Когда компания выходит на новые экспортные рынки, нагрузка на сотрудников растёт нелинейно. Вместо привычных писем на русском приходят сообщения на китайском, вьетнамском, арабском, итальянском. К ним прилагаются фотографии изделий, PDF-спецификации, длинные цепочки переписки. Разобраться, кто пишет, что хочет производить и какая помощь нужна, с каждым месяцем становится всё сложнее. Именно так произошло в одном из подразделений СИБУРа, которое планировало наращивать экспорт. В итоге там решили собрать ИИ-помощника, который сам читает переписку и готовит отчёты. Но не всё пошло гладко.

Этот кейс полезен не только крупным корпорациям. Если вы фрилансер, менеджер проектов или владелец небольшой студии, вы наверняка сталкивались с потоком входящих заявок, где нужно быстро понять суть и не потерять важные детали. Рассказываем, как подойти к автоматизации осмысленно, какие шаги предпринять и где чаще всего спотыкаются.

Почему обычная почта перестаёт работать

Пока клиенты пишут на одном языке и по шаблону, хватает папок и фильтров. Но как только появляются письма с вложениями на разных языках, начинается хаос. Сотрудник тратит по 10–15 минут на одно обращение: переводит текст, открывает PDF, смотрит фото, пытается понять, о каком изделии речь. В длинной переписке легко потерять контекст: кто-то уже ответил, кто-то ждёт уточнения, а часть вопросов дублируется.

В кейсе СИБУРа ключевой проблемой стало именно разнообразие форматов и языков. Раньше люди вручную анализировали, кто пишет и что нужно. С ростом экспорта такая работа стала занимать слишком много времени. Тогда и возникла идея: пусть ИИ читает письма и собирает структурированные отчёты. Но прежде чем писать код, стоит понять, какие задачи действительно нужно автоматизировать.

С чего начать: аудит процессов и постановка задачи

Первое, что нужно сделать, — разобрать, как сейчас обрабатываются входящие. Не пытайтесь автоматизировать всё сразу. Выделите типовые сценарии: например, запрос коммерческого предложения, уточнение характеристик, рекламация. Для каждого опишите, какие данные важны: название компании, страна, язык, тип изделия, объём, сроки, вложения.

  • Соберите примеры реальных писем за последние 2–3 месяца. Это поможет увидеть разнообразие форматов и языков.
  • Определите критерии успеха: что должен делать ИИ-помощник — только классифицировать письма, извлекать сущности или сразу формировать отчёт для менеджера.
  • Проверьте, есть ли готовые инструменты. Не всегда нужно писать с нуля: некоторые почтовые сервисы и CRM уже умеют подключать ИИ для анализа текста.
  • Оцените риски: насколько критична ошибка перевода или неверное определение типа запроса. Возможно, на первых порах стоит оставить человека в цепочке проверки.

В кейсе СИБУРа, судя по описанию, пошли сложным путём — решили собрать собственного помощника. Это оправдано, если у вас большой поток и специфические требования к безопасности. Но для небольшой команды часто достаточно готовых решений.

Типичные ошибки при внедрении ИИ-помощника

Даже при наличии ресурсов компании наступают на одни и те же грабли. Вот несколько примеров, которые стоит учесть.

  • Автоматизация ради автоматизации. Если письма приходят редко и однотипно, ИИ может только усложнить процесс. Сначала посчитайте, сколько времени вы реально тратите на ручную обработку.
  • Игнорирование качества данных. ИИ не разберётся в грязных письмах, если нет чётких правил: что считать заявкой, какие вложения обязательны. Нужна предварительная фильтрация спама и мусора.
  • Отсутствие обратной связи. Помощник должен учиться на ошибках. Если менеджеры не отмечают, где ИИ ошибся, система не улучшится.
  • Слишком сложная архитектура. Начинать с микросервисов и кастомных моделей — путь к долгой разработке. Часто достаточно простого пайплайна: распознавание текста, перевод, извлечение сущностей, генерация отчёта.

В истории СИБУРа упоминается, что «кое-что пошло не так». Детали не раскрываются, но можно предположить, что проблемы возникли именно на этапе интеграции или из-за неучтённых сценариев. Поэтому так важен пилот на ограниченной выборке.

Как выстроить процесс: пошаговый план

Если вы решили автоматизировать обработку входящих с помощью ИИ, вот последовательность действий, которая снизит риски.

  • Шаг 1. Соберите датасет. Возьмите 100–200 реальных писем, включая сложные случаи с вложениями и разными языками. Разметьте их вручную: тип запроса, ключевые поля.
  • Шаг 2. Выберите инструмент. Для перевода и анализа текста можно использовать облачные API (например, от Google или Яндекс) или локальные модели, если данные конфиденциальны. Для извлечения сущностей подойдут готовые библиотеки или конструкторы промптов.
  • Шаг 3. Соберите прототип. Не пишите сразу продакшн-код. Сделайте скрипт, который прогоняет письма через пайплайн и выдаёт отчёт в простом формате (JSON или таблица). Проверьте на размеченных данных.
  • Шаг 4. Оцените точность. Сравните результаты ИИ с ручной разметкой. Если ошибок много, доработайте промпты или добавьте правила. Например, если модель путает типы изделий, дайте ей список возможных категорий.
  • Шаг 5. Внедряйте постепенно. Начните с одного типа писем или одного языка. Подключите менеджеров к проверке отчётов. Собирайте обратную связь и улучшайте систему.

Важно не забывать про безопасность: если вы используете облачные сервисы, убедитесь, что не нарушаете политику конфиденциальности и не передаёте чувствительные данные.

Что в итоге

Кейс с крышечкой из Италии и китайскими иероглифами — это не про магию ИИ, а про насущную потребность разгрузить людей от рутины. Автоматизация обработки почты с помощью ИИ может сэкономить часы в неделю, но только если подойти к ней как к инженерной задаче: с анализом процессов, пилотом и итерациями. Не ждите, что помощник сразу будет идеальным. Начните с малого, измеряйте результат и постепенно расширяйте функциональность. И помните: ИИ — это инструмент, а не замена здравому смыслу.