إيبوتوس طبّقت AI محليًا للمطالبات ونقلت الشكاوى إلى Bitrix24

نقلت Epotos، وهي شركة مصنعة لأنظمة إطفاء الحرائق، معالجة شكاوى العملاء من إعادة توجيه الرسائل يدويًا وExcel إلى مسار AI شبه مؤتمت. وأصبحت الرسائل الواردة والمرفقات والصور تُحلَّل الآن عبر منظومة محلية من OCR وLLM وBitrix24، بينما يحصل الموظفون على مهمة مُعدة مسبقًا مع checklist.

كيف كان العمل سابقًا

قبل التطبيق، كان كل شيء يعتمد على آلية مألوفة لكنها مرهقة: كانت الشكاوى تصل إلى صندوق بريد مشترك، إلى جانب العروض التجارية ودعوات المعارض والمراسلات العادية. وكانت السكرتارية تعيد توجيه الرسائل المطلوبة يدويًا، وتسجل الطلبات، وتعمل فعليًا كمرشح أولي. وبالنسبة إلى شركة لديها عدة مجالات — من المركبات المتخصصة إلى النقل البري — أصبح ذلك عنق زجاجة، خصوصًا عندما ارتفع تدفق الطلبات إلى عدة عشرات أسبوعيًا، ولم يعد خبراء الشكاوى قادرين على تحليل السبب الجذري لكل حالة.

بعد ذلك، كانت البيانات تُنقل إلى جدول Excel يتضمن الحالات والتحديثات، لكنه كان يُملأ يدويًا. وكان سجل التواصل مع العميل يتشعب عبر سلاسل طويلة من الرسائل، كما أن ترتيب الإجراءات الخاصة بالشكاوى كان موجودًا غالبًا إما في أذهان الموظفين ذوي الخبرة أو يُنقل شفهيًا إلى الموظفين الجدد. ونتيجة لذلك، كانت الشركة ترى مجرد وجود الشكوى، لكنها كانت تفقد السرعة والشفافية ومعيارًا موحدًا للمعالجة. وفي هذا السياق، لم تعد الأتمتة تبدو تجربة، بل وسيلة لإعادة العملية إلى نطاق السيطرة.

ممّ تكوّن النظام

قرر الفريق عدم كسر القناة المعتادة، وأبقى البريد الإلكتروني نقطة الدخول. ثم تُسحب الرسائل عبر IMAP، ويُعالج محتواها بواسطة منظومة AI محلية حتى لا تُرسل بيانات العملاء إلى السحابة. وبالنسبة إلى المرفقات، جرى استخدام Tesseract مع نموذج OCR روسي: فهو يستخرج النص من ملفات PDF والصور الفوتوغرافية وملفات أخرى لا يكفي فيها copy-paste المعتاد. وكُنموذج لغوي، وقع الاختيار على Qwen3-30B-A3B المشغَّل عبر Ollama. وهو يحدد ما إذا كانت الرسالة شكوى أم لا، وإذا كانت كذلك، يفككها إلى حقول منظمة لمتابعة العمل.

• قراءة نص الرسالة والمرفقات، بما في ذلك PDF والصور والملفات النصية
• OCR للصور الفوتوغرافية والممسوحات الضوئية التي يكون فيها العيب موصوفًا ليس في النص، بل في مستند أو صورة
• تصنيف الرسالة الواردة: شكوى، أو spam، أو رسالة داخلية، أو طلب غير ذي صلة
• استخراج تفاصيل المنتج والرقم التسلسلي والعيب والفئة وجهات اتصال المرسل
• تسجيل النتيجة في Bitrix24 عبر 25–30 حقلًا وإنشاء مهمة تلقائيًا مع الـ checklist المطلوب

كما بنى الفريق نظامًا من prompts والقواعد: يجب على النموذج أن يجيب بصيغة JSON بدقة، وأن يميز بين شكوى على المنتج ورسالة تجارية، وأن يوزع الشكاوى حسب الفئات. وبعد ذلك، تنتقل البيانات إلى Bitrix24، حيث تُنشأ القوائم وعمليات الأعمال مع المسؤولين والمراقبين ومراحل الإغلاق.

وفوق المسار الأساسي، أنشأ المؤلف لوحة إدارة صغيرة: يمكن من خلالها رؤية سجلات المعالجة، وتاريخ التشغيل، وقائمة الرسائل، وإعدادات prompts، وإمكانية إعادة تمرير الحالات الخاصة بتاريخ محدد إذا توقفت الخدمة واضطر الفريق إلى معالجة جزء من الرسائل يدويًا.

ماذا أتاح التطبيق

الأثر الرئيسي ليس أن AI “ردت على الرسائل بدلًا من البشر”، بل أن الشكوى أصبحت كيانًا رقميًا له دورة حياة مفهومة. وتسجل الشركة الآن ليس فقط واقعة الشكوى نفسها، بل السياق الكامل أيضًا: أي منتج يرد في الحالة، ومن الذي أبلغ عن المشكلة، وما الذي تعطل تحديدًا، وفي أي مرحلة وصلت المراجعة. وهذا يبسّط الاجتماعات، ويجعل dashboards الخاصة بالشكاوى أكثر فائدة، ويساعد على البحث عن علاقات السبب والنتيجة في جودة المنتج، بدلًا من مجرد إغلاق الحوادث واحدة تلو الأخرى.

والنتيجة الثانية هي التوحيد القياسي. فعندما تُنشأ المهمة تلقائيًا داخل CRM مع الـ checklist المطلوب، يحصل الموظفون الجدد لا على نصائح شفوية، بل على تسلسل جاهز من الإجراءات. ويظهر أيضًا تحكم لحظي في الحالة: إذ يمكن رؤية من المسؤول عن الحالة وما الذي أُنجز بالفعل. وفي الوقت نفسه، تُظهر هذه الحالة بصدق أن العملية لا تختفي بالكامل من دون البشر — فما زالت السكرتارية تراقب البريد، وكانت الخدمة تتطلب أحيانًا إعادة تشغيل يدويًا. لكن حتى مع هذا القيد، أصبحت معالجة الشكاوى أكثر تنظيمًا وشفافية بشكل واضح.

ماذا يعني ذلك

تُظهر هذه الحالة جيدًا سيناريو عمليًا لاستخدام AI في التصنيع: لا يتمثل في بناء “منصة ذكية” منفصلة، بل في إدماج النموذج داخل المنظومة القائمة بالفعل من البريد والوثائق وCRM. وبالنسبة إلى كثير من الشركات الصناعية، قد يكون الأثر الأسرع تحديدًا من نصيب LLM محلية مع OCR وقواعد واضحة، في الأماكن التي ما يزال فيها التدفق الوارد يعيش داخل صندوق البريد والجداول.