Модуль 5.6 · Урок 2
Кейс: автоматизация документов
Содержание
- Чему вы научитесь
- Профиль компании
- Процессный аудит
- Хронометраж подготовки КП
- Возможности для AI
- Решение: RAG + GigaChat
- Архитектура
- Knowledge Base
- Почему GigaChat, а не OpenAI
- Вызовы русского языка
- Морфология
- Формальность (ты/вы)
- Терминология
- Результаты пилота (30 КП)
- Финансовые результаты
- Финансы
- Что пошло не так
- Старые КП портили качество
- Word/PDF форматирование
- GigaChat «выдумывал» факты
- Консультанты не доверяли
- Ключевые выводы
Чему вы научитесь
- Применять RAG + LLM к длинным формальным документам на русском
- Решать проблемы морфологии, формальности и терминологии
- Считать ROI для «документных» кейсов
- Видеть, как правильная подготовка Knowledge Base даёт 50% успеха
Профиль компании
«ConsultPro» — российская консалтинговая фирма, стратегия и трансформация. 30 сотрудников, 450 млн ₽ дохода. Готовят ~150 коммерческих предложений в год, каждое занимает 6-8 часов. Win rate — 45%.
Процессный аудит
Хронометраж подготовки КП
| Этап | Время | Кто |
|---|---|---|
| Обсуждение с командой | 30–45 мин | Бизнес-девелопер + консультант |
| Смета и график | 60–90 мин | Финансист + консультант |
| Executive Summary | 90–120 мин | Ведущий консультант |
| Problem Statement | 60–90 мин | Консультант |
| Описание подхода | 120–180 мин | Консультант (часто копипаст) |
| Команда проекта | 30–45 мин | HR + консультант |
| Форматирование | 30–45 мин | Администратор |
| Рецензирование | 60–90 мин | Партнёр |
| Итого | 8–10 часов | из них 3–5 часов рутины |
Возможности для AI
| Возможность | Экономия | Приоритет |
|---|---|---|
| RAG-поиск в базе КП | 60 мин (40%) | Высокий |
| Авто-fill биографий команды | 30 мин (25%) | Высокий |
| Генерация черновика КП | 120 мин (40%) | Высокий |
| Проверка стиля | 30 мин (25%) | Средний |
| Финансовые расчёты | 45 мин (75%) | Средний |
| Итого потенциал | 285 мин (47%) | — |
Решение: RAG + GigaChat
Архитектура
flowchart TD
A["Консультант<br/>вводит RFQ клиента"] --> B["RAG Engine<br/>Поиск по 500 КП"]
A --> C["GigaChat<br/>Генерация текста"]
B --> D["Релевантные примеры<br/>из Knowledge Base"]
D --> C
C --> E["JSON-структура<br/>Executive Summary +<br/>Problem Statement +<br/>Approach"]
E --> F["Template Converter<br/>Word + PDF<br/>с ГОСТ-форматом"]Knowledge Base
- 500+ успешных КП за 5 лет
- Разбиты на chunks 500–1000 токенов
- Embedding через мультиязычную модель
- Метаданные: индустрия, размер, тип, win/loss, дата
Инвестиция в подготовку: 80 часов (~160 000 ₽). Результат: поиск < 1 сек, Precision@3 = 92%.
Почему GigaChat, а не OpenAI
| Критерий | GigaChat | OpenAI |
|---|---|---|
| Русский язык | Отлично | Хорошо |
| Цена | 0.5 ₽ / 1K токенов | $0.03 / 1K токенов |
| Сертификация | Есть | Нет |
| Результат | +5% качества | — |
| Стоимость | −40% | Базовая |
Вызовы русского языка
Морфология
Проблема: «анализ рисков проектов» вместо «анализ рисков проекта».
Решение: fine-tuning на 500 русских КП + post-processing проверка склонений.
Результат: ошибки морфологии с 15% → 3%.
Формальность (ты/вы)
Проблема: AI иногда использует «тебя» вместо «вас» в деловом контексте.
Решение: явная инструкция в промпте + шаблоны типовых фраз.
Результат: 0 ошибок формальности в последних 50 КП.
Терминология
Проблема: AI пишет «анализ», а компания использует «диагностика».
Решение: словарь из 200 терминов + fine-tuning.
Результат: терминологическая консистентность 98%.
Результаты пилота (30 КП)
| Метрика | Target | Результат |
|---|---|---|
| Экономия времени | 40–50% | 47% ✓ |
| Качество (оценка 1–5) | ≥4.0 | 4.2 ✓ |
| Нужна переделка раздела | <20% | 18% ✓ |
| Консультанты готовы использовать | >70% | 80% ✓ |
| Win rate обработанных КП | ≥45% | 51% ✓ |
Финансовые результаты
Финансы
Инвестиции: консалтинг 300K + Knowledge Base 160K + GigaChat API 600K + Vector DB 480K + интеграция 280K = 1.82M ₽.
Выгоды: экономия времени (120 КП x 3.76 ч x 5 000 ₽/ч = 2.26M) + рост win rate (+7.2 КП x 5M x 35% маржа) = ~5.28M ₽ консервативно.
Что пошло не так
Старые КП портили качество
КП 2015–2017 годов были низкого качества. AI «учился» на плохих примерах. Решение: отфильтровать КП старше 2020 года. Результат: +15% качества поиска.
Word/PDF форматирование
Нумерация разделов разбивалась, шрифты не сохранялись. Решение: python-docx + правильные шаблоны. Заняло +20 часов вместо запланированных 2.
GigaChat «выдумывал» факты
В одном КП — ложное утверждение о клиенте (галлюцинация). Решение: инструкция «используй только информацию из KB». 0 галлюцинаций в последних 30 КП.
Консультанты не доверяли
«Это будет плохого качества.» Решение: демо на их собственном КП, не на generic примере. Мнение изменилось мгновенно.
Если в вашей компании есть шаблонные документы (КП, отчёты, договоры):
- Соберите 50–100 лучших примеров за последние 3 года
- Разбейте на chunks и создайте embedding (vector DB)
- Настройте GigaChat с RAG: запрос → поиск похожих → генерация
- Протестируйте на 10 реальных случаях (blind test)
- Измерьте: экономия времени, качество, нужна ли правка
Ключевые выводы
- RAG + GigaChat — рабочая связка для русскоязычных документов
- Подготовка Knowledge Base — 50% успеха. Инвестируйте 80+ часов
- Морфология, формальность, терминология — решаемые проблемы (fine-tuning + словари)
- −47% время на КП, +6% win rate, ROI +190%, окупаемость 2 месяца
- Демо на реальных данных клиента убеждает скептиков лучше любых презентаций