СИБУР планирует наращивать экспорт, в том числе в Китай, Вьетнам и арабские страны. Что это значит: больше обращений на почте от зарубежных клиентов — с фотографиями изделий, PDF во вложениях и длинными цепочками переписки.
Раньше этим занимались люди: прежде чем передать задачу специалисту, они анализировали, кто пишет, что хочет произвести и какая помощь ему нужна. Теперь всё это предстояло разбирать ещё и на разных языках.
Поэтому мы решили собрать ИИ-помощника: пусть сам читает переписку и собирает отчёты. Но дальше выяснилось, что прочитать письмо и понять его — разные задачи. Модель может прекрасно читать китайский, но при этом банально не понять, как зовут клиента.
Меня зовут Артур Асланян, я занимаюсь цифровым развитием в СИБУР ПолиЛаб. И в статье я расскажу, как мы собрали агентную систему для разбора писем, на чём она чаще всего спотыкается и почему один из главных показателей для меня — стало ли людям легче работать.
При чём тут итальянская крышечка
Начну издалека. Однажды директор по продажам одного нашего клиента съездил в Италию и привёз бутылку с необычной для российского рынка крышкой. Захотел, чтобы компания выпускала такую же. Что осталось директору по производству? Разобраться, как это сделать и… сделать.
Во время экскурсии в СИБУР ПолиЛаб клиент передал нам крышечку буквально из рук в руки, а дополнительную информацию обещал прислать по почте. Дальше мы превратили образец в требования к материалу и производству и ответили на несколько вопросов:
В итоге специалисты подобрали наиболее подходящий материал из нашего ассортимента и рекомендовали тип оборудования, на котором его лучше производить.
Этот кейс хорошо показывает, чем именно мы занимаемся в ПолиЛабе. Клиенту необязательно знать марку полимера и названия методов исследований. Он может прийти с готовой идеей или продуктом и попросить воплотить это в жизнь. Наше дело — понять задачу и найти решение.
Со временем число таких запросов выросло примерно с 20 до более чем 400 в год. Параллельно нам поступают консультации, обращения по качеству, просьбы помочь настроить оборудование. Всё это нужно разобрать и направить дальше.
И вот тут назрела проблема масштабирования. Если бы клиент всегда приносил готовый образец со словами «хочу такой же», разобраться в задаче было бы проще. Но чаще всё начинается с письма: человек своими словами описывает, что хочет сделать, прикладывает картинки и документы.
Из этого нам ещё предстоит собрать понятную задачу — выяснить, какое изделие ему нужно, каким требованиям оно должно соответствовать и чем мы можем помочь. Иногда клиент может даже не представиться: для него очевидно, кто он такой. А вот сотруднику — нет.
В итоге нужно открыть вложения, посмотреть историю переписки, найти название компании, понять, действующий это клиент или новый, определить его задачу. Химические исследования ещё не начались, а специалист уже потратил очень много времени и энергии.
А если учесть, что мы планируем расширяться в Китай, Вьетнам и арабские страны и ожидаем больше писем и вложений на разных языках… Именно поэтому мы начали готовить агентную систему заранее, пока поток запросов с новых рынков ещё не вырос.
В общем, дел тут не на одного агента — поэтому мы сделали восемь.
Восемь агентов и один почтовый ящик
Мы собираем агентную систему, которая готовит клиентские обращения к работе учёных. Письма поступают в единый ящик, а дальше их разбирают восемь подагентов с отдельными навыками.
Все модели развёрнуты локально: переписка и корпоративные данные остаются внутри нашего контура. Агенты передают сведения в те же рабочие системы, которыми уже пользуются сотрудники. Для нас было изначально важно, чтобы автоматизация встраивалась в процесс работы с клиентскими данными.
Работа системы охватывает пять этапов.
1. Разобрать письмо и вложения. Выяснить, кто обращается, какое изделие хочет получить и в чём нужна помощь. Для этого система читает не только последнее сообщение, но и историю переписки, фотографии и документы.
2. Зарегистрировать запрос. Привести найденные сведения к стандартному виду и создать карточку обращения. Специалист получает сформулированную задачу, которую можно оценивать и брать в работу.
3. Найти похожие исследования. Посмотреть, подбирали ли мы материал для такого изделия или решали близкую проблему у другого клиента. Результаты предыдущих работ помогают определить, с чего начать.
4. Подготовить предварительный план. Предложить, какие свойства проверить и какие исследования провести. Специалист проверяет этот план и при необходимости меняет его.
