Как LLM, ML и RPA трансформируют бизнес: кейсы Voxys, PIX Robotics и 7RedLines
На круглом столе IT-клуба “7 Red Lines Community” 24 апреля три компании – Voxys, PIX Robotics и 7 Red Lines – представили практику применения машинного обучения (ML), больших языковых моделей (LLM) и программной роботизации (RPA) в разных отраслях. Каждая из команд показала, как эти технологии уже активно работают в реальных проектах – от колл-центров до производственных линий.
Эта статья может быть полезна вам, если вы хотите:
- Узнать, как ускорить и улучшить клиентский сервис в любой компании
- Понять, как быстрее отбирать кандидатов при массовом найме
- Разобраться, как используется ML в промышленности
- Выяснить, в каких процессах лучше применимы LLM-модели, классическое машинное обучение и RPA роботы
1. Voxys: как LLM меняет работу колл-центра
Александр Токарев, CTO группы компаний Voxys, рассказал о внедрении LLM в масштабах крупнейшего аутсорсингового контакт-центра страны. У Voxys – более 7 тысяч сотрудников, 5 собственных дата-центров и собственная школа ИИ. Их технологии уже используются в проектах для РЖД, Royal Canin, AstraZeneca и других компаний.
Основные направления применения LLM в Voxys:
- Контроль качества и маршрутизация обращений: LLM анализируют обращения клиентов и автоматически классифицируют их, направляя к нужному оператору.
- Отчётность по неструктурированным данным: построение аналитики на основе чатов, писем и даже голосовых обращений без необходимости вручную структурировать данные.
- Бот-суфлер для оператора: подсказки для операторов колл-центра ускоряют обучение и улучшают обслуживание, что применимо для любых клиентских менеджеров.
В одном из кейсов Voxys применили LLM для анализа обращений в крупной сети фастфуда. Ежедневно поступает от 5 до 20 тысяч обращений, часто с ошибками, сленгом и на разных языках. Классические ML или ручная обработка не справлялись. Вместо этого настроили каскад промтов, где основной промт включал до 100 строк логики, плюс 20 строк системный промт и 30 строк - конфигурация. В результате в 11 раз удалось ускорить обработку обращений и высвободить 2 FTE.
Также Voxys используют LLM для внешней отчётности по неструктурированным данным (когда информация разбросана по чатам, текстовым и табличным документам в неструктурированном виде).
Для этого специалисты компании решили модифицировать LLM, чтобы можно было получать от неё результаты через SQL. Хорошо настроенная LLM-модель позволяет сделать кластеризацию, при чем не просто разделить данные на безымянные кластеры, а автоматически генерировать названия кластеров.
В результате:
- Время создания еженедельного отчёта сократилось с 2 часов до 6 минут;
- Аналитики могут использовать SQL для анализа текстов без участия ML-инженеров;
- Система работает в режиме близком к real-time.
Другой кейс – бот-суфлёр. Он помогает операторам колл-центра либо продацам в торговых сетях: анализирует диалог в реальном времени, подсказывает, как корректно ответить клиенту, и ищет информацию в базе знаний. Особенно хорошо работает, когда операторам необходим знать много новой информации по продуктам и сервисам компании. На примере производителя бытовой техники были получены следующие результаты после внедрения:
- Время обслуживания одного клиента сократилось на 22%;
- Срок обучения оператора уменьшился с 12 до 8 дней;
- Экономия составила до 300 тысяч рублей в месяц.
2. PIX Robotics: как RPA + AI освобождают людей от рутины
Илья Лещенко, ведущий инженер RPA в PIX, рассказал о подходе к цифровой трансформации через программную роботизацию с элементами искусственного интеллекта. PIX Robotics – российский разработчик, лидер на рынке RPA и BI-систем по версии CNews. Их решения используют более 400 компаний, включая Газпромбанк, Комус и Московскую биржу.
