ИИ-агенты в производстве этикетки: как научить ИИ работать в IT-системах компании?

«Об этом очень много пишут, про это очень много говорят, но, уверен, из большинства материалов складывается смутное впечатление, что это вообще такое, почему это агенты, что они делают и где они вообще живут. Поэтому сегодня мы постараемся разобрать на конкретных примерах производства этикетки.

И действительно посмотрим, а как можно соединить искусственный интеллект с вашими рабочими системами, потому что переписываться и получать какие-то полезные тексты — это хорошо, но хотелось бы, чтобы он действительно начинал уже за нас всех работать и делать рутину. А мы будем заниматься более творческими, сложными и интересными задачами.

Мы в 2023 году начали свою деятельность с того, что стали партнёрами Bitrix24 и стали разрабатывать индивидуальные автоматизации с применением генеративного искусственного интеллекта, то есть того самого, который лежит в основе ChatGPT и который, в принципе, сейчас породил актуальный тренд на искусственный интеллект. Мы стали делать автоматизации, которые встраиваются прямо в карточки системы Bitrix24, обрабатывают документы, понимают, подходит ли тендер какой-то для компании или нет, является ли он целевым или нет. И мы пришли к тому, что сейчас наше основное направление — это предоставление уже готового сервиса. Он называется «Омниум». Это платформа искусственного интеллекта для бизнеса, то есть агрегатор моделей для удобной работы как раз вот с самыми последними технологиями в российских компаниях.

Наш сегодняшний путь из точки А в точку Б. Точка A у нас будет и отвечать вам текстом в чате то, что уже сейчас все знают, и то, что я уверен, абсолютное большинство уже применяет очень активно и, наверное, почти каждый день. Точка Б - работать в программах, выполнять ту самую полезную работу.

Итак, переписка в чате. Кейсы здесь очень простые, понятные. Мы можем попросить искусственный интеллект написать письмо клиенту с комментариями по поводу переносов срока. Мы можем использовать искусственный интеллект для контент-маркетинга, для того чтобы посчитать стоимость тиража. И сейчас мы уже понимаем, что ошибки в этих расчётах допущены не будут, если мы используем действительно последние модели искусственного интеллекта. То есть те самые опасения, когда у нас в чате элементарно не сходилась арифметика, уже в прошлом, это осталось в 2023 году, возможно, в начале 2024 года. Сейчас этого уже не случается. И относительно недавняя новость — это то, что модели искусственного интеллекта уже самостоятельно выигрывают международные олимпиады по математике. Что, конечно же, показывает их колоссальные возможности и в логике, и просто в элементарных подсчётах.

Мы с вами дальше будем строить систему прямо по кусочкам, прямо по модулям. То есть начнём с самого простого. Здесь у нас всего лишь три элемента: это вопрос, который отправляется в ИИ-модель, и мы получаем от ИИ-модели ответ. ИИ-модель — это компьютерная программа, которую обучили на очень большом количестве данных и которая вам очень сильно хочет помочь. Каждый ваш запрос она воспринимает как задачу и пытается дать вам максимально полезный ответ. Это то, что мы с вами используем как раз в чатах.

Но для того, чтобы мы смогли повышать пользу искусственного интеллекта именно для бизнеса, для рабочих задач, нам нужно давать больше контекста, больше данных. Почему? Очень часто недовольство системой искусственного интеллекта, оно возникает из-за того, что мы не замечаем, каким широким контекстом мы на самом деле обладаем в рамках каких-то задач. То есть вы работаете в какой-то компании многие годы. Для вас уже очень многие вещи стали абсолютно привычными. И вы искусственному интеллекту задаёте какой-то очень короткий вопрос, и он отвечает абсолютно не так, как вы хотите. Почему? У него нет этого контекста. Он не работал в вашей компании 5 лет. Он просто не знает абсолютно критически важной информации, которая ему необходима.

