ИИ-ассистент для обработки заявок на металлопрокат

Внедрили интеллектуальный OCR и гибридный поиск для сопоставления c номенклатурой и подготовки коммерческих предложений.

Клиент
Металлопрокат
Опубликовано
Из практики / ВнедрениеМеталлопрокатПромышленность

Задача

Отдел продаж компании-дистрибьютора продукции из нержавеющего металлопроката тратил значительное время на ручную обработку входящих заявок. Клиенты присылали запросы номенклатуры через мессенджеры и email в неунифицированных форматах: PDF-сканы, Excel-таблицы и даже фотографии спецификаций.

Менеджеру приходилось вручную «читать» эти файлы, находить каждую позицию в номенклатурном справочнике 1С УТ (учитывая опечатки, сокращения и разные формулировки) и только потом формировать заказ. Этот процесс был «бутылочным горлышком»: он занимал до 40 минут на один сложный заказ, приводил к ошибкам из-за человеческого фактора и мешал компании быстро масштабировать продажи.

Мы поставили цель разработать сервис, который бы сокращал время обработки запроса до минимума и автоматически:

  • Распознавал номенклатуру из любых файлов, присланных клиентом.
  • Сопоставлял ее с внутренним справочником номенклатуры 1С УТ.
  • Готовил форму коммерческого предложения.

Отрасль: Промышленность

Решение

Мы разработали интеллектуального ассистента, интегрированного напрямую в Telegram — основной рабочий инструмент менеджеров. Вместо ручной работы, сотрудник теперь просто пересылает ассистенту любой файл от клиента, будь то PDF, Excel или фотография спецификации.

«Под капотом» платформа n8n запускает процесс: сначала LLM выступает в роли OCR-системы, «читая» документ и извлекая из него список позиций.

ИИ-ассистент для обработки заявок на металлопрокат — иллюстрация

Для этого проекта мы реализовали продвинутый гибридный поиск, который объединяет семантическое понимание GenAI с жесткой логикой SQL. Вместо простого векторного поиска, алгоритм сначала применяет интеллектуальный разбор запроса клиента (например, «Отвод 32x3 12X18H10Т») на конкретные атрибуты: тип изделия, диаметр, стенка и марка стали. Параллельно запрос преобразуется в смысловой вектор через OpenAI API.

Затем, один сложный SQL-запрос запускает три поиска параллельно:

  1. "Fast path" по точным атрибутам (например, диаметр и толщина)
  2. Full-Text Search по ключевым словам
  3. Векторный поиск по смысловой близости к пулу кандидатов.

Реализовали ранжирование с учётом типа продукции и точных атрибутов. Система понижает неподходящие варианты и поднимает точные совпадения, помогая менеджеру быстрее найти нужную позицию.

ИИ-ассистент для обработки заявок на металлопрокат — иллюстрация

В финале менеджер получает результат сопоставления товара и возможностью вручную подтвердить его корректность. Это реализует важный принцип «Human-in-the-Loop», позволяя человеку быстро валидировать результат и, при необходимости, корректировать его.

После этого по шаблону подготавливается итоговая версия документа с коммерческим предложением, которое менеджер отправляет клиенту.

Технологии

PostgreSQL · n8n · GPT-4o

Результаты

Связали получение заявки, распознавание файла, поиск по справочнику и подготовку коммерческого предложения в одном процессе:

  • Скорость: время обработки сложной заявки из 20+ позиций сократилось с 30-40 минут до 45 секунд.
  • Контроль сопоставления: менеджер получает предложенные соответствия номенклатуре и может подтвердить или исправить их перед подготовкой документа.
  • Работа с клиентом: распознавание и поиск выполняет ассистент, а менеджер проверяет позиции и готовит предложение к отправке.
  • Подготовка коммерческого предложения: после проверки позиций система собирает документ по шаблону, который менеджер отправляет клиенту.
Следующий шаг

Начнём с вашей задачи.

Расскажите, что хотите изменить в работе компании. Обсудим, где помогут обучение, внедрение или диагностика.

Обсудить задачу