ИИ для производственной компании: где он помогает в работе с заявками и заказчиками

Две разные области применения

Когда говорят об ИИ на производстве, обычно имеют в виду цех: контроль качества по изображениям, прогноз обслуживания оборудования, планирование загрузки. Это отдельные проекты с датчиками, интеграциями и долгой окупаемостью.

Есть вторая область, о которой говорят реже: коммерческая часть. Входящие запросы, спецификации, расчёты, каталог, работа с постоянными заказчиками, рекламации. Здесь ИИ работает с текстом и таблицами, внедряется неделями, а не годами, и не требует изменений в производстве.

Для большинства компаний разумно начинать со второй области: эффект виден быстрее, а риск ниже. Ниже — задачи именно из неё.

Разбор входящих запросов

Заказчик присылает запрос в свободной форме: письмо с описанием, таблицу с позициями, иногда фотографию эскиза. Специалист тратит время на то, чтобы понять, что нужно, и выписать параметры.

Похожий вопрос разобран в материале Как собрать набор тестовых заданий для ИИ — он пригодится, если исходные условия отличаются.

Что делает ИИ. Читает письмо и вложения, вытаскивает параметры в одинаковую форму: наименование, материал, размеры, количество, покрытие, срок. Отмечает, каких данных не хватает, и формулирует уточняющие вопросы.

Что остаётся специалисту. Проверить разбор и принять решение о возможности изготовления. Модель не знает ваших технологических ограничений.

Чем полезно. Запрос попадает в работу в одинаковом виде в день получения, а не через два дня. Уточняющие вопросы задаются сразу все, а не по одному в течение недели.

Спецификации и таблицы заказчика

Крупные заказчики присылают спецификации в своих форматах: со своими наименованиями, единицами и структурой. Перенос такой таблицы в вашу номенклатуру — рутина на несколько часов.

Что делает ИИ. Сопоставляет позиции заказчика с вашей номенклатурой, приводит единицы к одному виду, отмечает позиции, где совпадение неочевидно.

Что остаётся специалисту. Проверка спорных позиций. Ключевое правило: модель не подбирает «похожее» молча. Если совпадение неточное, позиция помечается и уходит человеку.

Чем полезно. Обработка спецификации на сотни позиций занимает часы вместо дней. Ошибки сопоставления при этом не исчезают — поэтому и нужен список спорных позиций.

Расчёты и коммерческие предложения

Здесь важно разделить две вещи: сбор данных для расчёта и сам расчёт.

В продолжение темы можно открыть Матрица задач для ИИ: повторяемость и исключения: там следующий шаг разобран отдельно.

Что делает ИИ. Собирает исходные данные, подставляет нормы из ваших справочников, готовит черновик коммерческого предложения по шаблону: состав работ, этапы, сроки.

Чего он делать не должен. Считать стоимость «по опыту». Цифры берутся из вашей методики расчёта или из прайса, а не из памяти модели. Это то место, где ошибка стоит дороже всего: неверная цена в предложении либо теряет заказ, либо приносит убыточный контракт.

Что остаётся специалисту. Проверка расчёта и решение по цене и срокам с учётом загрузки производства.

Подробнее о правилах, которые не дают модели выдумывать цифры, — в материале о написании инструкции для ИИ-агента.

Каталог и технические описания

У производственных компаний сайт часто отстаёт от реальной номенклатуры: позиции есть в учёте, но не описаны на сайте, характеристики неполные, названия непонятны покупателю.

Что делает ИИ. Приводит характеристики к единому виду, пишет черновики описаний по техническим данным, предлагает понятные названия для фильтров, находит противоречия между описанием и таблицей характеристик.

Что остаётся специалисту. Проверка технических данных по первичным документам. Модель уверенно придумывает характеристики, которых нет.

Чем полезно. Каталог наполняется быстрее, а одинаковые характеристики позволяют сделать рабочие фильтры. Это напрямую влияет и на заявки с сайта, и на то, как страницы выглядят для поиска.

<offer id="123" available="true">
  <url>https://example.com/catalog/item-123/</url>
  <price>45900</price>
  <currencyId>RUR</currencyId>
  <categoryId>12</categoryId>
  <name>Название товара и ключевой параметр</name>
</offer>

Рекламации и повторные заказы

Разбор рекламаций. ИИ раскладывает обращения по причинам: повреждение при перевозке, несоответствие размеров, вопросы к покрытию. Раз в месяц видно, какие причины растут. Это материал для производства, а не только для отдела качества.

Повторные заказы. По истории отгрузок система отмечает заказчиков, у которых подходит срок повторной закупки или обслуживания, и готовит менеджеру список с обоснованием.

Итоги переговоров. Записи и заметки превращаются в карточку заказчика: что обсуждали, какие требования, какой следующий шаг.

О задачах отдела продаж подробно — в разборе ИИ в продажах.

С чего начать и как считать эффект

Начинать стоит с одной задачи, у которой понятный вход и выход. Чаще всего это разбор входящих запросов.

Соберите эталонные примеры. Пятьдесят реальных запросов прошлых месяцев с правильно выписанными параметрами.

Зафиксируйте цифры до старта. Среднее время от получения запроса до ответа. Доля запросов, по которым потребовались повторные уточнения. Время специалистов на разбор и оформление.

Проведите пилот месяц на части потока, с обязательной проверкой человеком.

Сравните. Если время ответа сократилось, а доля повторных уточнений упала, задача выбрана верно. Общий порядок внедрения по шагам — в статье о внедрении ИИ в бизнес.