Система на базе LLM сократила подготовку карт контроля на заводе с 2 часов до 5 минут

Практический кейс с металлургического предприятия показывает, что большие языковые модели уже умеют не только отвечать на вопросы, но и забирать у инженеров тяжелую нормативную рутину. Систему научили читать сканы советских ГОСТов и автоматически собирать карты контроля за 3–5 минут вместо более чем двух часов ручной работы. По трудозатратам это, по оценке автора проекта, снимает объем задач, сопоставимый с работой трех технологов.

Проблема была очень приземленной. На предприятии полного цикла работают около 3200 человек, а номенклатура превышает 4500 позиций и постоянно растет. Для каждой позиции технологу нужно было открыть ГОСТ, ОСТ или другой нормативный документ, найти нужные таблицы и примечания, подставить параметры вроде марки стали, диаметра заготовки и группы, а затем вручную заполнить более 40 контрольных параметров.

Сложность в том, что документов больше двухсот, и значительная часть из них существует в виде не самых удобных PDF-сканов советской эпохи. Первой идеей был обычный парсер, но она быстро отпала. Формат нормативов слишком разнородный: в одном документе нужные значения лежат в строках таблиц, в другом спрятаны в примечаниях, в третьем разбросаны по тексту с отсылками на другие разделы.

Простая схема извлечения по шаблону здесь ломается, потому что задача требует понимать смысл документа, а не только его визуальную структуру. Поэтому автор пошел в сторону LLM и собрал схему, где модель получает на вход PDF со стандартом, параметры номенклатуры и набор правил по тому, как определять конкретные параметры контроля. Следующая гипотеза выглядела логично: сделать один универсальный промт для всех нормативных документов.

На первом тесте такой подход показал неплохой результат. По словам автора, Claude Sonnet 4.6 в режиме thinking корректно определил 85% параметров для одного ГОСТа, а GPT 5.

4 — 72%. Но на следующих документах универсальность рассыпалась. Модели путались во вложенных таблицах, неверно трактовали граничные условия вроде «не менее» и «не более», а иногда пропускали константы или связи между разделами.

Выяснилось, что красивый общий подход здесь хуже, чем более узкая, но управляемая архитектура. Рабочее решение родилось после разбора номенклатуры по принципу Парето. Оказалось, что 80% позиций завода описываются примерно 18% ГОСТов.

Для пилота выбрали 20 самых часто используемых документов и под каждый сделали отдельный промт с конкретными правилами: где искать параметр, в какой таблице или разделе он описан и как интерпретировать спорные случаи. На вход система получала PDF и характеристики изделия, а на выходе возвращала таблицу с параметром, значением и ссылкой на место в стандарте. Если появлялась ошибка, автор отправлял в диалог скриншот, показывал правильный ответ и просил обновить правило так, чтобы сбой не повторялся.

На доводку ушло девять итераций и 14 рабочих дней, после чего извлечение параметров для выбранных ГОСТов стало работать без ошибок. Сейчас проект переводят из экспериментального режима в более удобный для производства. Правила выносят из промтов в Excel-таблицу, чтобы технологи могли сами править логику без погружения в промт-инжиниринг.

На вход модель получает уже не только PDF и параметры изделия, но и эту таблицу правил, а на выходе формирует данные в виде, пригодном для загрузки во внутреннюю информационную систему предприятия. Такой слой делает решение масштабируемым: можно постепенно добавлять новые стандарты и при этом не завязывать всю поддержку на одного разработчика. Главный вывод из этого кейса простой: в промышленности LLM лучше работают не как «универсальный интеллект на все случаи», а как аккуратно настроенный инструмент под конкретный класс документов.

Если начать с самых частых нормативов, заставить модель указывать источник каждого параметра и оставить правила редактируемыми для предметных специалистов, ИИ превращается из демонстрации в производственный механизм с понятной экономикой. Такой подход вполне может повториться не только в металлургии, но и в машиностроении, строительстве, химии, фарме и энергетике — везде, где люди до сих пор вручную переносят данные из регламентов в рабочие системы.