Следующий шаг, кроме того, чтобы просто написать эту информацию в чате, добавить файлы. И здесь уже у нас открываются новые кейсы. Мы уже можем анализировать договоры с клиентом, составлять претензии, посчитать себестоимость тиража не просто, по тому вводному тексту, который мы написали в чате, а уже загрузить конкретный бриф и ваш прайс-материал. Но здесь тоже важная оговорка. Эти кейсы, которые мы сейчас рассматриваем, они актуальны именно для моделей современных, актуальных. Мы говорим о лучших мировых моделях.

Добавляется файл с извлечённым текстовым содержимым. Это может быть, в том числе изображение. И ответ у нас получается более качественный.

Как дальше нам продвинуться в том, чтобы искусственный интеллект ещё больше нам что-то делал полезного? Мы можем файл не только читать, но мы можем файлы ещё и создавать с помощью искусственного интеллекта.

Задачи здесь могут быть уже следующие: «Сделай Excel-таблицу для сравнения КП от поставщиков. Сформируй акт о браке по этим фото рулона и упаковочному листу. Составь реестр выполненных тиражей за март из этих производственных заданий».

Здесь у нас уже работает комбинация. Мы пишем наше текстовое задание, мы добавляем наши файлы. И здесь подключается новый модуль выполнение кода, генерация файла. То есть, уже работа идёт по созданию нового документа, который вы можете использовать действительно как результат рабочей задачи. Очевидно, что в бизнесе очень часто наличие какого-то документа, конкретного файла — это тождественно тому, что задача была выполнена. Просто пообщаться в чате — это всё-таки часто бывает не совсем то, что видится финальным результатом.

И мы здесь подключаем поиск в сети. Какие у нас здесь кейсы открываются? Здесь уже мы можем искать актуальные требования к маркировке, если они есть в открытых источниках, сравнивать наши цены с рыночными. Мы можем проверять контрагента, допустим, по ИНН и добавлять результаты в какую-то конкретную таблицу, потому что мы знаем, что информация по российским юрлицам присутствует в огромном количестве каталогов, которые легко находятся в поисковых системах, которыми искусственный интеллект тоже оперирует. Вот эта комбинация даёт нам уже действительно качественно иную пользу по сравнению с простой перепиской в чате, с которой мы с вами начали разбор этого всего. Мы даём больше контекста. Абсолютно из разных источников, и мы получаем более качественные результаты.

Что же такое ИИ-агенты? Эта модульная система, которую мы с вами рассматривали, уже присутствует в большинстве известных вам сервисов. Начиная от Алисы и GigaChat и заканчивая ChatGPT, DeepSeek, Claude и так далее. Но мы подходим к её агентам как к следующему шагу для того, чтобы искусственный интеллект мог получать больше информации, и он мог больше вещей с информацией делать. ИИ-агент — это, на самом деле, и модель в цикле: модель генерирует текстовые команды, результат подставляется обратно в запрос. Модель генерирует команды снова и так, пока задача не решена. То есть это по сути такой бесконечный цикл переписки искусственного интеллекта с вашими рабочими инструментами. Грубо говоря, 1С чатится с искусственным интеллектом до тех пор, пока они наконец-то что-то полезное для вас не сделают.

Модуль, который мы с вами рассматривали, можно представить в виде такой схемы: работа с файлами, поиск в сети, выполнение кода — это агентские задачи.

То есть мы можем поручить искусственному интеллекту самостоятельно решать: когда что-то нужно поискать в сети; как поработать с файлом; когда сгенерировать код. Мы не должны прописывать это.

На заре эры искусственного интеллекта, в которой мы живём, был очень популярен термин промпт-инжиниринг. Наверняка про него многие слышали, может быть, кто-то проходил курсы, потому что они были очень распространены. Так вот, промпт-инжиниринг — это действительно то, что требовалось на этапе 2023 года, 2024-го года. Искусственному интеллекту нужно было прописывать всё очень подробно по шагам, огромнейшими инструкциями для того, чтобы действительно получить в нём качественный результат.

