Rocket Close a Accéléré le Traitement des Documents Hypothécaires par 15 Fois avec AWS

Rocket Close показала, что даже самый тяжёлый участок ипотечного процесса — разбор документов — можно радикально ускорить, если соединить OCR и генеративные модели. Компания вместе с AWS Generative AI Innovation Center собрала систему на базе Amazon Textract и Amazon Bedrock, которая ускорила обработку в 15 раз и довела совокупную точность сегментации, классификации и извлечения полей примерно до 90%. Для ипотечного бизнеса это не косметическое улучшение.

В одном пакете могут оказаться анкеты, выписки, справки о доходах, формы раскрытия информации и другие документы, пришедшие в виде сканов, PDF и фотографий. У них разная структура, качество и формат заполнения, поэтому значительная часть времени уходит не на принятие решения, а на поиск нужных страниц, распознавание текста и перенос ключевых данных в рабочие системы. Именно на этом этапе чаще всего копятся задержки и ручные ошибки.

Решение Rocket Close делит задачу на несколько понятных этапов. Amazon Textract отвечает за OCR: извлекает текст и структуру из документов, включая таблицы, формы и плохо подготовленные сканы. Дальше Amazon Bedrock подключает foundation models для более сложной логики: нужно не просто прочитать страницу, а понять, что это за документ, к какому пакету он относится, где начинается новый раздел и какие поля действительно важны для дальнейшей обработки.

Такой стек превращает поток разнородных файлов в более предсказуемый и машиночитаемый процесс. Ключевой момент здесь не только в скорости, но и в уровне автоматизации. Заявленные 15x по времени означают, что сотрудники могут быстрее проходить через объёмные кейсы, а часть рутинной проверки уходит из ручного режима.

Показатель около 90% общей точности тоже важен: речь не про одну узкую метрику, а сразу про три функции — сегментацию документов, их классификацию и извлечение полей. Для корпоративного workflow это гораздо полезнее, чем отдельный сильный OCR без понимания контекста. Это особенно важно там, где один пропущенный или неверно распознанный документ может вернуть заявку назад и заново запустить цепочку согласований.

Отдельно стоит роль AWS Generative AI Innovation Center. Такие проекты редко сводятся к простому вызову модели по API. Нужно подобрать архитектуру, разложить процесс на этапы, определить, где достаточно классического OCR, а где нужен уровень reasoning, а потом увязать всё это с требованиями по качеству и операционной устойчивости.

Партнёрство с командой AWS, судя по результату, позволило Rocket Close быстрее перейти от идеи к системе, которую можно применять в реальном документообороте, а не только в пилотных сценариях. Для рынка это ещё один пример того, как генеративный ИИ уходит из демонстрационных чат-интерфейсов в тихие, но дорогие для бизнеса процессы бэк-офиса. В ипотеке цена задержки особенно заметна: чем дольше пакет идёт по цепочке проверок, тем выше нагрузка на команду и тем хуже клиентский опыт.

Если документы разбираются быстрее и стабильнее, компания получает не только экономию времени, но и более предсказуемые сроки сделки, меньше ручных передач между командами и лучший контроль над качеством данных. Вывод простой: ценность GenAI в финансовых сервисах всё чаще определяется не эффектными демо, а тем, насколько он умеет снимать рутину в узких операционных местах. Кейс Rocket Close показывает, что связка OCR и foundation models уже даёт измеримый результат там, где раньше требовались часы ручной обработки.

Для игроков с большим документооборотом это сигнал смотреть не только на чат-ботов, но и на внутренние процессы, где автоматизация даёт прямой операционный эффект.