Медиацентр
ИИ читает, программа считает: что мы поняли, внедряя LLM в свой бэк-офис
11.11.2026Почему большинство корпоративных ИИ-пилотов не доживают до реальной работы и как мы постарались не повторить их судьбу? В новой статье Кирилл Назаров, директор по развитию ИТ-продуктов и сервисов Globus, рассказывает, как мы внедряли ИИ в бухгалтерии, юротделе, кадрах и тендерном отделе.
Сегодня рынок переполнен ИИ-пилотами, которые впечатляют на демо и исчезают через пару месяцев после запуска. Причина редко бывает в модели. Ее внедряют как технологию, а не как продукт: без жестких ограничений, без понятной метрики и без учета того, как люди на самом деле работают с результатом.Мы пошли от обратного. Ниже рассказываю, какие решения мы приняли, какие из них оказались ошибочными и как мы считали эффект. С цифрами, компромиссами и тем, что пришлось переделывать.С чего все началосьМы ИТ-интегратор: поставки оборудования и лицензий, проекты, госзаказчики. Компания росла, и документов стало примерно на четверть больше, чем обычно бывает у бизнеса нашего размера, а людей в бэк-офисе осталось столько же. По моей оценке, это около 106 лишних человеко-часов в месяц. Их закрывали вечерами: бухгалтеры сверяли накладные со спецификациями, юристы перечитывали похожие друг на друга договоры, кадровики заново заполняли одни и те же приказы.В какой-то момент коллеги начали по очереди приходить с одним вопросом: «Вы же делаете ИИ для клиентов. Почему у нас его нет?» Вопрос справедливый и, честно говоря, немного неловкий.Я застал времена, когда «автоматизация бэк-офиса» означала очередную доработку учетной системы и полгода согласований. Повторять этот путь не хотелось. Поэтому начал не с выбора модели, а с разговоров с отделами: где уходят часы, что болит сильнее всего и что люди готовы отдать машине, а что — нет.Почему не взяли готовоеИз разговоров с отделами и службой безопасности вылезли три условия, которые не обсуждаются:Документы не уходят за пределы компании. Договоры, зарплаты и платежи — не то, что можно отправлять во внешний сервис.Ошибка в сумме недопустима. Бухгалтеру не нужен помощник, который «обычно считает правильно».Результат проверяется за минуты. Если человек перепроверяет все с нуля, экономии нет.Каждый готовый вариант я прогнал через эти три пункта, и ни один не прошел целиком.Что не устроило1. Облачный ИИ — документы нельзя отправлять наружу2. Свои GPU-серверы — месяцы на закупку и отдельная команда на сопровождение
3. RAG-конструктор — детали есть, но инструмент для бухгалтера все равно собирать самимВ итоге поставили один мощный компьютер внутри своей сети и написали для него сценарии под каждый отдел. Компромисс осознанный: мощность одного устройства ограничена, зато запустились за дни, а не за кварталы. С опытом начинаешь ценить именно это — быстро получить работающую вещь в руках у пользователей и учиться на ней, а не на презентациях.Что мы построилиВсе работает на одном ИИ-компьютере со 128 ГБ памяти внутри нашей сети. Основная модель — gpt-oss-120b (4 бита, около 65 ГБ), для извлечения реквизитов — компактная Qwen3-14B. Типовая накладная обрабатывается за 20–40 секунд, договор на 60 страниц — за 3–5 минут, одновременно работают до 15 сотрудников.Для сотрудника все выглядит просто: он кладет документ в привычную сетевую папку и получает короткий отчет. Внутри документ проходит шесть шагов:
