10 практических задач, решённых нашими клиентами в Pyrus

Мы собрали десять кейсов - не теоретических, а реализованных на Pyrus у реальных клиентов. Каждый начинается с цитаты заказчика, показывает, что было сломано, и объясняет, как это починили. В каждом есть примеры применения ИИ.

Короткий обзор всех десяти:

01 · Управление проектами
«Я вижу проблемы проекта только тогда, когда он уже сорван по срокам и/или бюджету». Три контура данных — сроки, деньги, обязательства — жили в разных системах и не пересекались. Стало: три слоя дат (план, факт, прогноз) и четыре контура бюджета в едином контуре Pyrus. ИИ строит модель срыва до того, как срыв случился.

02 · Платёжный календарь
«Свободные деньги на счетах — это число решений, доступных мне в моменте». Кассовый разрыв готовился две-три недели, но обнаруживался в день платежа. Стало: календарь ведёт себя сам — заявка порождает бронь, договор порождает график, факт поступает из 1С автоматически. Платёж можно перетащить между датами — система пересчитает остатки и разрывы.

03 · Обучение сотрудников / LMS
«Система знает, что человек прошёл курс, но не знает, изменилось ли его поведение». Два профиля — должности и сотрудника. Расхождение между ними и есть предмет обучения. Не курс по расписанию, а реакция на поведение. Обучение доставляется задачей в рабочем потоке — отдельный LMS-портал проигрывает конкуренцию за внимание.

04 · База знаний
«Ведение базы знаний — самый убыточный ROI проекта, пока её ведёт человек». Стало: база пишется сама — на основе изменений форм и поведения ролей. Бизнес-логика описана словами и исполняется: изменение правила = редактирование статьи, а не правка кода. ИИ ведёт граф знаний и анализирует фото из запросов сотрудников.

05 · Закупки / SRM с тендерами
«Закупка должна быть контролируемой — с историей, сравнением и ответственностью за решение». Полная цепочка: потребность → заявка → лот → тендеры → договор → поставка → приёмка → оценка поставщика. Система сама рассылает приглашения, собирает заявки, подсчитывает результаты. ИИ приводит сметы поставщиков к единому началу по ТЗ тендера.

06 · Контроль цен и нормализация НСИ
«Цена из документа поставщика против референсной из договоров — в момент приёмки, а не при анализе себестоимости в конце квартала». ИИ распознаёт фото документов, сопоставляет номенклатуру с НСИ, сверяет цены — и предлагает решение. Пороги — в справочнике, не в коде: меняет бизнес-пользователь.

07 · Риск-радар контрагентов
«Нужна не разовая проверка, а риск-радар, включённый всё время». Источники опрашиваются по расписанию, снимки сравниваются — изменение становится событием с уровнем значимости. Уровень риска меняет поведение процессов: договор уходит на усиленное согласование, поставщик не допускается к лоту.

08 · Эффективность сотрудников
«Руководителям надо знать, соответствует ли работа сотрудника его должностным обязанностям». Три слоя показателей: нагрузка, скорость, соответствие. ИИ формирует еженедельный отчёт, задаёт проверочные вопросы и прогнозирует вероятность срыва SLA конкретным сотрудником в конкретном контексте.

09 · Управление персоналом / HRM
«Ускорить все HR-процессы: от отклика в потоковом найме до онбординга». Отклик попадает в платформу автоматически и ставит задачу с контрольным сроком. Воронка как процесс: каждый этап — задача с ответственным. Решение порождает цепочку: оффер → оформление → допуски → онбординг. ИИ ведёт чат с соискателями и выступает наставником при адаптации.

10 · WIP-лимиты и цифровые двойники
«1½ землекопа — только в мультфильме». Два механизма в связке: лимит незавершённой работы и цифровой двойник принимающего, который проверяет пакет до передачи. Контроль перенесён влево — дефект устраняется там, где создан. Опыт одной из компаний: 73 двойника по 15 формам, точность предсказания 86,8%.

Операционное управление — это поток кругов решения, а не поток процессов. Заметил → понял → решил → сделал. Выигрывает тот, у кого этот круг короче.