Ежегодно «АльфаСтрахование» обрабатывает порядка 40 млн документов. За последние десять лет компания прошла путь от потокового сканирования и распознавания штрихкодов до собственной платформы интеллектуальной обработки документов (IDP), объединяющей OCR, машинное обучение и большие языковые модели. Сегодня эти технологии помогают автоматизировать десятки бизнес-процессов, справляться с растущими объемами документов без расширения штата и обеспечивать экономический эффект в десятки миллионов рублей.
О том, как менялись задачи автоматизации документооборота, почему LLM не заменяют классические технологии распознавания и какую роль в этом процессе играют решения Smart Engines, мы поговорили с Натальей Корецкой, директором операционного департамента «АльфаСтрахование».
Посмотреть запись открытого диалога можно здесь.

От сканирования штрихкодов к интеллектуальной обработке
– Как за последние десять лет менялись задачи по автоматизации обработки документов в «АльфаСтрахование»? С чего начинался этот путь?
– Если говорить про бизнес в целом – а я представляю именно его – то это сплошной документооборот. В «АльфаСтрахование» на сегодняшний день обрабатывается порядка 40 млн документов в год. И весь этот объем требует автоматизации, в противном случае мы бы с ним просто не справились. Начиналось все с достаточно простой задачи – быстро сканировать документы. Первое, что мы сделали, – оборудовали все наши точки присутствия, а их было около 400, скоростными сканерами и программным обеспечением для потокового сканирования.
Основной поток документов в страховании – это договоры страхования. К тому моменту большая часть из них уже оформлялась во фронтенде, интегрированном с нашей полисной системой, то есть данные о продажах автоматически поступали в систему учета. Однако для подтверждения транзакции необходимо было убедиться, что оригинал договора действительно поступил в компанию.
Для этого мы использовали распознавание штрихкодов: оно позволяло связать отсканированный бумажный документ с записью в информационной системе и автоматически подтвердить его поступление. Так распознавание штрихкодов на договорах страхования стало нашим первым проектом по распознаванию документов.
– Оцифровка документов происходила непосредственно на местах, там, где поступала бумага? Как развивалась автоматизация дальше?
– Да, весь архив пополнялся на местах через сканирование. С бумажными документами так происходит и сейчас: мы сканируем их в наших точках присутствия, а затем централизованно или автоматически обрабатываем. Наша стратегия операционной эффективности заключается в том, чтобы переводить локальные ручные операции в цифровой формат, централизовать и по возможности автоматизировать. Мы начинали с распознавания штрихкодов, затем QR-кодов, и постепенно автоматизировали учет всех типовых форм договоров страхования.
Следующим этапом стала работа с входящей корреспонденцией. Страховая компания получает колоссальное количество писем – порядка 2 млн в год. Все их необходимо открыть, прочитать, зарегистрировать, определить тип документа и направить на дальнейшую обработку.
При этом многие обращения требуют срочной реакции. Например, если вовремя не отреагировать на судебное письмо, можно проиграть дело. А при получении заявления о расторжении договора страхования мы обязаны ответить клиенту в установленный законодательством срок. Поэтому перед нами встала новая задача – автоматически классифицировать корреспонденцию, распределять ее по потокам с учетом срочности и определять дальнейший сценарий обработки.
– Как удалось автоматизировать обработку такого разнообразия документов?
– Разные категории документов требуют разных сценариев обработки. И здесь нам на помощь пришел следующий этап развития интеллектуальной обработки документов – машинное обучение (ML). OCR мы использовали с самого начала: сначала распознавали штрихкоды, затем текст документов. А с помощью моделей машинного обучения, обученных по нашим алгоритмам, мы научились автоматически определять тип документа и выбирать дальнейший сценарий его обработки.
– Помимо классификации документов, какие еще задачи удалось автоматизировать?
– Следующим шагом стало распознавание типовых документов и извлечение из них данных. После того как мы научились использовать машинное обучение для обработки входящих документов, начали внедрять технологии Smart Engines для распознавания паспортов, водительских удостоверений и свидетельств о регистрации транспортных средств. Причем эти решения используются не в бэк-офисе, а во фронтенде, например на этапе продажи страховых продуктов.
