Завод ускорил расчёт цены на металлопрокат с 4–8 часов до 2–3 минут, убрав ИИ из арифметики
Заявку на металлопрокат шлют в 4–5 заводов, а выигрывает тот, кто первым пришлёт коммерческое предложение (КП), хотя сметчик считает его 4–8 часов. Разработчик Алексей Самарцев оставил нейросети разбор сканов и сленга, а массу и цену считает Python по ГОСТ. GPT-4o занизил вес 300 м швеллера на 41% (126 720 ₽ убытка). Теперь черновик готов за 20–30 секунд, проверка занимает около 2 минут.
AI-обработка оригинала Habr AI; редакция Hamidun News
Заявка на металлопрокат живёт считанные часы. Снабженец строительного объекта рассылает ведомость сразу в 4–5 заводов и заказывает у того, кто первым пришлёт коммерческое предложение (КП): документ с точными ценами, весом и сроками отгрузки. Сметчик тратит на такой расчёт от 4 до 8 часов, и к этому моменту сделку часто уже подписали с другим поставщиком. Разработчик Алексей Самарцев описал на Habr, как довёл время до 2–3 минут: 20–30 секунд на черновик КП плюс около 2 минут на проверку инженером. Секрет в том, что ИИ убрали из арифметики: нейросеть читает сканы и сленг, а вес и деньги считает обычный код. Почему не стали просто «скармливать всё ChatGPT», видно на тесте ниже.
Почему заявка — это хаос, а не таблица
По словам автора, около 90% входящих заявок далеки от аккуратных XML. Это размытый скан ведомости с синей печатью поверх текста, фото чертежа с телефона, Excel от субподрядчика без артикулов или сообщение в мессенджере вроде «уголок на сотку, швеллер шестнашка П — 300 метров». Сметчик должен перевести сленг в нормативное название («Швеллер 16П ГОСТ 8240-97»), найти в справочнике массу погонного метра, перемножить, добавить 3–7% отхода на раскрой, свериться с остатками и ценой в 1С, добавить резку, наценку и налоги, а потом вручную собрать бланк. Когда в день приходит 15 таких спецификаций, отдел просто тонет в рутине.
Что показал тест с GPT-4o
Автор спросил GPT-4o: какова теоретическая масса 300 метров швеллера 16П. Модель выдала красивое объяснение с формулами и ответ 2,50 тонны. По ГОСТ 8240-97 метр такого швеллера весит 14,20 кг, значит, верный ответ — 4,26 тонны. Занижение составило 41,3%. При цене 72 000 ₽ за тонну завод получил бы расчёт на 180 000 ₽ вместо 306 720 ₽, то есть потерял бы 126 720 ₽ на одной позиции. Объяснение автора: модель предсказывает правдоподобные числа и могла подставить вес соседнего типоразмера, например 10П с массой около 8,59 кг/м. Это один тест, а не статистика по множеству запросов, но пример наглядно показывает риск.
Три слоя: кто за что отвечает
Решение построено на разделении обязанностей.
Слой 1: понимание языка. Сканы предварительно выравнивают через OpenCV и приглушают синий канал печатей. Затем мультимодальная модель извлекает таблицы и по строгой JSON-схеме возвращает для каждой позиции семейство проката, размер профиля, марку стали, количество и единицы. Фраза «швеллер шестнашка П — 300 метров» превращается в объект с полем cut_length: null, потому что длина реза не указана. Номер ГОСТ модель не придумывает: его подставляет код по связке «семейство + размер».
Слой 2: расчёт без нейросетей. Python-модуль с типом Decimal берёт массу метра из локальной базы справочников, переводит килограммы в тонны, подтягивает остатки и цену из 1С:ERP по REST API и применяет наценку. Если нужной марки стали нет на складе, позиция получает флаг requires_procurement. Если размера нет в справочнике, код выдаёт ошибку, а не выдумывает число.
