PORTcore
+7 900 228-04-13
Главная / Блог / Внутренние согласования застревают в чатах: ИИ-разбор запроса, роли и контроль действий

Внутренние согласования застревают в чатах: ИИ-разбор запроса, роли и контроль действий

Назад к списку
2026-11-11 19:16:51

Представьте типичную пятницу в отделе закупок. Менеджер пишет в общий рабочий чат: «Нужно согласовать счёт от поставщика, срочно». Сообщение уходит вниз ленты. Финансовый директор видит его в понедельник, просит детали. Детали появляются во вторник — в другом треде. К среде счёт просрочен.

Это не проблема дисциплины. Это проблема архитектуры процесса: входящий запрос не структурирован, роль получателя не определена, статус нигде не фиксируется. Чат — удобный инструмент общения, но плохой инструмент управления задачами с ветвящейся ответственностью.

Похожая картина возникает в юридических согласованиях договоров, в HR при согласовании найма, в IT при заявках на доступ. Форма разная — механика потери одна: запрос попадает в неструктурированную среду и теряет маршрут.

Внутренние согласования застревают в чатах: ИИ-разбор запроса, роли и контроль действий

Что нужно изменить и почему это не просто «добавить бот»

Первый импульс — поставить бота, который будет напоминать о сообщениях. Это не решает задачу: напоминание о неструктурированном запросе только добавляет шум.

Реальное изменение состоит из трёх шагов:

  1. Разбор запроса — извлечь из свободного текста тип согласования, сумму или объект, срок, инициатора и приоритет.
  2. Определение роли — сопоставить тип и параметры запроса с матрицей ответственности и найти конкретного исполнителя, а не группу.
  3. Контроль действия — зафиксировать задачу в системе, отправить уведомление с контекстом, отследить ответ и эскалировать при просрочке.

Ключевое ограничение: ИИ-агент не принимает решение о согласовании. Он только убирает ручной диспетчинг между шагами. Финальное «согласовано / отклонено» остаётся за человеком — и это принципиально важно для аудита и ответственности.

Демонстрационный сценарий: счёт на оплату

Ниже — демонстрационный пример. Входные данные условные, цифры не отражают реальный проект.

Входные данные

Менеджер отправляет сообщение в корпоративный мессенджер или через форму внутреннего портала:

Прошу согласовать счёт №А-2024-1147 от ООО «СтройМатериалы»
на сумму 320 000 руб. (с НДС).
Оплата нужна до 28 числа, иначе потеряем скидку.
Прикладываю скан счёта.

Шаг 1 — разбор запроса ИИ-агентом

Агент извлекает структурированные поля из свободного текста и вложения:

ПолеИзвлечённое значениеИсточник
Тип запросаСогласование оплатытекст
КонтрагентООО «СтройМатериалы»текст + документ
Номер счётаА-2024-1147документ
Сумма320 000 руб. с НДСдокумент
Срок оплаты28-е число текущего месяцатекст
ПриоритетВысокий (упоминание потери скидки)текст
ИнициаторID пользователя из сессиисистема

Если агент не уверён в каком-то поле — он запрашивает уточнение у инициатора до маршрутизации, а не отправляет задачу с пустым полем.

Шаг 2 — определение роли по матрице

Матрица ответственности задаётся при настройке агента и хранится как конфигурация, а не «зашивается» в модель. Пример упрощённой матрицы:

ТипСуммаСогласуетДублирует
Оплатадо 50 000 руб.Руководитель отдела—
Оплата50 001 – 500 000 руб.Финансовый директорРуководитель отдела
Оплатасвыше 500 000 руб.Генеральный директорФинансовый директор
ДоговорлюбаяЮристФинансовый директор

В нашем примере сумма 320 000 руб. попадает во вторую строку. Агент назначает финансового директора основным согласующим, руководителя отдела — информируемым.

Шаг 3 — фиксация задачи и уведомление

Агент создаёт задачу в системе управления (CRM, внутренний трекер или Bitrix24) с заполненными полями и отправляет финансовому директору уведомление с контекстом:

Задача #4821: Согласование оплаты
Контрагент: ООО «СтройМатериалы»
Сумма: 320 000 руб. (с НДС)
Срок: до 28.XX.XXXX
Приоритет: высокий
Инициатор: [имя менеджера]
Документ: [ссылка на скан]

Действия: [Согласовать] [Отклонить] [Запросить уточнение]

Ответ фиксируется в задаче. Если ответа нет через установленное время — агент отправляет эскалацию. Все действия логируются с временными метками.

Что остаётся за человеком — и почему это важно

Агент не видит содержание договора с поставщиком. Он не знает, была ли эта компания в стоп-листе полгода назад. Он не оценивает, реальна ли скидка или это маркетинговый приём. Поэтому решение «согласовать или нет» — всегда за человеком.

Задача агента — убрать потери на этапе до решения: структурировать запрос, найти нужного человека, доставить контекст и зафиксировать ответ. Это и есть управляемая автоматизация с сохранением участия человека.

Дополнительно стоит предусмотреть:

  • возможность согласующего вернуть задачу с комментарием («нужна копия договора»);
  • журнал всех статусов для аудита;
  • ручной override — руководитель может переназначить задачу вне матрицы.

Какие данные и интеграции потребуются для пилота

Прежде чем запускать разработку, нужно собрать минимальный набор исходных данных. Вот чеклист пилота:

Чеклист готовности к пилоту

  • ☐ Описан хотя бы один тип запросов с чёткими полями (тип, сумма, срок, инициатор).
  • ☐ Есть матрица ответственности: кто согласует при каких условиях.
  • ☐ Определена система, куда агент будет создавать задачи (CRM, трекер, почта).
  • ☐ Есть API или webhook для создания задач и отправки уведомлений.
  • ☐ Определён канал, откуда приходят запросы (мессенджер, форма, почта).
  • ☐ Согласован формат логирования действий агента для аудита.
  • ☐ Установлены SLA: через сколько часов считается просрочка и кому эскалировать.
  • ☐ Подготовлено 20–30 обезличенных примеров реальных запросов для тестирования разбора.