– Почему вы выбрали Smart Engines в качестве поставщика технологий распознавания документов?
– Мы довольно давно определились с поставщиком OCR и за десять лет сотрудничества ни разу не пожалели о своем выборе. Это не значит, что мы не рассматривали альтернативы: тестировали открытые решения, продукты других разработчиков – как российских, так и зарубежных, облачные и локальные.
Мы внимательно следим за новыми технологиями и продолжаем работать со Smart Engines. За эти годы у коллег появлялись новые технологии и возможности, а у нас – новые задачи и потребности бизнеса. Так мы постепенно расширяли применение распознавания документов и внедряли новые продукты Smart Engines.
Зачем понадобился собственный IDP-оркестратор
– Как вы пришли к идее создания собственной платформы интеллектуальной обработки документов?
– В какой-то момент – этому поспособствовала и пандемия – доля бумажных документов у нас сократилась до 16%. Однако отсутствие бумажного носителя еще не означает, что из документа можно автоматически извлечь данные и использовать их в бизнес-процессах. Есть полностью цифровые документы, которые формируются в информационных системах и автоматически принимаются к учету. А есть сканы, фотографии и другие документы без текстового слоя, для обработки которых требуются дополнительные инструменты.
К тому времени мы уже научились автоматически учитывать, классифицировать и маршрутизировать основные категории документов с текстовым слоем. Следующей задачей стала автоматизация обработки остальных документов. Там, где текстового слоя нет, мы используем OCR для распознавания текста, а затем ML или LLM для его дальнейшей обработки.
В 2025 году мы поняли, что для эффективного использования этих инструментов нам нужна единая платформа. Выстраивать отдельную последовательность операций для каждого типа документа – дорого и не всегда надежно. Поэтому мы решили создать универсальное решение, которое позволило бы объединить разные технологии интеллектуальной обработки и автоматизировать сценарии целиком.
– С каких задач началась разработка платформы?
– Мы решили начать с бухгалтерских документов – актов, накладных, счетов. Причем это не основная наша деятельность: в розничном бизнесе такие документы составляют массовый поток, а для нас они скорее побочные. Поэтому мы решили попробовать на них LLM и на базе этого сценария построить прототип будущей платформы.
Мы сразу поняли, что использовать OCR, LLM и другие инструменты по отдельности неэффективно. Нам нужно было универсальное решение, которое позволит автоматизировать сценарии целиком. Так появилась платформа, к которой можно подключать разные инструменты интеллектуальной обработки документов в зависимости от конкретной задачи.
– Как устроен процесс обработки документов внутри платформы? Как взаимодействуют OCR, ML и LLM?
– Все начинается с OCR: если документ не содержит текстового слоя, сначала необходимо его распознать. При этом задача не всегда простая. Например, на одной странице могут находиться несколько разных документов, повернутых в разные стороны и даже принадлежащих разным клиентам. Поэтому сначала нужно выделить каждый документ, распознать его и определить тип, а затем извлечь необходимые атрибуты.
Если документ относится к типовым формам, поддерживаемым Smart Engines, например акт, счет или накладная, система сразу распознает его и извлекает необходимые данные. Для нетиповых документов – договоров, дополнительных соглашений, отчетов, ведомостей, заказ-нарядов и других – используются сценарии на базе ML или LLM.
Языковая модель читает документ, определяет, что это за документ, и извлекает атрибуты, необходимые для дальнейшей обработки.
Например, если к нам поступил неформализованный бухгалтерский документ на бумаге, мы его сканируем, распознаем и извлекаем все необходимые для учета данные: номера, адреса, суммы, названия статей, наименования, номенклатуру. Затем упаковываем результат в интеграционный документ – JSON или XML, в зависимости от требований следующего этапа обработки, – и передаем дальше.
OCR и LLM: друзья или враги
– Как с появлением LLM изменились требования к технологиям OCR? Насколько качество распознавания влияет на эффективность всего процесса?
– Качество распознавания по-прежнему очень важно, особенно когда речь идет о получении полнотекстовых данных для дальнейшей обработки с помощью LLM. То, насколько качественно OCR распознает текст и подготавливает его для языковой модели, напрямую влияет на стоимость достижения конечного результата.