5. Собрать черновик отчёта. После исследований подтянуть данные из рабочих систем, оформить результаты и подготовить предварительные выводы. Учёный проверяет их, дополняет своими знаниями и готовит рекомендации клиенту.
Люди из этого маршрута не вынуты до конца. Агенты берут на себя сбор и оформление информации на этих этапах, а специалисты проверяют подготовленные материалы. Но мы всё равно работаем над тем, чтобы система всё реже запрашивала уточнения и требовала исправлений.
Для этого ей нужно дать больше знаний об исследовательских методах и свойствах полимеров: найти продукт в каталоге проще, чем понять, почему он подходит для конкретного изделия.
И всё же до этого ещё много работы: сложности порой возникают даже при разборе письма. Почему?
Так ли просто быть агентом?
Самое сложное и интересное началось, когда мы стали подробно восстанавливать рабочий процесс. В общих словах он простой: сотрудник получает письмо, читает, вносит сведения в систему и передаёт обращение дальше. В итоге получается всего несколько шагов, и автоматизировать их как будто несложно.
А потом выяснилось, сколько действий спрятано внутри этих шагов.
Например, для определённого типа обращения обязательна транспортная накладная. В письме её нет. В системе, где регистрируют обращение, нужной информации тоже нет. Что делает сотрудник?
Идёт в другую систему, ищет клиента и его сделки, по датам из обращения определяет, о какой поставке идёт речь. Открывает её, находит накладную, скачивает и прикладывает к обращению. После этого возвращается к регистрации.
Но это только вариант А — искать накладную нужно не всегда. Есть вариант Б: клиент обратился за консультацией, и накладная вообще не требуется. А есть вариант В: он сразу прислал документ или сведения о поставке, и часть шагов можно пропустить.
Сотрудник привык к этому настолько, что при описании процесса даже не задумывается о его разветвлениях. Для него это фоновое действие: конечно, если документа нет, нужно его найти. Вот только разработчик агентов об этом «конечно» не знает.
Нам понадобилось несколько длинных встреч, чтобы выяснить, как люди на самом деле работают. Вопрос «как ты это делаешь?» оказывался полезен обеим сторонам: сотрудник замечал переходы между системами, а разработчик — сколько таких переходов люди совершают за день.
После этого мы стали иначе смотреть на автоматизацию. Если человек ходит за данными в две или три системы, агенту необязательно повторять тот же маршрут. Иногда разумнее связать источники и собрать нужную информацию в одном месте. Внедрение стало поводом пересмотреть сам процесс.
Сейчас расскажу, обо что в итоге спотыкались агенты чаще всего.
Три вещи, которые оказались сложнее, чем мы ожидали
1. Найти имя клиента в обращении
Проблема. Когда мы читаем почту, то почти автоматически понимаем: здесь человек представился, здесь указал компанию, а ниже процитировал предыдущий ответ.
А теперь представьте длинную переписку между двумя компаниями: несколько подписей, названий и цитат. Человек быстро поймёт, кто именно клиент. А модель может и напутать: найти название компании, но взять его из подписи другого участника.
Как решили. Пришлось объяснять системе то, что для нас стало привычкой: как устроена переписка, почему не каждое название в письме относится к клиенту и когда нужную информацию стоит искать во вложениях. Разбирали ошибки, настраивали и снова проверяли.
На таких промахах легко потерять веру в проект. Смотришь и думаешь: если агент не может разобраться с подписью, как мы доверим ему более сложную работу? Нас выручало то, что ошибки удавалось достаточно быстро исправлять. Команда видела: вот здесь мы споткнулись, но уже починили и идём дальше.
2. Узнать один продукт под разными названиями
Проблема. Следом мы споткнулись о химические названия. Живой специалист видит обозначение на русском, потом на английском и понимает: речь об одном продукте. Даже если клиент записал название на слух, сотрудник, скорее всего, всё равно узнаёт, что имеется в виду. Такая уж у него работа.
А вот для модели эта связь не всегда очевидна. Получается странная ситуация: письмо она прочитала, продукт в нашем каталоге есть, а сопоставить одно с другим не может.
Как решили. С этим тоже пришлось отдельно работать: настраивать систему на распознавание разных обозначений одного продукта, в том числе при неточной транслитерации.
Здесь мы снова упёрлись в опыт, который человек использует почти незаметно для себя. Нам со стороны кажется: ну понятно же, что это одно и то же. Но одного знания русского, английского и даже китайского недостаточно — агенту ещё нужно разобраться, как именно продукты могут называть в реальной переписке. ИИ не хватает человеческого опыта.
