СИБУР ПолиЛаб внедряет ИИ-агентов для автоматизации обработки международных клиентских запросов
Habr AI · оригинал
Материал подготовлен автоматизированной редакционной системой. Факты можно сверить по указанному первоисточнику.

СИБУР ПолиЛаб разработал локальную агентную систему из восьми модулей, которая анализирует многоязычную переписку и вложения для подготовки задач для ученых. Проект направлен на снижение рутинной нагрузки сотрудников при расширении экспорта в Азию и Ближний Восток.
Кейс демонстрирует практические сложности внедрения LLM в промышленные процессы: от распознавания контекста в длинных цепочках писем до интеграции с корпоративными системами. Опыт СИБУР показывает, что автоматизация требует глубокого понимания неочевидных шагов человеческой работы и четкого разграничения ролей между ИИ и специалистом.
СИБУР ПолиЛаб сталкивается с необходимостью масштабирования обработки клиентских обращений на фоне планов по наращиванию экспорта в Китай, Вьетнам и арабские страны. Рост потока запросов, сопровождаемых фотографиями изделий, PDF-документами и длинными цепочками переписки на разных языках, потребовал автоматизации первичного анализа. Артур Асланян, руководитель направления цифрового развития в компании, поясняет, что ранее сотрудники тратили значительное время на ручной разбор входящих писем, поиск информации в различных системах и формирование структурированных задач для специалистов. Для решения этой проблемы была разработана агентная система, состоящая из восьми специализированных модулей, развёрнутых локально для обеспечения безопасности корпоративных данных.
Система работает по пятиэтапному алгоритму: от чтения переписки и вложений до регистрации карточки обращения, поиска аналогичных исследований, подготовки предварительного плана работ и формирования черновика отчёта. Важно, что люди остаются ключевыми участниками процесса: агенты собирают и оформляют информацию, а специалисты проверяют материалы и принимают финальные решения. Такой подход позволяет ученым быстрее переходить к аналитической части работы, не тратя время на рутинное заполнение форм и поиск данных.
В процессе разработки команда столкнулась с рядом нетривиальных проблем. Первая связана с идентификацией клиента в сложных переписках: модель могла путать названия компаний из подписей разных участников или цитат. Вторая проблема касалась распознавания химических продуктов под различными названиями, включая неточную транслитерацию, что требует от ИИ понимания контекста, а не просто знания языков. Третья сложность возникла при интеграции дополнительных источников данных: увеличение объёма информации без чёткой инструкции по её использованию приводило к тому, что агент начинал путаться в ответах.
Ключевым уроком проекта стало осознание того, что формальное описание бизнес-процесса часто скрывает десятки неочевидных действий. Например, сотрудник может автоматически искать транспортную накладную в другой системе, если её нет в письме, но для разработчика агента этот шаг не был очевиден без детального обсуждения. Это потребовало нескольких встреч с сотрудниками для восстановления реального рабочего процесса и пересмотра логики автоматизации. Вместо простого копирования действий человека система была настроена так, чтобы связывать источники данных и собирать информацию более эффективно.
Для оценки эффективности проекта команда использует метрику «стало ли людям легче работать». Если агент выполняет рутинные действия без необходимости длительных исправлений со стороны сотрудника, система считается успешной. Также важно, что автоматизация не перекладывает нагрузку на клиентов: они продолжают писать письма в привычном формате, а агенты берут на себя разбор и структурирование данных. Это позволяет сохранить удобство взаимодействия для внешних партнёров.
Артур Асланян рекомендует командам, внедряющим подобные решения, детально изучать реальные рабочие процессы сотрудников, подключать данные под конкретные задачи с чёткими инструкциями по их использованию и тестировать агенты на сложных сценариях. Чёткое разграничение ролей между ИИ и человеком, а также учёт времени на проверку и исправление ответов являются критически важными для оценки реальной пользы автоматизации.