– Как вы обеспечиваете поддержку новых типов документов? Всегда ли для этого целесообразно использовать LLM?
– Преимущество LLM в том, что с их помощью можно достаточно быстро автоматизировать обработку новых типов документов с минимальными доработками под конкретные шаблоны. Но у такого подхода есть своя экономика: использование языковой модели может обходиться дороже, чем специализированное распознавание.
Поэтому мы можем сначала запустить обработку нового типа документов с помощью LLM, а затем, когда появляется более быстрый или экономичный инструмент, заменить им языковую модель. Например, дождаться, пока у наших партнеров появится поддержка нового типа документа в специализированном решении.
В этом и заключается одно из преимуществ нашего IDP-оркестратора: мы не привязаны к одной технологии и можем выбирать наиболее эффективный инструмент для каждой задачи.
– Какие еще факторы влияют на выбор технологий для интеллектуальной обработки документов?
– Для нас важны не только качество и стоимость обработки, но и требования информационной безопасности. Мы очень жестко регламентированы, поэтому не можем использовать облачные LLM для наших сценариев, как и облачные OCR-решения. Системы распознавания документов и языковые модели у нас всегда были развернуты локально, вся обработка происходит внутри инфраструктурного периметра компании.
Это накладывает дополнительные требования на экономику проектов. Если в облаке можно оплачивать обработку по мере использования, то локальное развертывание LLM требует собственных вычислительных мощностей. Фактически порог входа определяется стоимостью оборудования.
Поэтому важно понимать, в каких сценариях действительно необходимы языковые модели, а где задачу можно решить с помощью более экономичных инструментов.
От технологий к бизнес-результатам
– Какие результаты уже дает внедрение IDP-оркестратора? Можете привести пример успешного проекта?
– Один из самых успешных кейсов этого года – автоматизация обработки судебной корреспонденции. С развитием цифрового исполнительного производства мы стали получать одни и те же письма из разных источников: по электронной почте, через Почту России и Госуслуги. В результате возникает риск повторной обработки одного обращения или неправильного определения сроков реагирования.
Одна из задач нашего IDP-оркестратора – выявлять дубликаты писем, определять, какое из них поступило первым, и проверять, был ли уже дан ответ. Это позволяет правильно отсчитывать сроки и исключать повторную обработку документов.
Архитектура нашего оркестратора и достигнутый уровень автоматизации на базе ИИ позволяют справляться даже с кратным ростом объема судебной корреспонденции без необходимости расширять штат сотрудников, в том числе юристов, занимающихся ее обработкой.
Это и есть одна из главных целей автоматизации – не сокращение персонала, а возможность масштабировать процессы без пропорционального увеличения численности сотрудников.
– А если говорить об экономическом эффекте от внедрения IDP-оркестратора? Какие результаты уже удалось получить?
– Развитие IDP-оркестратора, в том числе подключение LLM, только за последний год позволило сэкономить десятки миллионов рублей. В ближайшие 12 месяцев мы рассчитываем увеличить экономический эффект за счет реализации девяти проектов, охватывающих 67 типов документов.
В первую очередь это экономия за счет масштабирования: мы можем обрабатывать растущие объемы документов, которые сопровождают развитие бизнеса компании, без пропорционального увеличения численности сотрудников. Кроме того, автоматизация влияет на качество клиентского сервиса, а значит, и на репутацию компании. Хорошо работающий бэк-офис позволяет быстрее выполнять необходимые операции и обеспечивать стабильность бизнес-процессов.
– Насколько точно языковые модели справляются с извлечением данных из документов? И как вы контролируете возможные ошибки?
– В зависимости от качества исходного документа точность извлечения данных составляет 95-99%. Но ошибки языковых моделей пока никуда не исчезли.
Мы не готовы полностью исключить человека из процесса, особенно когда речь идет о чувствительных данных или финансовых операциях. Поэтому используем перекрестные проверки и несколько уровней контроля результатов работы LLM.
Наша задача – сделать автоматическую обработку достаточно надежной, чтобы постепенно сокращать количество случаев, когда документ необходимо передавать человеку на дополнительную проверку.
Как автоматизация меняет работу сотрудников
– Как за эти годы автоматизация повлияла на численность сотрудников, занятых ручной обработкой документов?
