Технологии ИИ все более активно применяются в компаниях, в том числе в индустрии ОЦО. LLM (Large Language Model — большая языковая модель) – один из наиболее популярных ИИ-инструментов, который помогает решать разнообразные бизнес-задачи. Иван Широбоков, Директор Дирекции цифровых решений «МФЦ Полюс», рассказал Клубу ОЦО о практическом опыте своей компании по использованию LLM – от автоматизации финансовых комментариев до анализа контрагентов.
Мы привыкли, что технологии (BI, RPA) забирают на себя рутину, четко следуя по шагам процесса, обеспечивая наглядность данных, автоматизацию операций, стандартизацию процессов. Но граница между механической работой и детальным анализом всегда была явной. Сегодня благодаря применению LLM эта граница стирается. Мы переходим к автоматизации, которая «понимает» человека. Если раньше системы просто обрабатывали наши запросы, то теперь они становятся полноценными партнерами: понимают контекст, ведут осмысленный диалог и помогают принимать решения там, где раньше требовалось только участие сотрудника. Это не просто обновление инструментов – это новый уровень интеллекта внутри нашей компании. В практике «МФЦ Полюс» это стало заметно на задачах, которые раньше считались «неавтоматизируемыми».
Выбор процессов для внедрения
При выборе процессов для внедрения мы фокусируемся на задачах, где требуется быстрый сбор и обработка большого объема данных, так как LLM – это мощный ассистент, который помогает экспертам работать быстрее и эффективнее.
LLM хорошо справляется с выявлением закономерностей, структурированием информации, поиском шаблонов. При этом мы понимаем, что его выводы – это отправная точка для дальнейшего анализа, который проводит опытный эксперт. То есть для нас LLM – это инструмент для ускорения принятия решений, а не для их автоматического принятия. Финальное решение, особенно если оно критически важно, всегда остается за человеком.
Направления, где мы уже применяем LLM: бухгалтерский и налоговый учет, коммерческий бэк-офис.
Комментарии по расхождениям при закрытии периода
Одним из первых кейсов стала подготовка комментариев по расхождениям при закрытии периода. Несмотря на наличие традиционных инструментов автоматизации, финальная интерпретация всегда оставалась ручной: специалист анализирует изменения, сопоставляет показатели и формулирует объяснение.
Мы встроили LLM в этот процесс так, чтобы модель сама формировала первичный комментарий на основе анализа дельт по счетам между периодами. Таким образом автоматизируется сама логика первичного анализа: сотрудник больше не начинает с нуля, а работает с уже собранной интерпретацией. Его роль смещается в сторону проверки и уточнения.
Применение LLM в этом процессе обеспечило экономию 2 рабочих часов на одного клиента в пиковый период месячного финансового закрытия. Оптимизация процесса первичного анализа позволила исключить рутинный перебор массивов данных, сместив фокус внимания сотрудника исключительно на верификацию выявленных аномалий. Такой подход радикально снижает риск пропуска ошибок и ускоряет процесс финансового закрытия периода.
Анализ контрагентов
Второй кейс – анализ контрагентов по данным их сайтов. Это типичный пример задачи, которая плохо масштабируется: информация не структурирована, разнесена по страницам и требует ручного просмотра.
Здесь RPA извлекает контент с веб-страниц, а LLM служит интерпретирующим слоем, превращая полученные данные в структурированную информацию о компании: ее ключевых характеристиках, видах деятельности и реквизитах. В результате процесс, который раньше полностью выполнялся вручную, становится воспроизводимым и масштабируемым. Ежемесячный объем анализа составляет 2000 сайтов контрагентов, расчетный эффект по данному направлению составляет около 0,5 штатной единицы. Высвобожденный ресурс позволяет МФЦ не только оптимизировать затраты времени на ручной просмотр информации, но и усиливать компетенции команды за счет участия в новых разработках, масштабирования цифровых решений и проработки более сложных аналитических задач.
Резюме
Оба кейса показывают одну закономерность: нейросети не заменяют существующие инструменты, а дополняют их, закрывая тот объем, который ранее оставался вне автоматизации. BI-системы отвечают за работу с данными, RPA – за выполнение рутинных действий, а LLM – за осмысленное восприятие и интерпретацию информации. В результате человек вместо выполнения рутинных операций фокусируется на контроле и интерпретации результата.
Для МФЦ возможность автоматизировать сам анализ означает выход на новый уровень развития и трансформацию принципов проектирования ИТ-решений. Без пропорционального роста нагрузки мы имеем возможность автоматизировать
и масштабировать процессы, которые ранее полностью зависели от ручного труда.
«Наш главный приоритет – переход к статусу доверенного партнера»
Марина Голубева рассказывает, на чем сфокусирован ОЦО в 2026 году, как развивается клиентский сервис и каким станет центр через 5 лет.
