Счета, акты, договоры, заявления, заявки от партнёров — потоки документов растут, а штат back-office не обязан расти пропорционально. Document AI закрывает рутину: распознать, извлечь поля, проверить, маршрутизировать. Но без архитектуры контроля вы получите красивое демо и ошибки в учётных системах.
Этот гид — о том, как внедрять Document AI как промышленный контур: с метриками, валидацией и вызовом моделей через AI Gateway.
Какие классы документов брать первыми
Начинайте с документов, где много повторяемости и ясен эталон полей: счета на оплату, УПД, стандартные заявления, типовые приложения. Сложные нетиповые договоры лучше второй очередью — там выше потребность в длинном контексте и юридической проверке.
Для каждого класса опишите обязательные поля, допустимые форматы и системы-приёмники (ECM, ERP, CRM).
Оцените объём и вариативность: 10 тысяч однотипных счетов дадут быстрый ROI; 200 уникальных договоров — скорее пилот качества, чем экономии FTE.
Пайплайн обработки
Типовая цепочка: ingest (почта, сканы, кабинет) → антивирус/проверка файла → OCR при необходимости → классификация типа → извлечение полей LLM/IDP → бизнес-валидации → human review при низкой уверенности → запись в целевую систему → аудит.
Модели вызывайте централизованно: так проще считать стоимость страницы/документа и применять DLP. См. также DLP и 152-ФЗ.
Сделайте пайплайн идемпотентным и наблюдаемым: каждый документ имеет trace id, статус, причину review и ссылку на версию схемы полей.
- Идемпотентность: повторная загрузка не создаёт дубликаты
- Версионирование промптов и схем полей
- Хранение исходника и результата с трассировкой
- Очереди и ретраи при пиковых нагрузках
Качество: confidence, валидации, выборка ошибок
Не доверяйте «красивому JSON» без проверок. Сверьте ИНН/КПП контрольными разрядами, суммы — с итогами, даты — с допустимым диапазоном, контрагента — с мастер-данными.
Порог confidence настройте по полям: сумма и реквизиты жёстче, чем необязательный комментарий. Всё, что ниже порога, уходит оператору.
Раз в неделю разбирайте топ ошибок field-level accuracy: это дешевле, чем «глобально переобучить» без понимания, какое поле ломается.
Выбор моделей под документные задачи
Для длинных договоров важны контекст и устойчивость к структуре; для коротких форм — скорость и цена. Сравнивайте на вашем корпусе сканов и PDF, а не только на чистых текстах. Поможет гид по моделям и каталог.
Иногда выгодно: дешёвая модель на классификацию типа документа, более сильная — на извлечение из сложных приложений.
В bake-off обязательно включите плохие сканы, фото под углом, печати поверх текста и многоколоночные таблицы — именно они валят демо-качество в проде.
Интеграция с ECM/ERP и правами
Document AI должен писать в системы через контролируемые коннекторы и сервисные учётки с минимумом привилегий. Пользовательский доступ к сырым документам — по ACL исходного хранилища.
Если документ содержит персональные данные, заранее определите срок хранения извлечённых полей и логов промптов.
Разделите «черновик извлечения» и «утверждённая запись». В ERP/банковский контур должны попадать только данные после валидаций и (при необходимости) подписи оператора.
Метрики пилота
До старта посчитайте ручное время на документ и долю возвратов из-за ошибок ввода. На пилоте отслеживайте:
Без этих метрик вы не отличите успех автоматизации от переноса труда в скрытый review.
- STP (straight-through processing) — доля без участия человека
- Field-level accuracy по критичным полям
- Среднее время обработки и отставание очереди
- Стоимость AI на 1000 страниц/документов
- Доля документов, отвергнутых валидациями
Пилотный план на 8 недель
Структурированный пилот снижает риск «вечной опытной эксплуатации». Ниже — рабочий каркас для одного-двух типов документов.
- Недели 1–2: выбор типов, разметка эталона 200–500 документов
- Недели 3–4: пайплайн ingest → extract → validate → review UI
- Неделя 5: интеграция с ECM/ERP в stage, DLP-политики
- Недели 6–7: промышленный объём с human-in-the-loop
- Неделя 8: отчёт go/no-go, TCO, план расширения типов
Связь с знаниями и смежными процессами
Иногда после извлечения полей нужен ответ «что делать дальше» по регламенту — здесь подключается RAG. Для заявок, порождающих ИТ-работы, полезна связка с ITSM.
