Ассистент ищет ответы в Налоговом кодексе, федеральных законах и письмах ФНС и Минфина; бухгалтеры размечают и корректируют ответы модели, а пользователь может передать сгенерированный ответ налоговому консультанту на проверку.
Результат
не раскрыто
На ранней проверке гипотезы ответы давал живой бухгалтер; опубликованные показатели использования этого этапа не являются эффектом AI-версии.
В контакт-центры интегрированы голосовые помощники для персонализированного обслуживания клиентов, речевая аналитика для контроля работы операторов и база знаний.
Результат
Результат не раскрыт.
Источник перечисляет реализованные FIS сценарии, но не разделяет их по конкретным банкам и не приводит количественный эффект.
Агента обучили сценариям досудебного взыскания и встроили в чат с клиентами. Команда отслеживает фиксацию договорённостей, исполнение обещаний, скорость ответа и экономику процесса.
Результат
В пилоте доля полученных обещаний оплаты составила 26,61% у агента против 47,75% у сотрудников. После доработок компания передала агенту около 90% текстовых коммуникаций.
90% — доля коммуникаций, а не доля взысканных долгов. Данные после доработок по всем метрикам пилота не приведены.
В 1С интегрированы ИИ-агенты для OCR, извлечения, нормализации и валидации данных государственных контрактов, сравнения версий и проверки первичных документов по принципу «четырёх глаз».
Результат
Количество ошибок в документации снижено с 10% до 0,1%; трудозатраты по основным оперативным процессам регламентированного учёта сократились более чем в 4 раза.
Указанные результаты опубликованы для проекта в целом и не полностью изолированы от других контуров автоматизации.
Ассистент синхронизирован с YCLIENTS, видит актуальные окна и цены, записывает клиентов, проверяет абонементы и сертификаты и отправляет ссылки на оплату.
Результат
Система обработала 9 234 сообщения, закрыла без администратора 597 диалогов и охватила 100% обращений; средняя стоимость диалога составила около 13 ₽.
После запуска команда студии отдельно тестировала и дорабатывала сценарии общения, записи и передачи информации администраторам.
AI/ML-модели выбирают следующий инструмент урегулирования и оптимизируют операционные действия; LLM и ИИ-агенты автоматизируют речевую аналитику, сопровождение переговоров и генерацию документов.
Результат
Подтверждённый прирост финансового результата — более 2,3 млрд руб.; удовлетворённость взаимодействием с банком выросла на 50%; более 98% первичных контактов и около 70% звонков выполняются роботом; более 1,5 млн клиентов урегулировали задолженность; более 4 тыс. клиентов сохранили имущество и кредитную историю.
Показатели приведены компанией; методика атрибуции финансового эффекта не раскрыта.
Локальный ИИ-ассистент распознаёт поступившие документы, извлекает и проверяет реквизиты, затем автоматически создаёт документы в 1С; система интегрирована с СЭД.
Результат
В кейсе заявлены точность распознавания 98%, экономия на аутсорсе 900 000 рублей в год, сокращение штата на обработке первичных документов на 75% и ускорение закрытия месяца на три дня.
Название организации и период измерения показателей не раскрыты.
Внутри компании развёрнуты умные ассистенты для обработки информации, подготовки текстов и поддержки решений в области методологии бухгалтерского учёта.
Результат
Количественный эффект не раскрыт.
Системы находятся в опытной фазе; промышленная эксплуатация и эффект не подтверждены.
PDF и фотографии накладных, счетов, актов и УПД проходят через n8n и GigaChat Vision; система ищет контрагента по ИНН, создаёт черновик документа поступления через API 1С и уведомляет бухгалтера для проверки и утверждения.
Результат
По данным публикации, время обработки документа сократилось с 4 минут до 30 секунд, доля ошибок ввода — примерно с 2,5% до 0,3%, а задержка проводки — с 5–10 дней до 1 дня. Ручной правки требуют 12% документов; заявленная окупаемость — 5 месяцев.
Результаты относятся к одному анонимному производству и приведены автором без независимой проверки; бухгалтер продолжает проверять и утверждать черновики.