ИИ для работы с документами: заменили ручной ввод на ИИ-конвейер

Заказчик — строительная компания из Москвы, которая каждый месяц получает сотни смет и спецификаций от подрядчиков со всей страны и из-за рубежа. Данные документы необходимо обрабатывать и компоновать в единые таблицы. 

Задача — убрать ручной перенос данных из сканов смет и спецификаций в корпоративную таблицу.

Проблема —  документы не однородны: фото вместо пдф-файлов, колонки с разными названиями, нестандартная структура таблиц. Из-за чего платный сервис для распознавания и извлечения данных не справляется: путает похожие колонки, не разделяет слипшиеся параметры. В итоге приходится проводить ручную проверку, которая занимает много времени.

С похожей задачей мы столкнулись, когда разрабатывали систему ИИ-проверки сайта для автоматического аудита контента. Там алгоритмы не только нашли ошибки в текстах, но и обнаружили техническую проблему, скрывавшую часть страниц от поисковиков. Этот опыт помог нам понять: автоматизация ценна, когда она не просто «распознаёт», а находит аномалии и подсвечивает их человеку. Тот же принцип мы применили в этом проекте.

Решение — построили ИИ-конвейер в четыре этапа:

1. Компьютерное зрение распознаёт таблицу на скане.
2. Нейросеть сопоставляет колонки по смыслу и распределяет данные.
3. Система подсвечивает сомнительные места, человек быстро проверяет и при необходимости правит.
4. Готовая таблица в едином корпоративном формате.

Результат — время обработки одного документа сократилось в 5–7 раз.

Заказчик — строительная компания из Москвы, которая занимается промышленным и гражданским строительством по всей стране. Операционный блок каждый месяц разбирает сотни смет и спецификаций от десятков подрядчиков.

И, мало того, что документы приходят на русском и английском, так еще информация не однородна: колонки называются по-разному, структура таблиц скачет, а вместо нормальных цифровых файлов — небрежные сканы и фотографии с телефона.

В итоге до 70% времени сотрудники тратят на переписывание цифр из одного файла в другой. С учетом того, что одна ошибка в спецификации — и компания заказывает не тот материал, теряет деньги и срывает сроки.

Задача звучала просто: убрать ручной ввод и дать бизнесу инструмент, который сам распознаёт документы и выдаёт готовую таблицу.

На старте нас ждал неприятный сюрприз. Мы рассчитывали, что входные данные — это цифровые файлы с текстовым слоем, из которых легко извлечь информацию. По факту — фотографии документов. Ни скопировать текст, ни вытащить данные автоматом. Задача мгновенно усложнилась: системе нужно было не «прочитать» документ, а «увидеть» его.

Мы проверили платный сервис-аналог. Границы таблиц он находил неплохо, но там, где требовалось понять смысл, — ошибался: путал колонки с похожими названиями, не разделял слипшиеся данные вроде «Труба ДН677 600». Оператору приходилось перепроверять каждую ячейку — по сути, делать ту же работу заново. Экономии времени — ноль, а для процесса, где важна каждая цифра, это было неприемлемо.

Так рутинная задача превратилась в исследовательскую. Мы поняли: чтобы система заработала по-настоящему, она должна «понимать» таблицу, а не просто считывать текст.

Построили конвейер из четырёх этапов — на каждом система делает своё дело, а человек — контролирует.

Этап 1. Извлечение сырых данных

Пользователь загружает изображение и выделяет область с таблицей — на листе могут быть печати, заметки, подписи. Дальше в дело вступает компьютерное зрение: алгоритмы нормализуют картинку, находят строки и столбцы, извлекают текст. На выходе — просто набор данных без понимания смысла. Мы перебрали несколько библиотек для распознавания текста, чтобы найти самую точную под нашу задачу.

Этап 2. Интеллектуальное сопоставление

Здесь в игру вступает нейросеть, получает две вещи: список колонок из входящего документа и список колонок целевой таблицы заказчика. Задача — найти смысловые соответствия.

Простой пример: «Масса единицы» у поставщика — это «Вес изделия» у заказчика. Нейросеть понимает: это одно и то же.

Сложный пример: «Труба ДН677 600» — это не одна колонка, а две. «Труба» — наименование, «ДН677 600» — техническая характеристика. Нейросеть сама разделяет такие данные и распределяет по нужным полям. Сервис-аналог, который мы тестировали, видел это как единую строку и сваливал всё в одну колонку. Оператору потом приходилось разбирать каждую позицию вручную.