3. Не запутаться, когда данных стало больше
Проблема. Агент уже хорошо справляется с одним этапом, но для следующего ему не хватает информации. Мы подключаем ещё одну систему и ожидаем, что теперь работа пойдёт лучше: ведь мы же добавили нужные данные.
Но получается наоборот — агент начинает путаться. До подключения он работал с одним набором сведений, а теперь ему нужно разобраться ещё и в новых. Больше данных само по себе не означает лучший результат.
Как решили. После подключения мы дополнительно настраивали, как агент использует новую информацию: что откуда берёт и для какой задачи. Выдать доступ оказалось только частью работы.
Для нас это стало ещё одним уроком: подключили источник — проверяем, как система проходит задачу. Иначе вместо помощи получаем больше ошибок, которые сотрудникам приходится находить и исправлять.
Но тут, кстати, всё как у людей: мало дать больше знаний — нужно помочь их структурировать.
Плюсы, минусы и человеческое счастье
Когда я представляю будущий поток экспортных запросов, я думаю не только о KPI и экономии, но и о людях, которым придётся всё это разбирать. Сотни писем, вложений и переходов между системами могут отнимать время и желание заниматься чем-то ещё. Поэтому для меня главный вопрос: стало ли людям легче?
Сотрудникам — меньше рутины
Агенты уже собирают и оформляют информацию, которую раньше сотрудники готовили вручную. Когда у учёного есть карточка обращения, предварительный план или черновик отчёта, ему есть от чего оттолкнуться. Он проверяет подготовленные материалы и быстрее переходит к той части работы, где нужен его опыт: исследованиям, выводам, рекомендациям и разговору с клиентом.
Но есть и ложка дёгтя. Если раньше задача занимала полчаса, а теперь человек час исправляет ответы модели, радоваться рано. Поэтому мы смотрим, сколько рутинных действий агент выполняет без вмешательства и уточнений.
Сейчас основные сценарии работают стабильнее: претензий к медленной работе стало меньше, и коллеги ждут от системы новых навыков.
Клиентам — меньше обязательных действий
Мы хотим облегчить работу не только нашим сотрудникам, но и клиентам.
Автоматизация помогает нам быстрее разобраться в запросе, не перекладывая эту работу на клиента. Человек пишет привычное письмо, описывает задачу, как умеет, а агенты разбирают переписку и вложения, собирают сведения и оформляют запрос для специалиста.
Можно было бы упростить процесс за счёт клиента: попросить его заполнить форму, самому собрать данные и ответить на дополнительные вопросы. Нам стало бы удобнее, конечно, а вот ему пришлось бы сделать больше, прежде чем получить помощь.
Мы не хотим дёргать клиента за информацией, которую можем найти сами. А агенты позволяют сохранить это удобство и снять часть ручной работы с сотрудников.
Что я бы посоветовал команде, которая идёт похожим путём
Сначала разберитесь, как люди работают на самом деле. Не принимайте описание процесса на веру: за ним могут скрываться десятки шагов. И даже после созвона может выясниться, что сотрудник не вспомнил о нескольких из них.
Подключайте данные под конкретную задачу. Выдать агенту доступ к новой системе недостаточно. Нужно объяснить, какую информацию оттуда брать и как её использовать, а потом проверить результат.
Проверяйте агентов на задачах одного типа, но разной сложности. Длинные цепочки писем вместо коротких, несколько компаний в переписке, разные языки, неточные названия и множество вложений — именно там обнаруживаются узкие места: то, что человек делает автоматически, а модель пока осилить не может.
Договоритесь, что делает агент, а что решает человек. У нас система собирает информацию, предлагает предварительный план и готовит черновик отчёта. А специалист проверяет материалы и формулирует рекомендации клиенту. Граница должна быть чёткой.
Считайте время вместе с проверкой и исправлениями. Если агент подготовил ответ быстро, а сотрудник потом долго его переделывает, задача ещё не решена. Польза должна быть заметна в контексте всего рабочего дня человека.
Лично для себя я вижу у этой системы два плюса. Первый: человек становится режиссёром, а не ассистентом. Он приходит к новому этапу работы, а у него уже собраны факты, данные, предварительный план или черновик отчёта. И не нужно сначала преодолевать барьер подготовки информации.
Второй: черновик помогает преодолеть страх белого листа. Можно посмотреть на него, понять, что один вывод правильный, а другой надо переписать, — и начать работать. Уже есть от чего оттолкнуться. И сил больше, и настроение лучше.
Автор: digitalsibur