– На пике, в 2014-2015 годах, численность нашего центра операционной поддержки достигала 300-350 человек. Кстати, у нас не очень большое ОЦО по сравнению с другими отраслями, где значительно больше централизованных ручных операций. Сейчас у нас 160 сотрудников, занимающихся ручной обработкой документов. При этом за прошедшие годы документооборот бизнеса вырос на порядок, а численность персонала на протяжении последних пяти лет практически не увеличивается.
Это результат последовательной автоматизации процессов. Когда у бизнеса появляется новый сервис и возникает потребность в дополнительных операциях, мы сначала берем их на себя в формате lift-and-shift, то есть переносим процесс в существующем виде. А затем постепенно автоматизируем его, чтобы рост бизнеса не требовал пропорционального увеличения штата.
– А как сотрудники воспринимают внедрение новых технологий? Не возникает ли сопротивления автоматизации?
– Никакого сопротивления. У нас довольно устоявшийся штат, и люди не боятся потерять работу, потому что мы не проводим сокращений, а задачи есть всегда. За годы автоматизации у нас сформировалась культура, в которой сотрудники сами заинтересованы во внедрении инноваций.
В этот процесс вовлечены в том числе операторы валидации: они тестируют новые инструменты, делятся обратной связью и подсказывают, что можно улучшить. С внедрением новых технологий работы у них не становится меньше, просто меняется ее характер. Возможно, она становится даже более интересной.
Что дальше: смогут ли LLM заменить человека?
– Как вы считаете, смогут ли технологии интеллектуальной обработки документов полностью заменить человека? Останутся ли сотрудники в бэк-офисе через три-пять лет?
– Люди в бэк-офисе, безусловно, останутся. Пока что исключить человека из рутинных операций в перспективе ближайших двух лет не представляется возможным. Но технологии развиваются так быстро, что, возможно, уже через полгода я буду говорить что-то другое.
И дело не столько в качестве нейросетей, сколько в доверии к ним. Человек пока не готов полностью полагаться на решения ИИ, к тому же существуют законодательные ограничения.
Сейчас LLM скорее выступает в роли помощника: она анализирует документы и предоставляет человеку необходимую информацию, чтобы он мог быстрее принять решение. Например, система может извлечь и структурировать данные из бухгалтерского документа, но решение о принятии его к учету остается за сотрудником.
Самое интересное здесь то, что машина научилась не просто выполнять конвейерную работу или действовать по заданному алгоритму – это она умела и раньше. Теперь она научилась понимать текст документа почти как человек и на основе этого делать выводы. Но насколько можно доверять этим выводам – вопрос бизнеса и допустимых рисков.
– Если подытожить: как сегодня взаимодействуют OCR и LLM в обработке документов и как вы видите дальнейшее развитие этих технологий?
– LLM без OCR в обработке документов не работает. Это не конкурирующие технологии, а разные этапы автоматизации обработки документов. OCR позволяет распознать текст, а LLM – работать с его содержанием.
При этом большие языковые модели подключились к нашему процессу относительно недавно, около года назад. А еще год назад многие задачи, которые мы сегодня решаем, казались нам недостижимыми. Технологии развиваются фантастически быстро, и пока я не вижу предела возможностей, которые перед нами открываются.
Но завтра могут появиться новые инструменты. Поэтому мы и вложились в создание универсальной платформы, которая позволяет гибко комбинировать разные технологии: один инструмент можно заменить другим или подключить новый.
Для нас важно не просто внедрять отдельные решения, а быть готовыми к дальнейшему развитию интеллектуальной обработки документов. И здесь важно помнить, что стремительно развиваются не только языковые модели, но и технологии OCR. Наши коллеги постоянно совершенствуют алгоритмы распознавания, повышая их точность и производительность. И какими бы мощными ни становились LLM, без качественного распознавания на входе добиться надежной обработки документов будет значительно сложнее. Именно поэтому мы видим будущее в совместном развитии и использовании этих технологий.
Экспертный диалог с Натальей Корецкой, директором операционного департамента «АльфаСтрахование», можно посмотреть по ссылке.
P.S. Подписывайтесь на наш канал и следите за обновлениями.
