ИИ в СЭД и ECM: что проверять при выборе системы

Оценивать ИИ‑функциональность приходится отдельно всякий раз, когда речь заходит о выборе корпоративной системы — СЭД, ECM, BPM или HRM. Практически любой вендор сегодня заявляет о наличии искусственного интеллекта в продукте: меньше рутинных операций, автоматизированная обработка документов, извлечение реквизитов, более быстрое согласование. Формулировки при этом у всех похожи.

Разобрали набор критериев, по которым эту функциональность можно оценить, и способы проверить их сразу на демонстрации.

No‑code‑конструктор с ИИ: как проверить его на демонстрации

Проверить это можно прямо на демо: попросите собрать при вас несложный сценарий с использованием ИИ. Например, чтобы документ, поступивший в систему, автоматически обрабатывался — ИИ извлекал реквизиты, а по итогу формировалась задача для сотрудника. Зафиксируйте время выполнения и то, приходилось ли на каком‑то шаге подключать разработчика.

Если настройка занимает свыше 20 минут или требует человека с доступом к коду хотя бы на одном шаге, то заявленный no‑code на практике окажется условным. А значит, любые последующие изменения логики процесса будут обходиться компании во времени и деньгах.

Работа ИИ‑агента в фоновом режиме: как ее проверить

Следующая ступень зрелости системы — умение работать в фоне, без постоянного контроля со стороны пользователя. Это и есть автоматизация, которая работает, не блокируя пользователю интерфейс. По логике работы это близко к ИИ‑агенту. Если такого режима работы нет, то полную мощь ИИ в системе не получится оценить.

Например, сценарий может выглядеть так: сотрудник загружает договор в систему и продолжает работать с другими задачами. Система тем временем проверяет документ на ошибки, ищет риски, формирует замечания и сообщает пользователю о готовности. Или поступило входящее обращение. Агент определяет тип документа, готовит проект ответного письма. По итогу пользователь видит результат и не ждет, когда ИИ выполнит свою работу.

Стоит уточнить, получится ли перевести уже готовый сценарий в фоновый режим без дополнительной настройки, сколько на это уйдет времени и нужен ли для этого разработчик. Если для перенастройки требуется привлекать техническую команду, то это сигнал присмотреться внимательнее.

Семантический и агентный поиск: в чем разница для бизнеса

Семантический поиск сейчас встроен почти в любую современную корпоративную систему и давно перестал быть отличительной чертой продукта. Отличия начинаются в том, как система предоставляет ответ пользователю. Выделяют два подхода:

1. Поиск через LLM с генерацией ответа. Пользователь задает вопрос на естественном языке, а система самостоятельно анализирует информацию в базе и формирует ответ в чате. Такой подход выглядит удобным, но возникают закономерные вопросы: на основе каких данных сформирован ответ, все ли они актуальны и не попала ли в результат информация, которую пользователь не должен видеть.
2. Агентный поиск. Пользователь также формулирует запрос на естественном языке. Вместо генерации ответа из базы система использует штатные механизмы: открывает нужный экран, выполняет поиск по существующим правилам, формирует выборку документов или задач с учетом ролевой модели и действующих прав доступа. Так, на запрос «Покажи документы на согласовании» система откроет нужный раздел, а на запрос «Подготовь подборку задач в работе» выводит тот же список задач, что пользователь увидел бы при обычной работе в интерфейсе.

Такой подход дает предсказуемый результат: пользователь получает только те данные, на которые у него уже есть доступ по системе, а организация не теряет контроль над тем, какая информация используется и показывается.

Языковые модели в СЭД: локальный контур, облако и партнерские решения

Здесь важны несколько вещей:

1. Поддержка популярных API. Система должна поддерживать OpenAI‑совместимый API, чтобы можно было использовать как локальные модели, так и облачные сервисы без дополнительной доработки.
2. Быстрая замена модели. Уточните, сколько времени занимает подключение новой модели. В зрелых решениях это делается через настройки и занимает буквально несколько минут. Если для смены модели требуется писать код или заказывать доработку, в будущем это может стать серьезным ограничением масштабирования системы или ее развития.
3. Поддержка разных сценариев развертывания. Для одних организаций важны локальные модели, работающие в закрытом контуре. Для других — российские или зарубежные облачные сервисы. Система должна позволять выбирать подходящий вариант без изменения бизнес‑логики и кода.
4. Использование нескольких LLM в одном бизнес‑процессе. Система должна поддерживать одновременную работу нескольких языковых моделей в рамках одного сценария, распределяя между ними разные задачи. Так, одна модель отвечает за извлечение данных из документов, другая — за анализ содержимого, третья — за подготовку текста. Настроить такой сценарий можно как в дизайнере бизнес‑процессов, так и через чат‑бота.

Именно такая гибкость позволяет безболезненно переходить на новые модели по мере их появления и не сталкиваться с неожиданной кастомизацией при каждом изменении ИИ‑инфраструктуры.

Что еще учитывать при оценке ИИ в корпоративных системах

Эти критерии пригодятся и тем, кто сейчас выбирает систему впервые, и тем, кто пересматривает уже используемое решение: с ними проще задать вендору конкретные вопросы и получить по существу содержательный, а не рекламный ответ.