Именно здесь решается ключевая задача: превратить хаос из десятков форматов в единый стандарт компании. ИИ для работы с документами делает за минуты то, на что у человека ушли бы часы сравнения и сверки.

Этап 3. Проверка человеком — быстро и прицельно

Мы не обещаем стопроцентной точности. На «мёртвых» сканах это технологически невозможно, и ни один сервис в мире её не даст. Поэтому мы встроили контроль прямо в интерфейс.

Нейросеть не просто выдаёт результат — она подсвечивает строки, в которых её уверенность ниже пороговой. Оператор сразу видит: вот здесь система сомневается, а всё остальное с высокой вероятностью корректно. Ему не нужно перепроверять каждый столбец — он фокусируется только на проблемных зонах.

Удалить лишнюю строку, переименовать колонку, подставить пропущенное значение — всё это делается в одном окне. Документ, на который раньше уходил час ручного ввода, теперь обрабатывается за несколько минут.

Этап 4. Выгрузка

Нажал «подтвердить» — получил готовую таблицу в едином корпоративном формате. Всё.

Важно отметить, что мы не стали сразу строить продукт. Сначала собрали прототип — проверить главную идею и показать заказчику, как это работает.

На этом этапе нас интересовало только одно: точно ли нейросеть переносит данные. Так мы двигались быстро и не раздували бюджет на старте.

Весь прототип — от серверной логики до интерфейса — сделал один разработчик. Интерфейс собирали с помощью автоматической генерации кода — чтобы не отвлекать отдельного специалиста и бросить все силы на точность распознавания.

Мы показали прототип заказчику — он был в восторге. Компания годами занималась ручным переносом данных и была готова к 30% точности автопереноса — даже это уже сэкономило бы время. Мы дали 70–80%, в зависимости от качества скана, но главное преимущество — не сама точность, а то, как построена проверка. Система подсвечивает только проблемные места, поэтому на проверку уходят минуты. Полный цикл обработки одного документа сократился в 5–7 раз по сравнению с ручным вводом.

Почему не 100%? Потому что мы работали со сканами и фотографиями — «мёртвыми» картинками без текстового слоя. Компьютерное зрение в таких условиях всегда даёт погрешность: где-то печать перекрыла цифру, где-то угол съёмки исказил таблицу. Будь на входе нормальные цифровые файлы с текстовым слоем — точность была бы близка к 100%. Но реальность заказчика — вот такая, и наше решение сильно превзошло ожидания.

Главный итог даже не в цифрах. Заказчик увидел: можно больше не переписывать таблицы вручную. Загрузил фото или скан — и через несколько минут получил готовый документ. Сотрудники перестали бояться ошибок: человеческий фактор ушёл с этапа ввода на этап контроля. 

Генерация кода с помощью ИИ позволила за пару часов, создать прототип для демонстрации заказчику. Уже на этапе проверки гипотезы мы смогли не просто рассказать, как всё будет работать, а показать на практике. Заказчик оценивал не дизайн и не готовый проект, а скорость и корректность переноса данных под задачи компании.

Важно, что пока ИИ не способен полностью заменить человека в разработке: он генерирует код с неточностями и логическими ошибками.

Вывод: для быстрой проверки гипотез автоматическая генерация кода — отличный инструмент. Для масштабируемого корпоративного решения код должен проходить проверку у команды разработки интерфейсов. Исключать человека из этого процесса пока рано.

Конвейер не привязан только к извлечение данных из документов, сокращение ручного труда и снижение человеческого фактора — универсальные потребности, сейчас их может спокойно закрыть ИИ для работы с документами.

Похожие задачи возникают и в Электронной коммерции. Например, при работе с большими каталогами товаров компаниям приходится собирать данные из разных источников, приводить характеристики к единому виду и заполнять карточки товаров без участия сотрудников. Об этом мы подробно рассказали в статье «Как ИИ для интернет-магазина снизил стоимость карточки товара с 2000 до 1 рубля».

Мы доводим задачу до бизнес-результата. Вот как:

• Проектируем систему с умной проверкой: оператор видит только проблемные места, а всё остальное обрабатывается автоматически.
• Помогаем сформулировать задачу от реальной боли бизнеса, а не просто берём ТЗ в работу.
• Запускаем прототип, проверяем гипотезы и достраиваем — без попытки сделать всё и сразу.
• Заранее закладываем архитектуру под масштабирование.

Если ваши сотрудники до сих пор переписывают таблицы руками — давайте это исправим. Оставьте заявку, и мы расскажем, как адаптировать этот конвейер под ваши документы или создадим что-то новое.