Google DeepMind сократила на 58% время проверки заявок на ремонт с помощью Gemini

Если вы хоть раз строили веранду или переделывали крышу в Великобритании, вы знаете, что сначала нужно получить разрешение от местного совета. За каждой такой заявкой стоит живой человек, planning officer. Он читает чертежи, сверяет их с местными правилами, смотрит на соседние участки и пишет заключение. Работа однообразная, документов много, очередь растёт. Именно сюда Google DeepMind направила Gemini.

Что именно сделали

DeepMind объявила о PlanAssist — инструменте для британских планировщиков, построенном на Gemini. Он помогает с оценкой householder-заявок. Так называют обращения частных владельцев домов: пристройки, мансарды, гаражи, перепланировки. Это самый массовый и самый типовой поток в системе. Сложные коммерческие проекты и жилые комплексы сюда не входят.

Главная цифра из анонса: инструмент сокращает время, которое офицер тратит на оценку такой заявки, до 58%. В посте сказано «up to», то есть «до». Это лучший результат, а не среднее по больнице. Окончание поста в исходнике обрезано: там сказано, что инструмент становится доступен 12 (организациям, по всей видимости), но кому именно, мы по этому тексту не узнаем. Детали стоит проверить в полном анонсе DeepMind.

Почему это интереснее очередного «чатбота для госуслуг»

Большинство госпроектов с ИИ заканчиваются демо, красивой презентацией и тишиной. Здесь есть три признака зрелости.

Первый: выбрана конкретная рутинная задача с понятным входом и выходом. Это не «ассистент для всего», а оценка заявки определённого типа.

Второй: эффект измерен в рабочем времени сотрудника. Для заказчика, будь то муниципалитет или банк, это самая понятная метрика. Её можно перевести в деньги и в сокращение очереди.

Третий: инструмент не остался в пилоте, его раздают дальше. Для государственного ИИ-продукта это уже серьёзный шаг.

Что это значит на практике

Представьте типичную заявку: владелец хочет надстроить второй этаж над гаражом. Офицеру нужно найти в пакете документов размеры, сверить их с локальными ограничениями по высоте и расстоянию до границы участка, проверить, нет ли охранного статуса, и собрать итог в отчёт. Большая часть времени уходит на поиск и сопоставление, а не на само решение. Модель с длинным контекстом и мультимодальным входом (планы и чертежи тоже документы) хорошо подходит именно для такой работы с бумагами.

Для разработчиков вывод простой: самые окупаемые применения LLM часто скучные. Они находятся там, где человек много читает, сверяет с регламентом и пишет типовой текст.

Для продактов и основателей здесь три урока:

• Берите узкий и повторяющийся сценарий, а не «ИИ для отрасли».
• Сразу договаривайтесь с заказчиком о метрике. «Минуты на заявку» продаются лучше, чем «точность ответов».
• Закладывайте раскатку: пилот без плана масштабирования останется пилотом.

Ограничения и вопросы

Есть оговорки. Во-первых, 58% — верхняя граница, и без методики замера цифру нельзя переносить на другие процессы. Во-вторых, из поста не видно, как устроен контроль: кто принимает итоговое решение, как фиксируются ошибки модели, что происходит со спорными случаями. В регулируемой среде это важнее скорости. В-третьих, пост от самой DeepMind, то есть независимой оценки пока нет.

И всё же направление показательное. Крупные лаборатории всё чаще показывают не бенчмарки, а внедрения с цифрой экономии. Если вы делаете B2B-продукт для сферы с тоннами документов (право, страхование, недвижимость, комплаенс), PlanAssist — готовый образец того, как должен выглядеть питч: конкретная рутина, измеримый выигрыш, понятный путь к масштабу.