование на 4 площадки. Обучение пользователей.

Неделя 15–16

Оптимизация

Дообучение (дообучение) на собственных данных, снижение расходов на LLM.

«Мы скептически относились к AI — слишком много шумихи. Но когда инженеры ProAI2B показали работающий прототип через 14 дней, и он действительно работал с нашими ТТН — мы поняли, что это серьёзно. Сейчас один цех экономит больше, чем стоил весь проект.»

Директор по цифровой трансформации
Металлургический холдинг

FAQ

Технические вопросы

Почему на своих серверах, а не в облаке?

Производственные данные — коммерческая тайна и часть данных подпадает под санкционные ограничения. Локальная модель Qwen2.5 даёт качество, сопоставимое с GPT-4o, при полной локализации.

Что с рукописными документами?

82% точность на смешанных рукописных/печатных формах. Низкая уверенность — обязательная ручная проверка. Постоянное дообучение по подтверждённым ответам.

Сколько ресурсов нужно для локального развёртывания?

4× H100 для VLM + 8× H100 для работы LLM. Разовые вложения ~28 800 000 ₽, операционные расходы ~720 000 ₽/мес на электричество и обслуживание.

Можно ли быстрее, без локального развёртывания?

Да, облачный вариант с GPT-4o можно развернуть за 6 недель, но не подойдёт для предприятий с требованиями к закрытому контуру.

Готовы внедрить AI за 14–30 дней?

Бесплатный диагностический звонок: разберём ваш процесс, оценим потенциал автоматизации и посчитаем ROI под ваши данные.

Рассчитать ROI

AI-агенты для производственного документооборота — кейс

Параметры проекта

Проблема

Что мы построили

Архитектура решения

Capture

Extraction

Validation

Проверка несколькими агентами

Интерфейс согласования

Синхронизация с ERP

Мониторинг

Технологии

Результаты

Как разворачивали

Локальная инфраструктура

OCR и извлечение данных

Интеграция с 1С

Разработка агентов

Интерфейс согласования

Пилот

Тиражирование

Оптимизация

Технические вопросы

Готовы внедрить AI за 14–30 дней?

Обсудить проект