Automatyzacja skrzynki e-mail: zamówienia, faktury i dokumenty dostawy z AI

Niemal w każdej firmie, która dostaje zamówienia albo faktury mailem, powtarza się ten sam schemat: ktoś otwiera wiadomość, czyta zamówienie, wyszukuje właściwe numery produktów i przepisuje wszystko do ERP. Przy dziesięciu mailach dziennie nikt tego nie zauważa, przy dwustu zajmuje to komuś pół przedpołudnia, a gdy ta osoba pójdzie na urlop, skrzynka zaczyna się zapychać.

Modele językowe czytają dziś dokumenty niezawodnie, więc dużą część tego kroku można zautomatyzować, bez zmuszania klientów do wpisywania zamówień w portalu. Dla jakich dokumentów to się opłaca, jak przebiega odczyt danych, co musi umieć dobre rozwiązanie i jak wygląda pierwszy projekt, przeczytasz poniżej.

Które dokumenty warto zautomatyzować

Do automatyzacji nadaje się tylko część dokumentów. Ciekawie robi się tam, gdzie codziennie przychodzi wiele dokumentów tego samego rodzaju, a każdy wygląda trochę inaczej: zamówienia od klientów, faktury zakupowe od dostawców, dokumenty dostawy i potwierdzenia zamówień, a w logistyce dane o przesyłkach, trasach i terminach.

Decydują przede wszystkim dwie rzeczy: ile dokumentów przychodzi i jak bardzo się od siebie różnią. Dwadzieścia identycznych zamówień tygodniowo ktoś przepisze szybciej, niż potrwa projekt. Dwieście zamówień dziennie w czterdziestu układach graficznych to zupełnie inna sytuacja.

Zwykle pomijany jest trzeci punkt: koszt błędu. Źle odczytana ilość wychodzi na jaw często dopiero wtedy, gdy towar stoi już u klienta. Kiedy literówka powoduje zwrot dostawy albo miesza w planie produkcji, automatyzacja często opłaca się znacznie wcześniej, niż wynikałoby to z samej oszczędności czasu.

Dlaczego szablony z czasem kosztują więcej, niż oszczędzają

Klasyczne rozpoznawanie tekstu opiera się na szablonach: numer zamówienia jest w prawym górnym rogu, ilość w trzeciej kolumnie. Dopóki wszystkie dokumenty wyglądają tak samo, jest to szybkie, tanie i łatwe do prześledzenia.

Kłopoty zaczynają się przy odstępstwach. Jeden klient zmienia układ dokumentu, drugi wpisuje zamówienie w dwóch zdaniach w środku długiego wątku mailowego, trzeci wysyła zdjęcie, i nagle każdy wariant wymaga własnej reguły. Z każdym kolejnym klientem rośnie więc nakład na utrzymanie. W firmie logistycznej Fr. Meyer’s Sohn, która codziennie dostaje tysiące maili po niemiecku i angielsku, ekstrakcja oparta na regułach przestała nadążać właśnie w tym momencie.

Modele językowe odczytują treść niezależnie od tego, gdzie stoi dana informacja i jak jest sformułowana. Reguły zachowują przez to swoje miejsce: w naszych projektach zwykle przejmują kontrole, czyli sprawdzanie formatów, przeliczanie sum i pilnowanie pól obowiązkowych, bo regułą da się to rozwiązać taniej i dokładniej niż modelem. Kiedy sprawdza się które podejście, pokazuje porównanie na stronie Agenci AI.

Jak działa automatyczny odczyt danych ze skrzynki e-mail?

Między przychodzącym mailem a zamówieniem w ERP jest pięć kroków, a każdy z nich da się osobno zmierzyć i poprawić. To po nich widać później, czy system naprawdę może działać bez nadzoru.

Rozpoznanie rodzaju dokumentu

Najpierw system klasyfikuje każdą wiadomość: nowe zamówienie, zmiana, anulowanie, faktura, pytanie. Krok wygląda banalnie, ale zapobiega jednej z najdroższych pomyłek: jeśli anulowanie przejdzie jako nowe zamówienie, z magazynu wyjedzie towar, którego nikt nie zamawiał.

