Кейс: Как логистическая компания внедрила AI-агентов для обработки документов и сократила время на 80%

Введение

Представьте: сотни транспортных накладных, счетов-фактур и актов каждую неделю. Сотрудники вручную проверяют каждую цифру, сверяют данные, вводят их в ERP. Ошибки неизбежны, сроки горят, а бюджет тает на зарплатах и штрафах.

Это реальность многих логистических компаний. Но один из наших клиентов — средняя логистическая фирма с парком из 200 машин и оборотом в €5 млн в год — решил действовать иначе. Они внедрили multi-agent систему на базе AI-агентов и сократили время обработки документов на 80%, снизили количество ошибок на 95% и сэкономили €15 000 в месяц.

Как это произошло? Давайте разберём по шагам — от проблемы до production-решения.

Проблема: Ручная обработка как узкое горло

До внедрения AI-агентов компания тратила 120 часов в неделю на обработку транспортных документов: накладных, счетов-фактур и актов выполненных работ. Процесс выглядел так:

1. Получение документов — сканы и PDF из email, мессенджеров и портала клиентов.
2. Ручной ввод — операторы переносили данные в Excel, а затем в ERP (на базе 1С).
3. Валидация — сверка сумм, дат, номеров накладных с заказами.
4. Архивация — сохранение копий в облачное хранилище.

Основные боли:
- Высокая нагрузка на 3 операторов (каждый обрабатывал до 40 документов в день).
- Ошибки валидации приводили к задержкам оплат и штрафам от партнёров (до €2 000 в месяц).
- Сложность масштабирования: при росте объёмов требовался найм новых сотрудников.

Решение: Multi-agent система на базе AI-агентов

Компания решила внедрить multi-agent систему, где каждый AI-агент отвечает за свою задачу. Архитектура включала:

• Agent A — Извлечение данных (на базе LLM с OCR): распознавал текст из PDF и сканов, извлекал ключевые поля: дату, номер накладной, сумму, грузоотправителя.
• Agent B — Валидация (с RAG и tool use): сверял извлечённые данные с базой заказов (через API ERP) и проверял на соответствие правилам (лимиты сумм, сроки).
• Agent C — Загрузка в ERP (с memory и планированием): формировал запросы к 1С через REST API, загружал документы и обновлял статусы.
• Orchestrator Agent (loop + human-in-the-loop): управлял очередью документов, при ошибках отправлял на доработку оператору, логировал все действия.

Система работала по ReAct паттерну: каждый агент получал задачу, выбирал инструмент (например, API ERP или базу знаний), выполнял действие и проверял результат. Если confidence score был ниже 90% — документ отправлялся на ручную проверку.

Почему именно multi-agent?

В отличие от монолитного AI-решения, multi-agent архитектура позволила:
- Масштабировать — каждый агент можно было улучшать независимо (например, дообучить Agent A на новых типах документов).
- Отказоустойчивость — при сбое одного агента остальные продолжали работу.
- Human-in-the-loop — сложные кейсы передавались операторам, что снизило риск катастрофических ошибок.

Архитектура: Как это работало в production

Система была развёрнута на облачной инфраструктуре (Kubernetes) с мониторингом через Prometheus и Grafana. Каждый агент запускался как отдельный микросервис, общаясь через очередь сообщений (RabbitMQ).

Технический стек:
- LLM: GPT-4o-mini (для извлечения) и Claude 3.5 Sonnet (для валидации).
- OCR: Tesseract + дообученная модель на документах компании.
- Tool use: Python скрипты для вызова API 1С и SharePoint (архивация).
- Memory: Redis для хранения контекста сессии (например, история обработки документа).
- Planning: LangGraph для построения цепочек действий (Agent A → Agent B → Agent C).

Ключевые паттерны:
- ReAct: агент думал, действовал, наблюдал результат — это повысило точность извлечения до 97%.
- Tool use: каждый агент имел доступ к 3-5 инструментам (API, база знаний, калькулятор).
- Human-in-the-loop: при ошибках валидации (например, несовпадение суммы) документ попадал в очередь оператора с пояснением.

Результаты: Цифры, которые говорят сами за себя

После 3 месяцев эксплуатации компания зафиксировала следующие показатели:

Дополнительные выгоды:
- Снижение штрафов от партнёров до €50 в месяц (было €2 000).
- Возможность обрабатывать пиковые нагрузки (например, в конце квартала) без найма временных сотрудников.
- Ускорение оплат: инвойсы обрабатывались за 1 час вместо 1-2 дней.

Как это было внедрено: Пошаговый план

1. Аудит процессов — выявили 5 типов документов и 20 правил валидации.
2. Пилот на 50 документах — обучили OCR и LLM на исторических данных (точность 85%).
3. Разработка multi-agent системы — использовали LangGraph и FastAPI.
4. Интеграция с ERP — через REST API (1С:Предприятие 8.3).
5. Human-in-the-loop — настроили очередь ошибок в Telegram (оператор получал уведомление).
6. Мониторинг и оптимизация — через 2 недели точность выросла до 97% после дообучения на 200 сложных кейсах.

Выводы и рекомендации

Этот кейс — не единичный пример. Многие логистические компании уже переходят на AI-агентов для автоматизации документооборота. Ключевые уроки:

• Multi-agent системы эффективнее монолитных решений: они гибче, масштабируемее и проще в отладке.
• Human-in-the-loop обязателен на старте: AI ошибается, и передача сложных кейсов операторам снижает риски.
• Не пытайтесь автоматизировать всё сразу — начните с одного типа документов и постепенно расширяйте.

Если вы хотите глубже разобраться в архитектуре AI-агентов — от ReAct паттерна до production-деплоя с мониторингом, — на платформе asibiont.com есть полноценный курс по этой теме. Там вы научитесь строить multi-agent системы, использовать tool use и внедрять human-in-the-loop на реальных кейсах.

Готовы автоматизировать свои процессы? Начните с малого — выберите один болезненный процесс и попробуйте AI-агента. Результаты вас удивят.