Слой 3: человек в контуре. Система строит черновик КП за 15–20 секунд. Уверенно распознанные позиции с полным совпадением по складу помечаются зелёным. Спорные, где цифра на скане неразборчива или раскрой нестандартный, помечаются жёлтым, и сметчик тратит около 30 секунд на проверку каждой. После подтверждения движок формирует PDF на бланке завода, прикрепляет его к сделке в Битрикс24 или AmoCRM и отправляет клиенту.
Цифры и оговорки
Автор сравнил работу отдела на выборке из 350 спецификаций. Подготовка КП заняла 20–30 секунд на генерацию и около 2 минут на проверку вместо 4–8 часов. Ответ клиенту теперь приходит за 10–15 минут, а не на следующий рабочий день. Ошибки в тоннаже при ручном расчёте он оценивает в 8–12%, а при автоматическом — в 0%, но это заявление самого автора без независимой проверки. Корректнее говорить так: арифметика детерминирована, а риски переехали в распознавание сканов и полноту справочников. Нагрузка выросла с 8–10 сложных расчётов в день до 200 спецификаций в смену без расширения штата. Для проверки автор выложил демо на samartsev.tech/kp.
Что из этого взять себе
Урок шире металлопроката. Языковая модель хорошо превращает неряшливый текст и сканы в структуру, но деньги, массу и единицы измерения должен считать код. Если вы строите агента для закупок, логистики или бухгалтерии, держите LLM на входе, справочники и формулы отдельно, а флаги неуверенности выводите человеку. Так вы не получите красивое, но неверное число в документе с печатью.
- 21 нояб. 2026 г.Вакансий FDE за год стало в 4,6 раза больше: что делает инженер у заказчика
- 21 нояб. 2026 г.Капитан пловцов отдала ChatGPT три задачи по расписанию и сократила рутину в разы
- 21 нояб. 2026 г.OpenAI GPT-6 Cyber нашла около 35 дыр в iPhone, Mac и другой технике Apple
- 21 нояб. 2026 г.22 агента Claude шесть недель искали ответы по чёрным дырам — и решили две задачи
Вопросы и ответы по материалу
Что известно по теме: почему заявка — это хаос, а не таблица?
По словам автора, около 90% входящих заявок далеки от аккуратных XML. Это размытый скан ведомости с синей печатью поверх текста, фото чертежа с телефона, Excel от субподрядчика без артикулов или сообщение в мессенджере вроде «уголок на сотку, швеллер шестнашка П — 300 метров».
Что известно по теме: что показал тест с GPT-4o?
Автор спросил GPT-4o: какова теоретическая масса 300 метров швеллера 16П. Модель выдала красивое объяснение с формулами и ответ 2,50 тонны. По ГОСТ 8240-97 метр такого швеллера весит 14,20 кг, значит, верный ответ — 4,26 тонны. Занижение составило 41,3%. При цене 72 000 ₽ за тонну завод получил бы расчёт на 180 000 ₽ вместо 306 720 ₽, то есть потерял бы 126 720 ₽ на одной позиции.
Что известно по теме: три слоя: кто за что отвечает?
Решение построено на разделении обязанностей. Слой 1: понимание языка. Сканы предварительно выравнивают через OpenCV и приглушают синий канал печатей. Затем мультимодальная модель извлекает таблицы и по строгой JSON-схеме возвращает для каждой позиции семейство проката, размер профиля, марку стали, количество и единицы. Фраза «швеллер шестнашка П — 300 метров» превращается в объект с полем cut_length: null, потому что длина реза не указана.
Внедряйте ИИ быстрее рынка вместе с инженерами и фаундерами
Внутри Vibe Club (hamidun.com/club): еженедельные живые мастермайнды и разборы архитектуры с Жемалом Хамидуном, закрытый Tech Radar, LMS и обновляемая база из 370+ боевых скиллов.
Главное из мира ИИ — раз в неделю
7 ключевых событий недели, отобранных вручную. Без шума, репостов и пресс-релизов.
Готово! Проверьте почту — мы отправили подтверждение.