Сейчас ситуация абсолютно другая. Сейчас мы хотим, наоборот, дать задачу коротко, не писать много, а дальше пускай он работает сам. Вот к чему мы стремимся, а не к тому, чтобы все стали программистами.

Как подключить тех самых ИИ-агентов к системам, которые используются в компании?

Допустим, мы берём систему Bitrix 24. У нас есть рабочая задача, достаточно простая. Создать задачи сотрудникам в вашей системе управления бизнесом: сотруднице по фамилии Орлова нужно согласовать цветопробу; Кротову - запустить допечатную подготовку, и всем нужно обновить статусы по активным сделкам до конца дня.

Что нужно для этого сделать искусственному интеллекту? Нужно найти пользователей по фамилии в вашем Bitrix24, создать задачи и заполнить поля в задачах. Ответ, который мы ожидаем от Bitrix24, конечно, то, что задачи созданы.

И как мы к этому идём? Искусственный интеллект — это программа, которая генерирует текст. В случае с агентом полезный для вас текст — это программный код. Мы не будем сейчас разбирать синтаксис этого кода, что он там означает. Это просто иллюстрация того, что уходит от искусственного интеллекта в систему для того, чтобы совершать определённые действия.

00Написали задачу в чате. Искусственный интеллект думает, как же ему решить её? Подбирают разные инструменты. И даёт вам ответ, что нам нужно было добавить в определённую компанию, назначает по ней ответственного в Bitrix24. Всё, результат есть, и эта компания добавлена.

Давайте посмотрим ещё задачи, которые можно решать точно так же перепиской в чате, который соединяется с вашими системами.

Допустим, задача: «Посмотри новые лиды в Bitrix24 за сегодня. Разбери каждый: что за этикетка, какой материал, тираж, размер, отделка и так далее? Создай по каждому сделку с заполненными полями». Какой может быть ответ? «Готово. Разобрал 11 новых заявок за сегодня и создал 9 сделок, 2 лида не смог разобрать».

Что-то по ним не хватает. По одному из лидов клиент написал только: «Нужна этикетка на бутылку, но нет информации о материале, тираже, размере, нужно уточнить». По второму лиду, который не удалось разобрать искусственному интеллекту, письмо на английском, прикреплён PDF с дизайном, но нет ТЗ по материалу, по отделке тоже нужно уточнить. Здесь мы смотрим на что? На то, что мы можем поручить искусственному интеллекту не всегда идеально выполнять наши задачи. Он может сообщать, когда ему не хватает данных, когда он что-то хочет запросить дополнительно. И он это и будет делать. Он не будет просто нестись вперёд, сметая всё на своем пути, лишь бы выполнить какую-то заданную изначально инструкцию.

А если мы сделаем такой запрос: «Дай сводку по производству. Сколько заказов на каждой стадии? Какие «горят»? У кого просрочены задачи?» Какой может быть здесь ответ? «Сводка по производству. Новые заявки…», то есть здесь у нас просто идёт аналитика «застряли столько-то». Это BI-аналитика – дашборды, которые уже показывают важную информацию постоянно. Вы видите эти цифры, видите эти графики.

В чём здесь отличие? Во-первых, в том, что трансформация может быть очень сложной. То есть это не просто математические действия, а это результаты оценки важный ли это лид, неважный лид. Написали ли вам письмо, возможно, с какой-то эмоцией, позитивной, но важнее, конечно, негативные эмоции, и тогда нужно ему дать гораздо больший приоритет и так далее. То есть здесь спектр анализа расширяется, и, что тоже очень важно - здесь не нужно искать программистов для того, чтобы получать новые версии подобной аналитики, подобных отчётов, то есть, как вы увидели всё программирование выполняется «на естественном языке». Вы пишете запрос, и вы сразу же получаете своеобразный дашборд, который вы хотите видеть. Конечно же, это ускоряет процесс и принятие решений.

Где застряли деньги? Проанализирую воронку: на какой стадии заказы зависают дольше всего, сколько денег застряло. На слайде пример возможного ответа.

