AI для замечаний экспертизы: что ускоряется на самом деле

340 замечаний экспертизы вручную это неделя разбора. Что из этого отдаётся языковой модели, где она врёт и во что обходится такой помощник нормоконтролю.

Триста сорок замечаний по одному объекту. Экспертиза прислала таблицу: номер, лист, текст, ссылка на пункт норматива. Часть пунктов повторяет друг друга другими словами. Часть адресована не тому разделу. Часть закрыта две недели назад, только сообщить об этом забыли.

ГИП раздаёт эту таблицу по разделам руками. Три дня. Потом собирает ответы обратно и сводит в один файл. Ещё два дня. Полторы недели уходит на логистику текста, а не на исправление проекта.

Вот эту логистику языковая модель и забирает. Исправлять проект она не будет.

Из чего на самом деле состоит работа с замечаниями

Разложим процесс по шагам, иначе непонятно, где теряется время. Цифры ниже с объекта на девять разделов, 340 пунктов, команда из шести человек.

Одна строка тут важнее остальных. Инженерная работа не сжимается вообще. Сжимается всё, что вокруг неё: сортировка, поиск, переписывание одного и того же в трёх местах.

Обещания вида «AI сократит срок ответа экспертизе вдвое» разбиваются именно здесь. Срок держит не переписка, а очередь на исправление у конструкторов.

Что модель делает хорошо

Раскладывает по разделам. Замечание «отсутствует расчёт теплопотерь по помещению 214» уходит в ОВ, а не в АР, куда его поставила экспертиза. Точность на нашей выборке 91%, оставшиеся 9% ГИП поправил за пятнадцать минут.

Схлопывает дубли. Из 340 пунктов 58 оказались повторами: то же самое про другой этаж или тот же вопрос в другой формулировке. Руками их находят к третьему дню, а модель за минуту.

Вытаскивает структуру из живого текста. Из абзаца на пять строк получается запись с полями: раздел, лист, тип нарушения, упомянутый норматив, срочность. Дальше это ложится в таблицу и попадает на дашборд руководителя.

Пишет черновик ответа. Не финальный текст, а рыбу на четыре строки, где уже подставлены номер листа, ссылка на изменённый документ и формулировка «принято, изменения внесены в лист АР-14, ревизия 3».

Ищет похожее в архиве. Если два года назад по такому же замечанию писали ответ и его приняли, ассистент его находит. Это самая недооценённая функция и обычно самая полезная.

Ответ без источника не считается ответом

Правило, к которому мы пришли не сразу: если ассистент не может показать, откуда взял утверждение, ответ бракуется целиком.

Языковая модель без базы знаний уверенно назовёт пункт СП, которого нет. Не приблизительно, а с номером и годом редакции. Проверяющий из экспертизы такое ловит мгновенно, и дальше вам не верят уже ни в чём.

Лечится это RAG: текст нормативов лежит отдельно, разбитый на пункты, модель сначала находит фрагмент, потом отвечает по нему. Ответ возвращается только вместе с цитатой.

{
  "zamechanie_id": 217,
  "razdel": "ОВ",
  "list": "ОВ1-14",
  "tip": "отсутствует расчёт",
  "chernovik": "Расчёт теплопотерь по помещению 214 добавлен...",
  "istochnik": {
    "dokument": "СП 60.13330.2020",
    "punkt": "5.4.2",
    "citata": "Расчётные параметры внутреннего воздуха..."
  },
  "uverennost": 0.83
}

Поле istochnik пустое означает одно: пункт в базу не загружен. Ассистент обязан сказать «не знаю» и передать человеку. Модель, которая никогда не говорит «не знаю», опаснее отсутствия модели.

Три ошибки, которые мы поймали на себе

Выдуманный пункт. Первая сборка на голой модели без базы. В черновике появилась ссылка на «СП 54.13330.2022, п. 7.3.11». Редакции 2022 года у этого свода нет. Отловили на вычитке, но осадок остался: два дня ушло на перепроверку всех остальных ссылок.

Слипшиеся замечания. Модель объединила два пункта про одно помещение в один. Формулировки похожие, суть разная: в первом не хватало расчёта, во втором расходилась площадь в спецификации. Ответили на первое, второе уехало в следующий круг. С тех пор дубли только предлагаются, а подтверждает их человек кнопкой.