Treść i załączniki czytane razem

Wiele zamówień jest w załączniku, jako PDF, plik Excel albo skan, i wtedy liczy się kontekst: w treści maila często stoi zmiana do załącznika, na przykład inny termin dostawy. W Radaway zamówienia z załączników wcześniej w ogóle nie trafiały do automatycznego przetwarzania, dziś są obsługiwane.

Przekształcenie do stałego formatu

Model językowy zwraca dane według ściśle określonego schematu, na przykład numer klienta, produkt, ilość i termin dostawy, bo dopiero wtedy wynik można sprawdzić maszynowo. Przy swobodnym tekście zostaje tylko czytanie i nadzieja.

Kontrola z danymi podstawowymi

Ponieważ klienci rzadko używają nazwy z Twojego katalogu, system szuka produktu pasującego do ich sformułowania, nawet jeśli słowa się różnią. Drugi krok sprawdza, czy znaleziony produkt pasuje do reszty zamówienia. Do tego dochodzą kontrole wiarygodności: czy klient istnieje, czy cena się zgadza, czy ilość jest realna?

Przekazanie albo oddanie człowiekowi

Pewne wyniki system przekazuje prosto do ERP. Gdy przy którejś wartości nie ma pewności, oddaje sprawę do sprawdzenia pracownikowi. Na tym rozróżnieniu opiera się cała korzyść: system, który przekazuje każdy wynik bez kontroli, oszczędza czas i wprowadza błędy, które wychodzą na jaw dopiero wtedy, gdy towar jest już w drodze. Taki, który pyta przy każdej sprawie, nie oszczędza nic.

Co to daje w praktyce

We Fr. Meyer’s Sohn chodziło z kolei o dane o przesyłkach, trasach i planowaniu z tysięcy maili dziennie. Ponieważ dane nie miały opuszczać firmy, system działa tam na własnych serwerach i dostarcza wartości w uporządkowanej formie w czasie rzeczywistym; ręczna praca przy ekstrakcji spadła o 80%. Szczegóły znajdziesz w projekcie Fr. Meyer’s Sohn, a kolejne zastosowania na stronach AI dla produkcji i AI dla logistyki.

Żadna z tych liczb nie sięga stu procent i tak ma być. Reszta zostaje przy ludziach, bo tam jest jej miejsce: przypadki szczególne, nieczytelne dokumenty, zamówienia ze sprzecznymi danymi.

Lista kontrolna: na co zwrócić uwagę przy wyborze rozwiązania?

Niezależnie od tego, czy kupujesz gotowe rozwiązanie, czy zlecasz jego budowę, te punkty decydują o tym, czy sprawdzi się w codziennej pracy.

Większość ofert przewraca się na czwartym wierszu, bo systemu, który podaje tylko wynik i nie mówi, na ile jest go pewny, nie da się wpiąć w żaden proces akceptacji.

Droga danych do ERP

Odczytane dane trafiają przez interfejsy, które Twój system już ma, czy to SAP, inny ERP, czy rozwiązanie własne. Na początku nie wszystko musi przechodzić automatycznie. Wiele zespołów zaczyna od tego, że system tylko proponuje wpisy, a pracownik zatwierdza je jednym kliknięciem. Kosztuje to kilka sekund na dokument i tydzień po tygodniu pokazuje, gdzie odczyt działa dobrze, a gdzie nie, a w miarę jak rośnie zaufanie, coraz większa część przechodzi bez udziału człowieka. Jak taka integracja wygląda technicznie, opisujemy w artykule Integracja AI z SAP, Microsoft 365 i Jira.

Od czego zacząć

Od jednego rodzaju dokumentu, i to tego o największym wolumenie albo z najdroższymi błędami, a nie tego z najciekawszym zastosowaniem. W ramach analizy procesu w stałej cenie od 3000 € rozpisujemy dzisiejszy przebieg pracy i proponujemy architekturę z zakresem, harmonogramem i kosztami; pierwsze działające elementy powstają w 6 do 8 tygodni, na Twoich prawdziwych dokumentach.

Jeśli system już działa, ale w codziennej pracy wymaga zbyt wielu poprawek, najpierw warto sprawdzić, na którym z pięciu kroków się zacina. W Radaway właśnie dlatego nie było potrzebne budowanie od zera, wystarczyły trzy tygodnie ukierunkowanej pracy. Jakie modele językowe nadają się do takich zadań i gdzie mogą działać, pokazuje strona Rozwój LLM.

Najczęściej zadawane pytania