Epotos implemented local AI for claims and moved complaints to Bitrix24

Производитель систем пожаротушения Эпотос перевёл обработку клиентских рекламаций с ручной пересылки писем и Excel в полуавтоматический ИИ-конвейер. Входящие письма, вложения и фото теперь разбирает локальная связка из OCR, LLM и Bitrix24, а сотрудники получают уже оформленную задачу с чеклистом.

Как работали раньше

До внедрения всё держалось на привычной, но тяжёлой схеме: жалобы приходили в общий почтовый ящик, где рядом лежали коммерческие предложения, приглашения на выставки и обычная переписка. Секретариат вручную пересылал нужные письма, регистрировал обращения и фактически работал первичным фильтром. Для компании с несколькими направлениями — от спецтехники до наземного транспорта — это стало узким местом, особенно когда поток обращений вырос до нескольких десятков в неделю, а эксперты по рекламациям перестали успевать разбирать первопричины каждого случая.

Дальше данные переносили в Excel-таблицу со статусами и обновлениями, но заполнялась она руками. История общения с клиентом расползалась по длинным цепочкам писем, а порядок действий по жалобам часто существовал либо в голове у опытных сотрудников, либо передавался устно новичкам. В результате компания видела сам факт рекламации, но теряла скорость, прозрачность и единый стандарт обработки.

На этом фоне автоматизация выглядела уже не экспериментом, а способом вернуть процесс под контроль.

Из чего собрали систему Команда решила не ломать привычный канал и оставила почту точкой входа.

Дальше письма забираются по IMAP, а их содержимое обрабатывает локальная ИИ-связка, чтобы не отправлять клиентские данные в облако. Для вложений использовали Tesseract с русской OCR-моделью: он вытаскивает текст из PDF, фотографий и других файлов, где обычного copy-paste недостаточно. В качестве языковой модели выбрали Qwen3-30B-A3B, запущенную через Ollama. Она определяет, является ли письмо рекламацией, и если да — разбирает его в структурированные поля для дальнейшей работы.

• Чтение тела письма и вложений, включая PDF, изображения и текстовые файлы OCR для фото и сканов, где дефект описан не в тексте, а в документе или снимке Классификация входящего письма: рекламация, спам, внутреннее письмо или нерелевантное обращение Извлечение деталей по изделию, серийному номеру, дефекту, категории и контактам отправителя Запись результата в Bitrix24 по 25–30 полям и автосоздание задачи с нужным чеклистом Отдельно команда собрала систему промтов и правил: модель должна строго отвечать в JSON, отличать жалобу на продукцию от коммерческих писем и раскладывать рекламации по категориям. После этого данные уходят в Bitrix24, где создаются списки и бизнес-процессы с ответственными, наблюдателями и этапами закрытия. Поверх основного конвейера автор сделал небольшую админку: в ней видно логи обработки, историю запусков, список писем, настройки промтов и возможность повторно прогнать обращения за конкретную дату, если сервис останавливался и часть писем пришлось разбирать вручную.

Что дало внедрение

Главный эффект не в том, что ИИ «ответил на письма вместо людей», а в том, что рекламация стала цифровым объектом с понятной историей жизни. Компания теперь фиксирует не только факт жалобы, но и весь контекст: какое изделие фигурирует в обращении, кто сообщил о проблеме, что именно сломалось и на каком этапе находится разбор. Это упрощает совещания, делает дашборды по рекламациям полезнее и помогает искать причинно-следственные связи по качеству продукции, а не просто закрывать инциденты по одному.

Второй результат — стандартизация. Когда задача автоматически создаётся в CRM с нужным чеклистом, новые сотрудники получают не устные советы, а готовую последовательность действий. Плюс появляется контроль статуса в реальном времени: видно, кто отвечает за обращение и что уже сделано.

При этом кейс честно показывает, что без людей процесс не исчезает полностью — секретариат по-прежнему следит за почтой, а сервис иногда требовал ручного перезапуска. Но даже с этим ограничением обработка жалоб стала заметно собраннее и прозрачнее.

Что это значит

Этот кейс хорошо показывает практический сценарий для ИИ на производстве: не строить отдельную «умную платформу», а встраивать модель в уже существующий контур из почты, документов и CRM. Для многих промышленных компаний именно локальная LLM с OCR и чёткими правилами может дать самый быстрый эффект там, где входящий поток всё ещё живёт в почтовом ящике и таблицах.