Данные ушли наружу. Таблицу замечаний по объекту с ограниченным доступом сотрудник вставил в публичный чат-сервис. Формально утечки не было, юридически объяснять это неприятно. После этого мы держим модель на своём сервере, а публичные API закрываем на уровне сети.

Локально или через облачный API

Выбор здесь не про технологии, а про то, что написано в вашем договоре с заказчиком.

Разумный компромисс мы описали в дорожной карте внедрения: начинать на облачном API с обезличенными текстами, а на локальную модель переезжать, когда процесс устоялся и понятно, за что платить.

Где это не работает

Замечание про геометрию модель не понимает. «Балка пересекает воздуховод на отм. +6.300» для неё просто строка. Ни коллизию найти, ни убедиться, что её устранили, языковая модель не может: это работа Navisworks и координатора.

Сканы без текстового слоя тоже мимо. Замечания, присланные картинкой с рукописной пометкой на полях, придётся набирать руками. OCR помогает процентов на семьдесят, остальное портит номера пунктов, а это худший вид ошибки.

Не ждите, что ассистент возьмёт ответственность. Подпись под ответом экспертизе ставит человек, и проверять текст он обязан читая, а не пролистывая. Первые два месяца доля правок в черновиках была около 40%. Потом упала до 15%, но нулём не станет никогда.

И отдельно про малые объёмы. Если у вас на объект приходит 20 замечаний, автоматизировать нечего. Порог, ниже которого игра не стоит свеч, начинается примерно от сотни пунктов на объект или от пяти объектов в год.

Сколько это стоит

Сборка рабочего контура: две-три недели работы одного человека, который умеет и в нормативы, и в код. Загрузка базы нормативов ещё неделя, и это скучная работа: разбить документы на пункты, проверить, что ничего не потерялось.

Дальше расходы почти нулевые, если модель облачная. Экономия на нашем объекте: около 45 человеко-часов на один цикл ответов. При трёх циклах в год и шести объектах цифра становится заметной для бюджета отдела.

Не окупится, если в компании нет архива прошлых ответов. Половина ценности ассистента как раз в том, что он вспоминает решения, которые вы уже принимали.

Чек-лист на первые две недели

• Выгрузить замечания за последние два года в один файл. Без архива смысла нет.
• Договориться о полях: раздел, лист, тип, норматив, статус, автор ответа.
• Выбрать 30 замечаний, где ответ уже известен, и держать их как контрольную выборку.
• Прогнать модель по этим 30 и сравнить с реальными ответами. Меньше 70% попаданий - переделывать базу, а не менять модель.
• Решить вопрос с конфиденциальностью до первого запуска, а не после.
• Назначить человека, который отвечает за качество базы нормативов. Без владельца база протухает за квартал.

Короткие ответы

Модель заменит нормоконтролёра? Нет. Она уберёт у него сортировку и перепечатывание, а решения оставит ему. По нашим замерам это освобождает примерно треть рабочего времени.

Можно ли доверить ей ответ прямо в личный кабинет экспертизы? Не стоит. Между черновиком и отправкой должен быть человек, который нажимает кнопку.

Какая модель лучше? Разница между топовыми моделями меньше, чем разница между хорошей и плохой базой нормативов. Сначала база, потом выбор модели.

Нужен ли для этого BIM? Не обязательно. Разбор замечаний работает и на бумажном процессе. Но связка с моделью даёт больше: статус пункта можно привязать к элементу и вывести на дашборд.

Сколько людей нужно, чтобы это поддерживать? Один человек на четверть ставки: обновляет нормативы, чистит базу ответов, разбирает жалобы коллег.

Что дальше

Начинать имеет смысл не с покупки модели, а с ревизии архива: есть ли у вас в одном месте замечания и ответы за прошлые объекты. Если нет, первый месяц уйдёт именно на это.

Разбор своего процесса и оценку, что даст такой помощник конкретно вам, мы делаем в рамках аудита и внедрения AI. Примеры задач и то, чем мы закончили, коротко собраны в кейсах, а вопросы по срокам и деньгам - в FAQ. Опишите ситуацию в Telegram или через контакты, посмотрим на цифрах, стоит ли овчинка выделки.