Единый AIaaS-слой упрощает сопровождение: один биллинг, одни политики, разные сценарии на платформе.
Риски и как их снизить
Главные риски: тихая деградация качества при смене шаблонов контрагентов, отсутствие владельца модели документа, автопроводки без порогов. Снижайте их мониторингом дрейфа, регрессионным набором документов и запретом автозаписи критичных операций без правил.
Дополнительно опасны: дубликаты из почты, поддельные счета, несовпадение реквизитов с мастер-данными. Document AI усиливает скорость — вместе с контролем мошенничества, а не вместо него.
- Дрейф шаблона → алерт по падению field accuracy
- Автопроводка суммы → запрет без валидаций и порога confidence
- Нет владельца типа документа → деградация схемы за квартал
- Сырые логи с ПДн → политика TTL и маскирование
Human review как продукт, а не очередь хаоса
Интерфейс оператора должен показывать исходник, подсвеченные поля, confidence, сработавшие валидации и причину попадания в review. Без этого люди правят «вслепую» и не улучшают систему.
Каждое исправление оператора — сигнал для доработки правил или промпта. Собирайте diff эталон/предсказание и запускайте регрессию на накопившейся выборке.
Нормируйте нагрузку review: если доля ручной проверки стабильно выше 40–50% на массовом типе, автоматизация ещё не готова к заявлению о ROI — сначала поднимайте качество извлечения и валидаций.
Антипаттерны Document AI
Демо на идеальных PDF без плохих сканов. Автозапись в ERP с первого дня. Одна схема полей на все типы документов. Отсутствие владельца типа. Игнорирование мошеннических счетов как «не нашей задачи».
Ещё один антипаттерн — строить отдельный ИИ-контур в обход AI Gateway. Через квартал вы потеряете единый биллинг, DLP и возможность сменить модель без переписывания пайплайна.
Контроль мошенничества и мастер-данные
Ускорение разбора документов без сверки с мастер-данными повышает скорость проведения сомнительных счетов. Встройте проверки контрагента, банковских реквизитов и лимитов суммы до STP.
Для новых контрагентов или изменений реквизитов автоматически снижайте confidence и отправляйте в review — даже если модель «уверена» в OCR.
Согласуйте с казначейством/безопасностью список red-flag признаков: совпадение с stop-list, аномальная сумма, нестандартный банк, повтор одного PDF с разными номерами.
Стоимость ошибки поля vs стоимость токена
В Document AI дешёвая модель с частыми ошибками суммы или ИНН обходится дороже дорогой модели: возвраты, задержки оплаты, ручные правки, риск штрафов.
Считайте total cost of imperfect extraction: AI + review + стоимость бизнес-ошибки. Иногда повышение класса модели на критичном типе документа — решение FinOps, а не «роскошь».
Как запустить за один квартал
Недели 1–2: выбор 1–2 типов документов и разметка эталона. Недели 3–5: пайплайн + human review. Недели 6–8: интеграции и отчёт go/no-go. Далее — расширение на следующие типы.
Готовый продуктовый контур смотрите на странице Document AI; вопросы по пилоту — через контакт.
Критерий масштаба: field-level accuracy по критичным полям устойчиво выше целевого порога, STP растёт, а стоимость AI на 1000 документов предсказуема в рамках FinOps-лимитов.
Частые вопросы
Шаблоны ломаются на новых формах. LLM лучше переносит вариативность макетов и неструктурированный текст, особенно в связке с правилами валидации. На стабильных массовых формах гибрид часто оптимален.
На старте — да. Human-in-the-loop для низкой уверенности и критичных полей снижает риск ошибок в ERP/ECM и ускоряет обучение правил.
Сравните стоимость ручной обработки 1000 документов (время + ошибки + возвраты) со стоимостью AI + human review. Учитывайте сокращение цикла оплаты/проводки, а не только экономию FTE.
Держите мониторинг дрейфа полей и регрессионный набор. При падении accuracy автоматически снижайте STP и поднимайте долю review, пока схема/промпт не обновлены.