Минимальный технический состав пилота

Для демонстрационного сценария с одним типом запросов достаточно:

  1. Модуль приёма сообщения (вебхук из мессенджера или формы).
  2. Модуль разбора — LLM с промптом и валидацией извлечённых полей.
  3. Модуль маршрутизации — сопоставление с матрицей ответственности (конфиг-файл или таблица).
  4. Модуль создания задачи — интеграция с целевой системой через API.
  5. Модуль уведомления и эскалации — отправка сообщений и отслеживание ответа.
  6. Журнал событий — запись всех шагов с временными метками.

Каждый модуль тестируется отдельно до сборки в цепочку. Это снижает риск «всё сломалось, непонятно где».

Критерии приёмки пилота

Пилот считается успешным, если выполняются следующие условия:

КритерийКак проверить
Агент корректно извлекает все обязательные поляНа 20 тестовых запросах — точность не ниже согласованного порога
Маршрутизация соответствует матрицеРучная проверка 10 случаев с разными суммами и типами
Задача создаётся в целевой системе без ручного вмешательстваСквозной тест от сообщения до задачи
Согласующий получает уведомление с полным контекстомПроверка содержания уведомления по чеклисту полей
Эскалация срабатывает при просрочкеТест с намеренной задержкой ответа
Все действия агента залогированыПросмотр журнала после тестового прогона
Человек может переопределить маршрут вручнуюТест ручного override

Экономика: как считать эффект без обещаний

Точные цифры зависят от вашего процесса, поэтому приведём формулу для собственного расчёта:

Условный расчёт (подставьте свои данные):

N = количество запросов на согласование в месяц
T_ручной = среднее время на диспетчинг одного запроса (мин)
T_агент = время на обработку агентом (мин, обычно < 1)
Staff_cost = стоимость рабочей минуты сотрудника (руб.)

Экономия времени в месяц = N × (T_ручной - T_агент) мин
Денежный эквивалент = Экономия времени × Staff_cost

Дополнительный эффект — снижение просрочек согласований,
которые сложнее выразить в рублях, но видны в операционных метриках.

Если у вас 200 запросов в месяц и каждый диспетчинг занимает 10 минут — это 2000 минут ручной работы. Агент не устраняет их полностью (человек всё равно принимает решение), но убирает именно диспетчерскую часть.

Подходящий инструмент: разработка ИИ-агента

Описанный сценарий — это типичная задача для разработки AI-агента под конкретный бизнес-процесс. Агент проектируется под вашу матрицу ответственности, интегрируется с вашей системой задач и каналом приёма запросов. Готовых «коробочных» решений для этого класса задач нет — каждая матрица и каждая интеграция уникальны.

Если запросы приходят из разных каналов (почта, мессенджер, форма) и нужна единая точка приёма с классификацией, это дополнительно покрывается через AI-модерацию входящих обращений — отдельный модуль, который можно подключить к агенту маршрутизации.

Важно понимать границу: разработка агента — это отдельный проект, а не настройка готового продукта. Пилот начинается с одного типа запросов, одной интеграции и одной матрицы. Расширение на другие типы согласований происходит после проверки первого сценария.

Если вас интересует смежная задача — структурирование входящих данных из документов перед маршрутизацией, — посмотрите разбор в статье Обработка документов с ИИ: извлечение данных и проверка человеком. А если процесс согласований связан с CRM и данными о клиентах, полезен чеклист из статьи ИИ в CRM и B2B-продажах: подключение к данным и API.

Один следующий шаг

Если вы хотите проверить, насколько ваш процесс согласований подходит для автоматизации — опишите его в одном абзаце: откуда приходят запросы, кто их сейчас диспетчирует и где теряется время. Мы разберём процесс и скажем, что реально автоматизировать в первом пилоте, а что лучше оставить ручным.

Обсудить процесс и пилот →

Связанные материалы

Подходящие офферы

Если статья попала в вашу задачу, вот два оффера, с которых можно перейти к внедрению без лишнего discovery.

Другие статьи

Менеджер видит заявку слишком поздно: ИИ-квалификация обращений с сайта и передача в CRM

Менеджер видит заявку слишком поздно: ИИ-квалификация обращений с сайта и передача в CRM

2026-10-23 14:31:34

Заявка с сайта пришла — и зависла. Форма отправлена, письмо ушло на общий ящик, менеджер увидел его через три часа. Разбираем, как ИИ-квалификация закрывает разрыв между обращением и первым контактом: извлечен...

Читать дальше
ИИ-автоматизация обработки заявок, писем и коммерческих предложений: демонстрационный сценарий с разбором допущений

ИИ-автоматизация обработки заявок, писем и коммерческих предложений: демонстрационный сценарий с разбором допущений

2026-10-23 12:19:27

Разбираем демонстрационный сценарий: как ИИ-агент принимает входящие заявки, классифицирует письма и готовит черновики коммерческих предложений — и где в этой цепочке обязательно остаётся человек. Для руководи...

Читать дальше

Сервисные заявки приходят свободным текстом: классификация, приоритет и распределение по исполнителям

2026-11-13 14:01:26

Диспетчер читает заявку, думает, кому отдать, ставит приоритет вручную — и где-то в этой цепочке теряется время. Разбираем, как ИИ-классификация свободного текста закрывает этот разрыв: какие данные нужны, как...

Читать дальше