Подготовка к звонку с клиентом. Мы можем получать информацию о клиентах, об актуальных сделках из CRM-системы, и использовать эту информацию для быстрой справки перед тем, как вы хотите связаться с компанией.

Сейчас мы посмотрели интеграцию системы нашей с искусственным интеллектом с Bitrix24. Но мы можем подключить 1С предприятие. И здесь речь о самых разных конфигурациях.

И, допустим, для того чтобы получить информацию по остаткам материалов, искусственный интеллект генерирует уже такой кусочек кода, который входит в вашу систему и помогает получить информацию полезную, нужную для ответа на ваш запрос.

Посмотрим кейс сложнее, который уже связан с 1С и с Bitrix одновременно.
Запрос: «Дай утреннюю сводку на сегодня». Здесь нужно небольшое обучение искусственного интеллекта для того, чтобы он понимал, что есть утренняя сводка для вас. Но допустим, он это знает. Что он делает? Он забирает в 1С все производственные задания на сегодня, он проверяет остатки материалов, смотрит статус оборудования — это всё из 1С. А из Bitrix24 он подтягивает просроченные и горящие задачи для клиента и макеты.

Какой ответ он вам даёт? Допустим: «Сводка: тиражи смены, машины на линии, внимание - самоклейка белая, остаток 4 рулона, на сегодня нужно 6, срочно заказать, по краске тоже вопрос, горящая задача в Bitrix24, просроченная отправка макета, на согласование 2 дня», - руководитель знает всё. Вот такую сводку он получил примерно за 2 минуты.

Аномалии по отходам материала. Смотрим тиражи за март, где фактический отход материала превысил плановый на 15%. Проверяем 1С: закрытое производственное задание, проверяем 1С: клиент, материал, партия, машиноператор, рассчитываем отклонение.

По базе знаний уже сверяем с регламентом, какие нормы вообще, в принципе, допустимы для разных типов работ. Генерируем отчёт в формате Excel с группировкой по причинам и рекомендациями. Всё, рабочая задача завершена. То есть, я думаю, что вы все здесь видите, этот переход от того, чтобы просто спросить искусственный интеллект о чём-то к тому, чтобы полноценная рабочая задача была выполнена. Но это уже действительно, очень многошаговая задача, и она займет некоторое время. И я думаю, что здесь будет работа идти минут 5-7. Сколько времени эта задача займёт у человека? Явно не 5 минут.

Ответ может выглядеть в таком варианте, если мы не будем сейчас рассматривать Excel.

Из заказов в производственное задание: «Возьми сделку. Создай производственное задание, подбери подходящую машину и оператора». Забрали с Bitrix24 данные сделки, проверили наличие материала на складе, нашли свободные печатные машины и проверили особые требования клиента.

Выдали ответ - предложение по сделке: клиент, материал, тираж, машина, оператор. Особое требование клиента учтено.

Здесь есть очень интересная строчка: «Создать производственное задание в 1С?». Но как сделать так, чтобы искусственный интеллект «не затёр» все данные вашей системах? Действительно, этого точно не хотелось бы. Когда мы подключаем искусственный интеллект к реальным системам бизнеса, то, конечно же, это всегда доступ только на чтение, либо это копия так называемой продакшн-базы, то есть той базы данных, которая используется у вас в бизнесе. Мы не пускаем ИИ-агентов в ваши реальные данные, чтобы они что-то там меняли, записывали и так далее. Это действительно опасно, и в начале такое делать точно не следует.

Но, в принципе, при правильных настройках, при правильном разграничении доступов можно уже давать искусственному интеллекту право на то, чтобы изменять определённые кусочки данных в вашей системе. Зачем? Затем, чтобы опять же выполнять уже какую-то работу: создавать производственные задания, добавлять новые компании и так далее.

Как понять, можно ли какую-то другую систему также подключить к искусственному интеллекту, что-то ей писать в чате и заставлять её делать какие-то автономные вещи с помощью ИИ-модели? Ответ - API.