Основной продукт PIX – это интеллектуальные «цифровые сотрудники» PIX RPA, которые могут:
- Работать с офисными приложениями (Excel, Word, Outlook);
- Заполнять документы, переносить данные между системами, формировать отчёты;
- Анализировать тексты и классифицировать обращения.
Кейс: автоматизация подбора персонала
Быстро растущей компании нужно было ежедневно просматривать сотни резюме. HR-специалисты тратили до 1,5 часов на первичный отбор. Был внедрён RPA-робот с LLM:
- HR загружает описание вакансии;
- Робот сам ищет резюме на сайтах (например, HeadHunter);
- LLM анализирует соответствие кандидатов по навыкам и опыту;
- Формируется готовый отчёт со списком релевантных кандидатов.
Результат:
- Время анализа одного резюме сократилось с 10 до 1 минуты;
- Отчёт формируется за 5 минут вместо 1,5 часа;
- Высвобождено до 1,5 FTE на одного специалиста.
Илья подчеркнул, что любое решение по внедрению “цифровых сотрудников” важно внедрять по PDCA циклу постоянного улучшения:
- Поиск идей для роботизации (проводя бизнес-игры или, например, с помощью продукта Pix Процессы, позволяющего оцифровывать процессы, находить в них узкие места и оценивать потенциальную выгоду от роботизации),
- Реализация роботизации с применением ИИ (на базе PIX RPA),
- Анализ эффективности и визуализация метрик (с помощью PIX BI).
3. 7RedLines: когда ML работает лучше, чем LLM
Константин Антоневич, руководитель аналитических продуктов ИТ интегратора “7 красных линий”, рассказал о ключевых различиях между ML и LLM и привёл два конкретных кейса, реализованных компанией.
Кейс: Классификация обращений в Service Desk
На Челябинском трубопрокатном заводе (ЧТПЗ) ежедневно поступало большое количество обращений в ИТ-службу. Возникли трудности с распределением заявок и потерей времени на ручную обработку.
Решение:
- Распознавание голоса через Yandex SpeechKit;
- ML-модель классифицирует обращения и определяет, кому передать;
- RPA-робот регистрирует заявки в системе Service Desk.
В результате:
- Сокращение времени обработки с 3,88 до 2,25 минут;
- Снижение трудозатрат на 42%;
- Внедрение заняло 6 месяцев.
Кейс: Предиктивная аналитика на производственной линии
Крупный пищевой производитель столкнулся с проблемой внеплановых простоев оборудования. Решение:
- Установка 100+ датчиков на линии;
- Сбор телеметрии (температура, давление и пр.);
- Обучение ML-модели на данных за 6+ месяцев;
- Внедрение системы предиктивной аналитики.
Результат:
- 92% точность предсказания на трёх линиях;
- Возможность реагировать на сбои до их возникновения;
- Существенная экономия на ремонте и простоях.
Для оценки возможностей автоматизации можно использовать следующую памятку:

Выводы
- LLM – мощный инструмент, но не панацея. Они хороши там, где есть текст, контекст и свобода формулировок. Но при работе с цифровыми данными, предсказаниями и строгими зависимостями ML эффективнее.
- RPA без LLM – это просто автоматизация. Но в связке с ML и LLM роботы становятся «умными» помощниками, освобождая сотрудников для более творческой работы.
- Гибридные архитектуры побеждают. Лучшие решения сегодня строятся на миксе: LLM + SQL, RPA + LLM, ML + RAG, облако + on-premise.
- Проекты надо начинать с задач, а не с технологий. Сначала – бизнес-проблема. Потом – анализ данных. И только затем – выбор стека и архитектуры.
- Автоматизация – это не внедрение, а путь. С постоянным обучением, сопровождением и пересборкой решений по мере роста компании.
Пишите нам на почту k.antonevich@7rlines.com, если у вас появятся вопросы и желание попробовать такие решения в своей компании!