Если хоть как-то вы сталкивались вообще в принципе с миром IT, то наверняка вот этот термин вы уже узнали. Это то, что означает пульт управления от сервиса. Если у какого-то сервиса есть API-интерфейс, то к нему можно подключиться снаружи. Управлять данными без захода в интерфейс, без кликов мышки как раз искусственному интеллекту. Вы можете поискать в поисковике либо в том чате искусственного интеллекта, которым вы пользуетесь опять же DeepSeek, ChatGPT.

Если API есть, то, в принципе, полдела уже готово. Еще нужен отдельный коннектор, который подключит этот API к системе искусственного интеллекта. Всё, к сожалению, не так просто. Но это 80% того, что необходимо для автономного управления сервисом по вашим командам в чате.

То, что мы видим как потенциально интересные интеграции — это система «Честный знак» и «Контур Диадок». Но это пока не подключено именно в наш сервис.

Как научить искусственный интеллект правилам вашей компании?

Помните, у нас был короткий запрос: дать утреннюю сводку? Что такое утренняя сводка? У нас есть два основных пути сейчас научить искусственный интеллект тому самому контексту, который, возможно, был наработан за 5 лет. Первое — это база знаний.

Как её формировать? Вы загружаете в документы компании, ИИ ищет в них ответы при каждом запросе как новый сотрудник, который прочитал все ваши папки и запомнил. Это опять же то, что уже не является экспериментальным, то, что уже активно применяется. Если вы пользуетесь ChatGPT, то это функция Projects. Если вы пользуетесь нашим сервисом, то это функция база знаний.

Относительно новый формат — это навыки, готовые сценарии поведения. Допустим, как посчитать стоимость тиража, как оформлять заявку в производство, в каком порядке проверять макет и действовать по вашим правилам. Чем отличается от знаний? Тем, что это та инструкция, которую нужно выполнить прямо досконально.

Вы можете конкретно прописать буквально инструкцию для искусственного интеллекта, как для нового сотрудника, для того чтобы он действовал определённым образом. Эта инструкция остаётся, и эта инструкция подтягивается именно тогда, когда она нужна.

Искусственный интеллект сейчас в состоянии понимать, когда ему нужно обратиться к конкретному навыку для того, чтобы лучше выполнить задачу. Вы даёте ему задачу по расчёту стоимости, он сам реагирует, и он сам говорит: «Окей, мне нужно найти эту инструкцию. Я её ищу, и я её использую для того, чтобы выдать вам более качественный результат».

Сейчас обучение искусственного интеллекта по сути заключается в том, чтобы передать ему правильно оформленный текстовый файл, передать последней актуальной современной модели искусственного интеллекта нужные данные и дать ему возможность их использовать. Компании сейчас уже не учат собственные модели. Это уже в прошлом. Если мы опять же говорим здесь про технологию, конечно же, та, которая лежит в основе ChatGPT. И мы говорим про всё-таки массовый бизнес, не IT».

Спикер подробно остановился на том, какие модели нейросетей стоит использовать в работе, и наглядно продемонстрировал рейтинг лидирующих ИИ-моделей на слайде. Опираясь на данные рейтингового портала: https://arena.ai/leaderboard

Искусственный интеллект уже давно перестал быть просто «умным чатом». Как показал Сергей Маямсин, ключевой тренд сегодня — переход от генерации текстов к полноценной работе ИИ-агентов внутри бизнес-систем. Они способны не только анализировать данные из Bitrix24 и 1С, но и создавать документы, формировать отчёты, выявлять аномалии и даже предлагать управленческие решения.

Главный вывод семинара: ИИ-агенты не требуют от сотрудников навыков программирования. Взаимодействие с ними происходит на естественном языке, а обучение сводится к загрузке базы знаний и описанию бизнес-правил. При этом стартовать следует с «режима чтения» — давая ИИ доступ только к аналитике и только затем, при необходимости, расширяя его полномочия.

Технология уже готова для внедрения в типографиях, на производстве этикеток и в других отраслях. Вопрос не в том, «стоит ли пробовать», а в том, кто первым получит конкурентное преимущество.